Hive+Spark离线数仓工业项目实战--数仓设计及数据采集（1）

数仓设计及数据采集

1. **数据仓库设计**
   - 建模：维度建模：【事实表、维度表】
   - 分层：ODS、DW【DWD、DWM、DWS】、APP
   - **==掌握本次项目中数仓的分层==**
     - ODS、DWD、DWB、DWS、ST、DM
2. 业务系统流程和数据来源
   - 数据源
   - 常见的数据表
3. **==数据采集==**
   - 核心1：实现自动化增量采集
   - 核心2：Sqoop采集中的一个特殊问题以及解决方案

数仓设计回顾

- **目标**：了解数据仓库设计的核心知识点

- **路径**

  - step1：分层
  - step2：建模

- **实施**

  - **分层**

    - 什么是分层？
      - 本质：规范化数据的处理流程
      - 实现：每一层在Hive中就是一个数据库
    - 为什么要分层？
      - 清晰数据结构：每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。
      - 数据血缘追踪：简单来讲可以这样理解，我们最终给业务诚信的是一能直接使用的张业务表，但是它的来源有很多，如果有一张来源表出问题了，我们希望能够快速准确地定位到问题，并清楚它的危害范围。
      - 减少重复开发：规范数据分层，开发一些通用的中间层数据，能够减少极大的重复计算。
      - 把复杂问题简单化：一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。
      - 屏蔽原始数据的异常对业务的影响：不必改一次业务就需要重新接入数据
    - 怎么分层？
      - ODS：原始数据层/操作数据层，最接近与原始数据的层次，数据基本与原始数据保持一致
      - DW：数据仓库层，实现数据的处理转换
        - DWD：实现ETL
        - DWM：轻度聚合
        - DWS：最终聚合
      - ADS/APP/DA：数据应用层

  建模

    - 什么是建模？

      - 本质：决定了数据存储的方式，表的设计

    - 为什么要建模？

      - **大数据系统需要数据模型方法来帮助更好地组织和存储数据，以便在性能、成本、效率和质量之间取得最佳平衡。**
      - 性能：良好的数据模型能帮助我们快速查询所需要的数据，减少数据的I/O吞吐
      - 成本：良好的数据模型能极大地减少不必要的数据冗余，也能实现计算结果复用，极大地降低大数据系统中的存储和计算成本
      - 效率：良好的数据模型能极大地改善用户使用数据的体验，提高使用数据的效率
      - 质量：良好的数据模型能改善数据统计口径的不一致性，减少数据计算错误的可能性

    - 有哪些建模方法？

      - ER模型：从全企业的高度设计一个 3NF 【三范式】模型，用实体关系模型描述企业业务，满足业务需求的存储
      - **维度模型**：从分析决策的需求出发构建模型，为分析需求服务，重点关注用户如何更快速的完成需求分析，具有较好的大规模复杂查询的响应性能
      - Data Vault：ER 模型的衍生，基于主题概念将企业数据进行结构化组织，并引入了更进一步的范式处理来优化模型，以应对源系统变更的扩展性
      - Anchor：一个高度可扩展的模型，核心思想是所有的扩展知识添加而不是修改，因此将模型规范到 6NF，基本变成了 k-v 结构化模型

    - 怎么构建维度模型步骤？

      - a.选择业务过程：你要做什么？
      - b.声明粒度：你的分析基于什么样的颗粒度？
      - c.确认环境的维度：你的整体有哪些维度？
      - d.确认用于度量的事实：你要基于这些维度构建哪些指标？

具体的实施流程是什么？

      - a.需求调研：业务调研和数据调研
    
        - 业务调研：明确分析整个业务实现的过程
        - 数据调研：数据的内容是什么
    
    - b.划分主题域：面向业务将业务划分主题
    
      - 构建哪些主题域以及每个主题域中有哪些主题
      
    - 服务域：工单主题、回访主题、物料主题
      
      - c.构建维度总线矩阵：明确每个业务主题对应的维度关系
  
  
    
    - d.明确指标统计：明确所有原生指标与衍生指标
    
        - 工单主题：安装工单个数、维修工单个数……
      - 回访主题：用户满意个数、不满意个数、服务态度不满意个数、技术能力不满意个数
    
      - e.定义事实与维度规范
    
        - 分层规范
        - 开发规范
      - ……
    
    - f.代码开发
    
  - 事实表
    
      - 表的分类
        - 事务事实表：原始的事务事实的数据表，原始业务数据表
        - 周期快照事实表：周期性对事务事实进行聚合的结果
        - 累计快照事实表：随着时间的变化，事实是不定的，不断完善的过程
      - 无事实事实表：特殊的事实表，里面没有事实，是多个维度的组合，用于求事实的差值
      - 值的分类
        - 可累加事实：在任何维度下指标的值都可以进行累加
        - 半可累加事实：在一定维度下指标的值都可以进行累加
        - 不可累加事实：在任何维度下指标的值都不可以进行累加
      
    - 维度表
    
      - 维度设计模型
        - 雪花模型：维度表拥有子维度表，部分维度表关联在维度表中，间接的关联事实表
        - **==星型模型/星座模型==**：维度表没有子维度，直接关联在事实表上，星座模型中有多个事实
      - 上卷与下钻
        - 上卷：从小维度到一个大的维度，颗粒度从细到粗
        - 下钻：从大维度到一个小的维度，颗粒度从粗到细
    
    - 拉链表
    
      - 功能：解决事实中渐变维度发生变化的问题，通过时间来标记维度的每一种状态，存储所有状态
    
      - 实现
        - step1：先采集所有增量数据到更新表中
        - step2：将更新表的数据与老的拉链表的数据进行合并写入一张临时表
        - step3：将临时表的结果覆盖到拉链表中

分层整体设计

掌握油站分析项目中的分层整体设计

实施

ODS：原始数据层：最接近于原始数据的层次，直接采集写入层次：**原始事务事实表**
  - **DWD**：明细数据层：对ODS层的数据根据业务需求实现ETL以后的结果：ETL以后事务事实表
  - **DWB**：基础数据层：类似于以前讲解的DWM，轻度聚合
    - 关联：将主题事实的表进行关联，所有与这个主题相关的字段合并到一张表
    - 聚合：基于主题的事务事实构建基础指标
    - **主题事务事实表**
  - **ST**：数据应用层：类似于以前讲解的APP，存储每个主题基于维度分析聚合的结果：**周期快照事实表**
    - 供数据分析的报表
  - **DM**：数据集市：按照不同部门的数据需求，将暂时没有实际主题需求的数据存储
    - 做部门数据归档，方便以后新的业务需求的迭代开发
  - **DWS**：维度数据层：类似于以前讲解的DIM：存储**维度数据表**

  - 数据仓库设计方案
    - 从上到下：在线教育：先明确需求和主题，然后基于主题的需求采集数据，处理数据
      - 场景：数据应用比较少，需求比较简单
    - **==上下到上==**：一站制造：将整个公司所有数据统一化在数据仓库中存储准备，根据以后的需求，动态直接获取数据
      - 场景：数据应用比较多，业务比较复杂

- **小结**

  - 掌握油站分析项目中的分层整体设计
    - ODS：原始数据层
    - DWD：明细数据层
    - DWB：轻度汇总层
    - ST：数据应用层
    - DM：数据集市层
    - DWS：维度数据层

分层具体功能

- **目标**：掌握油站分析的每层的具体功能
- **实施**
  - **ODS**
    - 数据内容：存储所有原始业务数据，基本与Oracle数据库中的业务数据保持一致
    - 数据来源：使用Sqoop从Oracle中同步采集
    - 存储设计：Hive分区表，avro文件格式存储，保留3个月
  - **DWD**
    - 数据内容：存储所有业务数据的明细数据
    - 数据来源：对ODS层的数据进行ETL扁平化处理得到
    - 存储设计：Hive分区表，orc文件格式存储，保留所有数据
  - **DWB**
    - 数据内容：存储所有事实与维度的基本关联、基本事实指标等数据
    - 数据来源：对DWD层的数据进行清洗过滤、轻度聚合以后的数据
    - 存储设计：Hive分区表，orc文件格式存储，保留所有数据
  - **ST**
    - 数据内容：存储所有报表分析的事实数据
    - 数据来源：基于DWB和DWS层，通过对不同维度的统计聚合得到所有报表事实的指标
  - **DM**
    - 数据内容：存储不同部门所需要的不同主题的数据
    - 数据来源：对DW层的数据进行聚合统计按照不同部门划分
  - **DWS**
    - 数据内容：存储所有业务的维度数据：日期、地区、油站、呼叫中心、仓库等维度表
    - 数据来源：对DWD的明细数据中抽取维度数据
    - 存储设计：Hive普通表，orc文件 + Snappy压缩
    - 特点：数量小、很少发生变化、全量采集
- **小结**
  - 掌握油站分析的每层的具体功能

业务系统结构

了解一站制造中的业务系统结构

实施

数据来源

    - 业务流程
    - 油站站点联系呼叫中心，申请工单
      - 呼叫中心分派工单给工程师
    - 工程师完成工单
      - 工程师费用报销
      - 呼叫中心回访工单

  - **ERP系统**：企业资源管理系统，存储整个公司所有资源的信息
      - 所有的工程师、物品、设备产品供应链、生产、销售、财务的信息都在ERP系统中
    - **CISS系统**：客户服务管理系统，存储所有用户、运营数据
      - 工单信息、用户信息
    - **呼叫中心系统**：负责实现所有客户的需求申请、调度、回访等
      - 呼叫信息、分配信息、回访信息

  - **组织结构**

    - 运营部（编制人数300人）
      - 负责服务策略制定和实施，对服务网络运营过程管理。部门职能包括物料管理、技术支持、服务效率管理、服务质量控制、服务标准化和可视化实施等工作。承担公司基础服务管理方面具体目标责任
    - 综合管理部（编制人数280人）
      - 下属部门有呼叫中心、信息运维、人事行政、绩效考核与培训、企划部等部门。负责公司市场部、运营部、财务部等专业业务以外的所有职能类工作，包括行政后勤管理、劳动关系、绩效考核与培训、企划宣传、采购需求管理、信息建设及数据分析、公司整体目标和绩效管理等工作。
    - 市场部（编制人数50人）
      - 负责客户需求开发、服务产品开发、市场拓展与销售管理工作，执行销售策略、承担公司市场、销售方面具体目标责任。
    - 财务部（编制人数10人）
      - 负责服务公司财务收支、费用报销、报表统计、财务分析等财务管理工作
    - 市场销售服务中心（编制人数4000人）
      - 负责服务产品销售，设备的安装、维护、修理、改造等工作，严格按照公司管理标准实施日常服务工作

  - **业务流程**

业务系统数据

熟悉业务系统核心数据表

实施

切换查看数据库

 查看数据表

    - CISS_BASE：基础数据表
      - 报销项目核算、地区信息、服务商信息、设备信息、故障分类、出差补助信息、油站基础信息等
    - CISS_SERVICE、CISS_S：服务数据表
      - 来电受理单信息、改派记录信息、故障更换材料明细信息、综合报销信息、服务单信息、安装单、维修单、改造单信息
    - CISS_MATERIAL、CISS_M：仓储物料表
      - 物料申明明细信息、网点物料调配申请等
    - ORG：组织机构数据
      - 部门信息、员工信息等
    - EOS：字典信息表
      - 存放不同状态标识的字典

  核心数据表

  - 运营分析
      - 工单分析、安装分析、维修分析、巡检分析、改造分析、来电受理分析
    - 提高服务质量
      - 回访分析
    - 运营成本核算
      - 收入、支持分析

全量与增量分析

了解全量表与增量表数据采集需求
实施
全量表
    - 所有维度数据表
    - 场景：不会经常发生变化的数据表，例如维度数据表等
    - 数据表：组织机构信息、地区信息、服务商信息、数据字典等
    - 表名：参考文件《full_import_tables.txt》
  - **增量表**
    - 所有事务事实的数据表
    - 场景：经常发生变化的数据表，例如业务数据、用户行为数据等
    - 数据表：工单数据信息、呼叫中心信息、物料仓储信息、报销费用信息等
    - 表名：参考文件《incr_import_tables.txt》
 

Sqoop命令回顾

目标：掌握Sqoop常用命令的使用

路径

  - step1：语法
  - step2：数据库参数
  - step3：导入参数
  - step4：导出参数
  - step5：其他参数

实施

语法

  - **数据库参数**

    - --connect jdbc:mysql://hostname:3306
    - --username
    - --password
    - --table
    - --columns
    - --where
    - -e/--query

  - **导入参数**

    - --delete-target-dir
    - --target-dir
    - --hcatalog-database
    - --hcatalog-table

  - **导出参数**

    - --export-dir
    - --hcatalog-database
    - --hcatalog-table

  - **其他参数**

    - -m

- 查看结果

 

 YARN资源调度及配置

实现YARN的资源调度配置

实施

  - 常用端口记住：排错

    - NameNode：8020,50070
  - ResourceManager：8032,8088
    - JobHistoryServer：19888
    - Master：7077,8080
    - HistoryServer：18080

  - YARN调度策略

    - FIFO：不用
      - 单队列，队列内部FIFO，所有资源只给一个程序运行
    - Capacity：Apache
      - 多队列，队列内部FIFO，资源分配给不同的队列，队列内部所有资源只给一个程序运行
    - Fair：CDH
      - 多队列，队列内部共享资源，队列内部的资源可以给多个程序运行

  - YARN面试题

    - 程序提交成功，但是不运行而且不报错，什么问题，怎么解决？
      - 资源问题：APPMaster就没有启动
      - 环境问题
        - NodeManager进程问题：进程存在，但不工作
        - 机器资源不足导致YARN或者HDFS服务停止：磁盘超过90%，所有服务不再工作
        - 解决：实现监控告警：80%，邮件告警
    - YARN中程序运行失败的原因遇到过哪些？
      - 代码逻辑问题
      - 资源问题：Container
        - Application  / Driver：管理进程
        - MapTask和ReduceTask / Executor：执行进程
      - 解决问题：配置进程给定更多的资源

 问题3：怎么提高YARN集群的并发度？

    - 物理资源、YARN资源、Container资源、进程资源