【黑马甄选离线数仓day04_维度域开发】
1. 维度主题表数据导出
1.1 PostgreSQL介绍
PostgreSQL 是一个功能强大的开源对象关系数据库系统，它使用和扩展了 SQL 语言，并结合了许多安全存储和扩展最复杂数据工作负载的功能。
官方网址：PostgreSQL: The world's most advanced open source database 中文文档：http://www.postgres.cn/docs/14/index.html
PostgreSQL数据库是目前功能最强大的开源数据库，它是最接近工业标准SQL92的查询语言,至少实现了SQL:2011标准中要求的179项主要功能中的160项（注：目前没有哪个数据库管理系统能完全实现SQL:2011标准中的所有主要功能）。
1.2 PostgreSQL基本操作
-
登录客户端
#psql -h 服务器 -p 端口地址 -d 数据库 -U 用户名
psql -h 127.0.0.1 -p 5432 -d postgres -U postgres
#密码：itcast123-
基本增删改查:
select datname from pg_database; 或 \l 查看所有的库
切换数据库: \c 数据库名称
查看所有表: \d
查看表结构: SELECT column_name FROM information_schema.columns WHERE table_name ='table_name';
其他操作跟MySQL大体类似。详情可参考拓展资料
1.3 PostgreSQL中创建结果表
所有的DWD层表都需要进行导出，这里以dwd_dim_goods_i表为例，进行演示。 其他建表语句详见 资料/代码/pg建表/postsql_dw_dim.sql
创建数据库: CREATE DATABASE dw;
通过datagrip切换到public下: 在datagrip中，点击右上方的数据库选项
创建表操作:
建表的时候学会使用快捷键
alt+鼠标左键: 字符多选
alt+鼠标左键 然后 再ctrl+shift+右键→ : 选多个单词
home: 快速到行开头
end: 快速到行结尾
CREATE TABLE IF NOT EXISTS dwd_dim_goods_i(
goods_id INT ,
goods_no VARCHAR(50) ,
goods_name VARCHAR(200) ,
first_category_id INT ,
first_category_no VARCHAR(50) ,
first_category_name VARCHAR(50) ,
second_category_id INT ,
second_category_no VARCHAR(50) ,
second_category_name VARCHAR(50) ,
third_category_id INT ,
third_category_no VARCHAR(50) ,
third_category_name VARCHAR(50) ,
brand_no VARCHAR(50) ,
spec VARCHAR(50) ,
sale_unit VARCHAR(50) ,
life_cycle_status VARCHAR(50) ,
tax_rate_status INT ,
tax_rate VARCHAR(50) ,
tax_value DECIMAL(27, 3),
order_multiple DECIMAL(27, 2),
pack_qty DECIMAL(27, 3),
split_type VARCHAR(50) ,
is_sell_by_piece INT ,
is_self_support INT ,
is_variable_price INT ,
is_double_measurement INT ,
is_must_sell INT ,
is_seasonal INT ,
seasonal_start_time VARCHAR(50) ,
seasonal_end_time VARCHAR(50) ,
is_deleted INT ,
goods_type VARCHAR(50) ,
create_time TIMESTAMP ,
update_time TIMESTAMP ,
PRIMARY KEY (goods_no)
);
COMMENT on table dwd_dim_goods_i is '商品表';
COMMENT on column dwd_dim_goods_i.goods_id is '商品ID';
COMMENT on column dwd_dim_goods_i.goods_no is '商品编码';
COMMENT on column dwd_dim_goods_i.goods_name is '名称';
COMMENT on column dwd_dim_goods_i.first_category_id is '一级分类ID';
COMMENT on column dwd_dim_goods_i.first_category_no is '一级分类编码';
COMMENT on column dwd_dim_goods_i.first_category_name is '一级分类';
COMMENT on column dwd_dim_goods_i.second_category_id is '二级分类ID';
COMMENT on column dwd_dim_goods_i.second_category_no is '二级分类编码';
COMMENT on column dwd_dim_goods_i.second_category_name is '二级分类';
COMMENT on column dwd_dim_goods_i.third_category_id is '三级分类ID';
COMMENT on column dwd_dim_goods_i.third_category_no is '三级分类编码';
COMMENT on column dwd_dim_goods_i.third_category_name is '三级分类';
COMMENT on column dwd_dim_goods_i.brand_no is '品牌编号';
COMMENT on column dwd_dim_goods_i.spec is '商品规格';
COMMENT on column dwd_dim_goods_i.sale_unit is '销售单位';
COMMENT on column dwd_dim_goods_i.life_cycle_status is '生命周期状态';
COMMENT on column dwd_dim_goods_i.tax_rate_status is '税率审核状态 (0：未提交审核 1：待财务审核 2：税率已审核 3：未通过)';
COMMENT on column dwd_dim_goods_i.tax_rate is '税率code';
COMMENT on column dwd_dim_goods_i.tax_value is '税率';
COMMENT on column dwd_dim_goods_i.order_multiple is '订货倍数';
COMMENT on column dwd_dim_goods_i.pack_qty is '箱装数量';
COMMENT on column dwd_dim_goods_i.split_type is '分割属性';
COMMENT on column dwd_dim_goods_i.is_sell_by_piece is '是否拆零，0:不拆；1:拆';
COMMENT on column dwd_dim_goods_i.is_self_support is '是否自营 0:非自营；1:自营';
COMMENT on column dwd_dim_goods_i.is_variable_price is '分店可变价 0:不可；1:可以';
COMMENT on column dwd_dim_goods_i.is_double_measurement is '是否双计量商品 0:否；1:是';
COMMENT on column dwd_dim_goods_i.is_must_sell is '必卖品 0:非；1:是';
COMMENT on column dwd_dim_goods_i.is_seasonal is '季节性商品 0:非；1:是';
COMMENT on column dwd_dim_goods_i.seasonal_start_time is '季节性开始时间';
COMMENT on column dwd_dim_goods_i.seasonal_end_time is '季节性结束时间';
COMMENT on column dwd_dim_goods_i.is_deleted is '是否删除0:正常；1:删除';
COMMENT on column dwd_dim_goods_i.goods_type is '商品类型 1-国产食品 2-进口食品 3-国产非食品 4-进口非食品';
COMMENT on column dwd_dim_goods_i.create_time is '该记录创建时间';
COMMENT on column dwd_dim_goods_i.update_time is '该记录最后更新时间';1.4 基于DataX完成数据导出
新建postgresql-dw数据源
构建任务
hive中以-i结尾的维表是有分区的,每个分区保存一个快照，而postgresql中只保留最新的快照数据。所以构建reader读取hive表时不需要dt字段，导入到postgresql时，默认只导入最新的快照。
另外，为了防止postgresql中的历史数据有脏数据，在导入之前可以先清空数据。所以在构建postgresql writer时，需要加上前置sql：truncate table public.dwd_dim_goods_i。
操作如下:
注意：在构建reader时，要指定导出的分区，指定的方式是在path中通过传参的方式，${partition}在运行时动态指定。
这个案例中path为：/user/hive/warehouse/dim.db/dwd_dim_goods_i/${partition}
依次点击构建、选择模板。
编辑任务:
注意：如果是以-f结尾的维表，因为没有分区，在指定path路径以及在最后指定参数时，都不需要考虑分区。
执行任务:
按照以上步骤配置完dwd层所有维表导出任务的配置。
2. 基于海豚调度完成维度主题上线
2.1 DS的基本介绍
DS是apache旗下的顶级开源项目, 是一款工作流的任务调度的系统, 可以对工作流的定时周期化的调度工作, DS早期来自于国内的易观大数据公司开发, 最终贡献给Apache
2.2 DS的架构
针对DS的架构流程, 要求: 整个过程能够讲的出来
通过UI进行工作流的配置操作, 配置完成后, 将其提交执行, 此时执行请求会被API服务接收到, 接收到后, 随机选择一台Master来完成任务的处理(DAG, 任务分配, 资源处理)(底层最终是有对应scheduler具体完成)(Master是去中心化的),完成分配后, 将对应执行的任务交给对应worker(从节点)来执行, worker对应有一个logger服务进行日志的记录, 在执行过程中, 通过logger实时查看执行日志, 当执行完成后, 通知Master, Master进行状态变更,同时告警服务实时监控状态, 一旦发现状态出现异常, 会立即根据所匹配的告警方案, 通知给相关的人员
2.3 如何启动DS
cd /export/server/dolphinscheduler/
./bin/start-all.sh
如何访问DS:
访问地址: http://192.168.88.80:12345/dolphinscheduler/ui/view/login/index.html 用户名: admin 密码: dolphinscheduler123
2.4 DS的安全中心
2.4.1 队列和租户
2.4.2 用户管理
2.4.3 告警组
2.4.4 worker分组
一般在安装DS的时候会直接配置好
2.4.5 权限管理
2.5 项目和调度操作[练习]
创建项目
创建工作流
-
创建目录节点:
-
创建文件节点:
-
建立连接:
保存工作流:
上线运行工作流
-
注意如下配置选项:
配置解释如下:
点击上线工作流
查看工作流状态:
2.6 数据源中心
作用: 用于配置在工作流中需要连接各个数据源信息
比如: 工作流中需要直接连接HIVE,那么我们就可以配置一个HIVE的数据源
连接HIVE的数据源:
2.7 进行部署上线操作
注意: 从业务库 –> ODS层操作, 是由DataX-Web进行周期调度执行处理, 每天凌晨20分开始运行, 此部分我们不需要在DS中配置
本次上线: 需要将从ODS –> DWD –> 数据导出 整个流程需要在DS中进行配置
注意: worker分组, 必须只能选择hadoop01(因为DataX Hive 都在Hadoop01节点上, Hadoop02没有的)
start的shell节点
-
1- 创建一个 start的shell节点, 表示整个工作流的开始
无分区表
ODS层到DWD层
-
2- 配置 ODS层 到 DWD层相关SQL语句 (以其中一个表详细记录)
insert overwrite table dim.dwd_dim_date_f
select
trade_date,
year_code,
month_code,
day_code,
quanter_code,
quanter_name,
week_trade_date,
month_trade_date,
week_end_date,
month_end_date,
last_week_trade_date,
last_month_trade_date,
last_week_end_date,
last_month_end_date,
year_week_code,
week_day_code,
day_year_num,
month_days,
is_weekend,
days_after1,
days_after2,
days_after3,
days_after4,
days_after5,
days_after6,
days_after7
from dim.ods_dim_date_f
-- 开启动态分区方案
-- 开启非严格模式
set hive.exec.dynamic.partition.mode=nonstrict;
-- 开启动态分区支持(默认true)
set hive.exec.dynamic.partition=true;
-- 设置各个节点生成动态分区的最大数量: 默认为100个 (一般在生产环境中, 都需要调整更大)
set hive.exec.max.dynamic.partitions.pernode=10000;
-- 设置最大生成动态分区的数量: 默认为1000 (一般在生产环境中, 都需要调整更大)
set hive.exec.max.dynamic.partitions=100000;
-- hive一次性最大能够创建多少个文件: 默认为10w
set hive.exec.max.created.files=150000;
--hive压缩
--开启中间结果压缩
set hive.exec.compress.intermediate=true;
--开启最终结果压缩
set hive.exec.compress.output=true;
--写入时压缩生效
set hive.exec.orc.compression.strategy=COMPRESSION;连线:
DWD层导出到PG
思路: 在DataX中配置每一个表从dwd到PG的Json文件, 然后通过shell命令执行调度即可
cd /export/server/datax/job/
mkdir -p dim_dwd2pg_job
cd dim_dwd2pg_job/配置json文件:
vim hive2pg_dwd_dim_date_f.json输入 i 进入插入模式: 对应的Json内容, 可以直接从datax-web中获取对应json内容 (注意: 需要将密码修改回来, 不要使用加密, 因为加密的是datax-web加的, 与datax没关系)
接下来直接在DS中配置使用即可
JOB_DIR="/export/server/datax/job/自己job目录名称/自己json文件名称.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_date_f"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py $JOB_DIR
else
echo "路径不存在"
fi
上线运行
尝试上线运行, 查看是否可以导入以及是否可以导出数据
建议: 可以将pg中对应表数据清空表以及HIVE中表数据清空掉
保存上线, 运行
验证: 通过DS的状态以及通过hive表和pg表查看是否成功
有分区表
ODS层到DWD层:
DWD层导出到PG
cd /export/server/datax/job/dim_dwd2pg_job/
vim hive2pg_dwd_dim_source_type_map_i.json输入i进入插入模式 添加json配置: 此配置直接从datax-web中获取, 注意更改用户和密码
partition="dt=${inputdate}"
JOB_DIR="/export/server/datax/job/自己job目录名称/自己json文件名称.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_source_type_map_i/${partition}"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py -p "-Dpartition=$partition" $JOB_DIR
else
echo "路径不存在"
fi
点击保存, 设置全局参数: inputdate
上线运行
上线, 测试 查看是否可以正常导入:
完整工作流图
DS的定时操作:
设置, 定时的状态是下线状态, 需要将其调整为上线
附录:
hive参数配置
说明: 发现在执行数据导入到各个层次的时候, 需要在执行SQL之前, 添加很多的set的参数, 而且每个表的参数基本是一样的, 此时可以尝试将其配置到HIVE的公共部分
-
选择Hive,点击配置，搜索hive-site,然后选择hive-site.xml 的 HiveServer2 高级配置代码段（安全阀），然后点击加号，将参数进行一个一个的配置
配置后, 点击保存更改,然后重启相关服务
pg所有脚本
以job目录为: dim_job为例
hive2pg_dwd_dim_date_f
JOB_DIR="/export/server/datax/job/dim_job/dwd_dim_date_f.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_date_f"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py $JOB_DIR
else
echo "路径不存在"
fihive2pg_dwd_dim_category_statistics_i
partition="dt=${inputdate}"
JOB_DIR="/export/server/datax/job/dim_job/dwd_dim_category_statistics_i.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_category_statistics_i/${partition}"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py -p "-Dpartition=$partition" $JOB_DIR
else
echo "路径不存在"
fihive2pg_dwd_dim_goods_i
partition="dt=${inputdate}"
JOB_DIR="/export/server/datax/job/dim_job/dwd_dim_goods_i.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_goods_i/${partition}"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py -p "-Dpartition=$partition" $JOB_DIR
else
echo "路径不存在"
fihive2pg_dwd_dim_store_goods_i
partition="dt=${inputdate}"
JOB_DIR="/export/server/datax/job/dim_job/dwd_dim_store_goods_i.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_store_goods_i/${partition}"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py -p "-Dpartition=$partition" $JOB_DIR
else
echo "路径不存在"
fihive2pg_dwd_dim_store_clear_goods_i
partition="dt=${inputdate}"
JOB_DIR="/export/server/datax/job/dim_job/dwd_dim_store_clear_goods_i.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_store_clear_goods_i/${partition}"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py -p "-Dpartition=$partition" $JOB_DIR
else
echo "路径不存在"
fihive2pg_dwd_dim_source_type_map_i
partition="dt=${inputdate}"
JOB_DIR="/export/server/datax/job/dim_job/dwd_dim_source_type_map_i.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_source_type_map_i/${partition}"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py -p "-Dpartition=$partition" $JOB_DIR
else
echo "路径不存在"
fihive2pg_dwd_dim_store_i
partition="dt=${inputdate}"
JOB_DIR="/export/server/datax/job/dim_job/dwd_dim_store_i.json"
hdfs_path="/user/hive/warehouse/dim.db/dwd_dim_store_i/${partition}"
if hdfs dfs -test -e "$hdfs_path";
then
python /export/server/datax/bin/datax.py -p "-Dpartition=$partition" $JOB_DIR
else
echo "路径不存在"
fi