Hadoop入门学习笔记——八、数据分析综合案例

视频课程地址：https://www.bilibili.com/video/BV1WY4y197g7
课程资料链接：https://pan.baidu.com/s/15KpnWeKpvExpKmOC8xjmtQ?pwd=5ay8

Hadoop入门学习笔记（汇总）

八、数据分析综合案例

8.1. 需求分析

8.1.1. 背景介绍

聊天平台每天都会有大量的用户在线，会出现大量的聊天数据，通过对聊天数据的统计分析，可以更好的对用户构建精准的用户画像，为用户提供更好的服务以及实现高ROI的平台运营推广，给公司的发展决策提供精确的数据支撑。
我们将基于一个社交平台App的用户数据，完成相关指标的统计分析并结合BI工具对指标进行可视化展现。

8.1.2. 目标

基于Hadoop和Hive实现聊天数据统计分析，构建聊天数据分析报表

8.1.3. 需求

• 统计今日总消息量
• 统计今日每小时消息量、发送和接收用户数
• 统计今日各地区发送消息数据量
• 统计今日发送消息和接收消息的用户数
• 统计今日发送消息最多的Top10用户
• 统计今日接收消息最多的Top10用户
• 统计发送人的手机型号分布情况
• 统计发送人的设备操作系统分布情况

8.1.4. 数据内容

• 数据大小：30万条数据
• 列分隔符：Hive默认分隔符‘\001’
• 数据字典及样例数据

8.2. 加载数据

1、创建库表

-- 如果数据库已存在就删除
drop database if exists db_msg cascade;

-- 创建数据库
CREATE database db_msg;

-- 选择数据库
use db_msg;

--如果表已存在就删除
drop table if exists db_msg.tb_msg_source;

-- 建表
create table db_msg.tb_msg_source(
msg_time string comment "消息发送时间",
sender_name string comment "发送人昵称",
sender_account string comment "发送人账号",
sender_sex string comment "发送人性别",
sender_ip string comment "发送人ip地址",
sender_os string comment "发送人操作系统",
sender_phonetype string comment "发送人手机型号",
sender_network string comment "发送人网络类型",
sender_gps string comment "发送人的GPS定位",
receiver_name string comment "接收人昵称",
receiver_ip string comment "接收人IP",
receiver_account string comment "接收人账号",
receiver_os string comment "接收人操作系统",
receiver_phonetype string comment "接收人手机型号",
receiver_network string comment "接收人网络类型",
receiver_gps string comment "接收人的GPS定位",
receiver_sex string comment "接收人性别",
msg_type string comment "消息类型",
distance string comment "双方距离",
message string comment "消息内容"
);

2、数据导入
将课程资料中的chat_data-30W.csv文件上传到node1服务器的/home/hadoop目录下；

在Linux系统内执行以下命令：

# 切换工作目录
cd /home/hadoop

# 在HDFS系统中创建/chatdemo/data目录
hadoop fs -mkdir -p /chatdemo/data

# 将chat_data-30W.csv文件从Linux上传到HDFS系统中
hadoop fs -put chat_data-30W.csv /chatdemo/data

在DBeaver中执行以下命令：

-- 从HDFS系统中加载数据到Hive表
load data inpath '/chatdemo/data/chat_data-30W.csv' into table tb_msg_source;

-- 验证数据加载
SELECT * FROM tb_msg_source tablesample(100 rows);

-- 验证表中的数据条数
SELECT COUNT(*) from tb_msg_source tms ; 

8.3. ETL数据清洗转换

由于原始数据中存在部分不合规的数据，所以需要对数据进行清洗。
1、原始数据存在的问题

• 问题1：当前数据中，有一些数据的字段（如sender_gps）为空，不是合法数据；
• 问题2：需求中，需要统计每天、每个小时的消息量，但是数据中没有天和小时字段，只有整体时间字段，不好处理；
• 问题3：需求中，需要对经度和维度构建地区的可视化地图，但是数据中GPS经纬度为一个字段，不好处理；

2、数据清洗需求

• 需求1：对字段为空的不合法数据进行过滤；
• 需求2：通过时间字段构建天和小时字段；
• 需求3：从GPS的经纬度中提取经度和维度；
• 需求4：将ETL以后的结果保存到一张新的Hive表中。

-- 创建存储清洗后数据的表
create table db_msg.tb_msg_etl(
msg_time string comment "消息发送时间",
sender_name string comment "发送人昵称",
sender_account string comment "发送人账号",
sender_sex string comment "发送人性别",
sender_ip string comment "发送人ip地址",
sender_os string comment "发送人操作系统",
sender_phonetype string comment "发送人手机型号",
sender_network string comment "发送人网络类型",
sender_gps string comment "发送人的GPS定位",
receiver_name string comment "接收人昵称",
receiver_ip string comment "接收人IP",
receiver_account string comment "接收人账号",
receiver_os string comment "接收人操作系统",
receiver_phonetype string comment "接收人手机型号",
receiver_network string comment "接收人网络类型",
receiver_gps string comment "接收人的GPS定位",
receiver_sex string comment "接收人性别",
msg_type string comment "消息类型",
distance string comment "双方距离",
message string comment "消息内容",
msg_day string comment "消息日",
msg_hour string comment "消息小时",
sender_lng double comment "经度",
sender_lat double comment "纬度"
);


-- 按照需求对原始数据表中的数据进行过滤，然后插入新建的表中
INSERT OVERWRITE TABLE db_msg.tb_msg_etl
SELECT 
	*,
	DATE(msg_time) as msg_day,
	HOUR(msg_time) as msg_hour,
	SPLIT(sender_gps, ',')[0] as sender_lng,
	SPLIT(sender_gps, ',')[0] as sender_lat
FROM db_msg.tb_msg_source
WHERE LENGTH(sender_gps) > 0;

执行完毕后，打开tb_msg_etl表，可以看到以下数据

扩展知识：ETL
从表tb_msg_source 查询数据进行数据过滤和转换，并将结果写入到：tb_msg_etl表中的操作。这种操作，本质上是一种简单的ETL行为。
ETL：

• E，Extract，抽取
• T，Transform，转换
• L，Load，加载

从A抽取数据(E)，进行数据转换过滤(T)，将结果加载到B(L)，就是ETL。

8.4. 指标统计

1、指标1：统计每日发送的消息总量

-- 统计每日消息总量
CREATE table db_msg.tb_rs_total_msg_cnt comment '每日消息总量' as
SELECT msg_day, COUNT(*) as total_msg_cnt  FROM db_msg.tb_msg_etl GROUP BY msg_day;

2、指标2：统计每小时消息量、发送和接收用户数

-- 统计每小时消息量、发送和接收用户数
CREATE table db_msg.tb_rs_hour_msg_cnt comment '每小时消息量情况' as
SELECT
	msg_hour,
	COUNT(*) as total_msg_cnt,
	COUNT(DISTINCT sender_account) as sender_user_cnt,
	COUNT(DISTINCT receiver_account) as receiver_user_cnt
FROM
	db_msg.tb_msg_etl
GROUP BY
	msg_hour;

3、指标3：统计每日各地区发送消息总量

-- 每日各地区发送消息总量
CREATE table db_msg.tb_rs_loc_cnt comment '每日各地区发送消息总量' as
SELECT
	msg_day,
	sender_lng,
	sender_lat,
	COUNT(*) as total_msg_cnt
FROM db_msg.tb_msg_etl 
GROUP BY msg_day, sender_lng, sender_lat;

4、指标4：统计每日发送和接收用户数

-- 每日发送和接收用户数
CREATE table db_msg.tb_rs_user_cnt comment '每日发送消息和接收消息人数' as
SELECT 
	msg_day,
	COUNT(DISTINCT sender_account) as sender_user_cnt,
	COUNT(DISTINCT receiver_account) as receiver_user_cnt 
FROM db_msg.tb_msg_etl
GROUP BY msg_day;

5、指标5：统计发送消息条数最多的TOP10用户

-- 发送消息条数最多的前10个用户
CREATE table db_msg.tb_rs_sneder_user_top10 comment '发送消息条数最多的10个用户' as
SELECT 
	sender_name,
	COUNT(*) as sender_msg_cnt 
FROM db_msg.tb_msg_etl
GROUP BY sender_name
SORT BY sender_msg_cnt DESC 
LIMIT 10;

6、指标6：统计接收消息条数最多的TOP10用户

-- 接收消息条数最多的10个用户
CREATE table db_msg.tb_rs_receiver_user_top10 comment '接收消息条数最多的10个用户' as
SELECT 
	receiver_name,
	COUNT(*) as receiver_msg_cnt 
FROM db_msg.tb_msg_etl
GROUP BY receiver_name 
SORT BY receiver_msg_cnt DESC 
LIMIT 10;

7、指标7：统计发送人的手机型号

-- 统计发送人的手机型号
CREATE table db_msg.tb_rs_sender_phone comment '发送人手机型号分布' as
SELECT 
	sender_phonetype,
	COUNT(*) as cnt
FROM db_msg.tb_msg_etl
GROUP BY sender_phonetype;

8、指标8：统计发送人的设备操作系统分布情况

-- 统计发送人的设备操作系统分布情况
CREATE table db_msg.tb_rs_sender_os comment '发送人设备操作系统分布' as
SELECT 
	sender_os,
	COUNT(*) as cnt
FROM db_msg.tb_msg_etl tme 
GROUP BY sender_os;

8.5. FineBI安装&配置

8.5.1. FineBI的下载和安装

1、打开FineBI官方https://www.finebi.com/，注册并下载FineBI个人试用版本客户端；

2、在本地物理机上安装刚才下载的客户端（和安装其他软件一样的操作），安装完成之后，启动FineBI客户端；

3、启动之后，输入FineBI官网提供的激活码，然后点击“使用BI”按钮，此时FineBI客户端开始启动（这个过程可能较长，需要耐心等待，过程中可能会弹出openJDK请求防火墙的权限，需要同意）；


4、FineBI客户端启动成功后，会自动打开浏览器，并打开http://localhost:37799/webroot/decision/login/initialization网页，进入配置页面，此时可以配置BI软件的管理员账号、密码；

5、账号设置完毕后，需要配置FineBI的数据库，FineBI类似于Hive也有元数据需要管理，对于个人使用来说，可以使用FineBI的内置数据库，若是生产环境使用，则建议使用外接数据库；

6、点击“直接登录”之后，BI系统会自动跳转到登录界面，输入刚才设置的管理员账号和密码进行登录；

7、登录FineBI系统后，可以在其目录内发现一些内置的模板和样例数据，以及新手入门指引等，可以作为配置个人所需模板的参考；

至此，FineBI客户端已安装完毕。

8.5.2. 配置FineBI与Hive的连接

1、接下来需要配置FineBI连接Hive的隔离插件。进入FineBI系统中，在“管理系统-插件管理-我的插件-从本地安装”，然后选择课程资料中，FineBI文件夹中的fr-plugin-hive-driver-loader-3.0.zip，然后系统会安装Hive隔离插件；



2、然后，使用记事本打开FineBI安装目录下webapps\webroot\WEB-INF\embed\finedb目录下的db.script文件，将其中的INSERT INTO FINE_CONF_ENTITY VALUES('SystemConfig.driverUpload','false')修改为INSERT INTO FINE_CONF_ENTITY VALUES('SystemConfig.driverUpload','true')。这样才能安装Hive驱动。

3、然后，重启FineBI客户端，先关闭FineBI客户端，然后再在桌面重新打开FineBI的客户端；


4、重新登录系统后，需要先安装Hive驱动，打开FineBI官方帮助手册，Hadoop Hive数据连接章节：https://help.fanruan.com/finebi/doc-view-301.html，根据其指示下载对应版本的驱动包和日志jar包；

5、下载完成后，将两个压缩包里的所有jar文件解压到一个文件夹中；

6、在系统中，依次点击“管理系统-数据连接-数据连接管理-驱动管理”，进入驱动管理界面；

7、在驱动管理界面点击“新建驱动”按钮，填写驱动名称，然后点击“确定”按钮；

8、然后点击“上传文件”按钮，将刚才解压的所有jar文件选中上传；

9、上传完成后，在“驱动”栏选择Hive驱动，然后点击右上角的“保存”按钮，完成Hive驱动的添加。添加成功后，点击左上角的“退出驱动管理”按钮；

10、点击数据连接管理界面的“新建数据连接”按钮，打开新建数据连接界面；

11、在打开的页面中选择“所有”选项卡，然后点击“Hadoop Hive”；

12、在Hadoop Hive页面填写虚拟机Hive服务（即hiveserver2服务）的相关信息，填写完毕后，点击右上角的“测试连接”按钮，看到“连接成功”提示代表配置成功，然后点击右上角的“保存”按钮，Hive连接创建完毕。

至此，FineBI到Hive的数据连接配置完成。后续将进行可视化面板的配置。

8.6. 可视化展示

本节的目标是使用FineBI配置出如下的可视化看板。

1、创建报表。登录系统后，依次点击“公共数据-新建文件夹”，创建本案例中所使用的文件夹，然后给文件夹命名为“Hive数据分析”。

2、选择刚才新建的“Hive数据分析”文件夹，然后点击上方的“新建数据集”按钮，选择“数据库表”。

3、然后将前面章节所创建的8个指标的数据表选中，然后点击右上角的“确定”按钮；

4、点击“确定”后，可以看到在“Hive数据分析”文件夹下出现了前面选中的表（以表注释命名）；

5、依次点开每张表，然后点击“更新数据”按钮，将Hive中的数据拉取过来；

6、依次点击“我的分析-新建文件夹”，将新建的文件夹命名为“Hive数据分析”；

7、选择“Hive数据分析”，然后点击“新建分析主题”，会在另一个浏览器窗口打开分析主题页面；

8、在分析主题页面选择“公共数据”-刚才新建的Hive数据分析数据集中的“每日发送消息和接收消息人数”，然后点击“确定”按钮，将该数据构建进来；

9、构建好后，点击下方的“组件”Tab，进入组件配置中，选择“KPI指标卡”，然后将左侧的“sender_user_cnt”字段拖动到“文本”栏中，然后点击文本栏的配置按钮；

10、在弹出的文本栏配置中，取消“固定字体大小”，然后编辑内容，将内容的前缀改为“发送消息人数：”即可；


11、对组件Tab进行重命名，改为“发送消息人数”，然后点击页面下部的“添加仪表板”按钮，添加一个仪表板；

12、然后在仪表板中，将刚才配置好的“发送消息人数”组件拖动到仪表板上，并调整好位置和大小，点击组件旁边的下拉按钮，取消“显示标题”的勾选；

13、然后点击右上角的“仪表板样式”，选择“默认暗黑”就可以修改整个数据看板的背景；

14、然后相同的方式，新建“接收消息人数”的组件，并摆放在该仪表板上；

15、选择“数据”Tab，然后点上面的“+”按钮，然后选择“公共数据-Hive数据分析-每日消息总量”，然后点击确定；

16、然后添加“总消息数”组件，参考上面完成组件配置，并摆放在仪表板上；


17、按照类似方法创建“发送消息最多的用户TOP10”组件；