etl工作中的设计问题

背景1 ： 随着接入数据和处理数据的增加，生产脚本也越来越多，脚本由于前期的开发人员没有做到规范管理，导致脚本很乱。

解决方案：

   1） 在lunix上规范目录，按平台，业务模块分目录存放。

   2） 做好版本管理，提交到生产的脚本必须要commit到svn服务器。

   3） lunix上的目录是反应到svn的目录映射。

背景2 ：脚本中很多地方有范围，指标，参数值，怎么把这些做的更灵活，而不是写死？

解决方案：

      1）尽量把中文或英文映射为数字，不仅节省存储资源，还使程序更灵活。

        比如：平台有 pc电脑，手机等，那就可以分别用1代表pc电脑 2 代表手机 3 代表其它。同时做一个码表来解释对应的关系。

          主页  0  a

          电台  1  b

          语种  2  c

          华语  3  d

 

           多级目录的解析

          /主页/电台/语种/华语      

          /0/1/2/3

          /1/2/3

           /xxx/xxx/xxx/xxx

         如果多级目录有变化，怎么自动适应目录变化或者 回归二进制本质，用二进制表示。

  2)  灵活应用参数列表，做一个的参数码表，动态生成hql语句。

     比如：现在要分时段统计，用户出现次数，时段如下：

       早上    6:00 -8:00

       上午    8:00-12:00

       中午    12:00-14:00

       下午    14:00-18:00

       晚上    18:00-23:00

      深夜     23:00-00:00

      凌晨     00:00-6:00

   

  做一个码表   id  comment   time_region   val   par1  par2

               1   早上      6:00 -8:00     1    6     8

               2   上午      8:00-12:00     2    8     12

               3   中午      12:00-14:00    3    12    14

               4   下午      14:00-18:00    4    14    18

               5   晚上      18:00-23:00    5    18    23

               6   深夜      23:00-24:00    6    23    24

               7   凌晨      00:00-6:00     7     0     6

 读取该表，动态拼hql ，用后面的val分别代表这些时段。不管以后时段怎么修改，只要修改码表就行了。

比如要写如下的hive_sql

[html] view plaincopy

insert overwrite table common.order
select
   userid
  ,case
        when hour_time>=0  and hour_time<=2  then '00_03'
        when hour_time>=3  and hour_time<=5  then '03_06'
        when hour_time>=6  and hour_time<=7  then '06_08'
        when hour_time>=8  and hour_time<=11  then '08_12'
        when hour_time>=12 and hour_time<=13  then '12_14'
        when hour_time>=14 and hour_time<=17  then '14_18'
        when hour_time>=18 and hour_time<=23  then '18_24'
        else '0'
      end
        as hour_time
   ,count(distinct dt) hour_dt_num
 where dt >='2014-10-01'
 and dt<='2014-10-30'
 group by userid,
 case when hour_time>=0  and hour_time<=2  then '00_03'
        when hour_time>=3  and hour_time<=5  then '03_06'
        when hour_time>=6  and hour_time<=7  then '06_08'
        when hour_time>=8  and hour_time<=11 then '08_12'
        when hour_time>=12 and hour_time<=13 then '12_14'
        when hour_time>=14 and hour_time<=17 then '14_18'
        when hour_time>=18 and hour_time<=23 then '18_24'
        else '0'
      end

 

可以写成这样子：

[html] view plaincopy

#!/bin/bash
#
# add by lishc  2014-11-25

mysql=`which mysql`
user="root"
password="123"
database="test"
table="parm"

command="select par1,par2,id from test.$table "
$mysql -u${user} -p${password}  -e "${command}" >m.txt

###初始化
echo "       insert overwrite table common.order">mysql.sql
echo "               select     ">>mysql.sql
echo "                      userId  " >>mysql.sql
echo "                     case  ">>mysql.sql

sed -i -e '1d' m.txt
cat m.txt |while read line
do
  par1=$(echo "${line}"|awk -F ' ' '{print $1}')
  par2=$(echo "${line}"|awk -F ' ' '{print $2}')
  id=$(echo "${line}"|awk -F ' ' '{print $3}')
   echo "par1: ${par1}"
   echo "par2: ${par2}"
   echo "                      when hour_time >=${par1}  and hour_time<=${par2}  then '${id}' ">>mysql.sql
Done

 

 3) 所有的脚本存放在数据库中，用程序解析参数，并调用执行。

      可参考kettle设计：

         每个步骤组件化：输入，输出，执行脚本，执行sql，管理执行顺序。

         由于ETL过程或数据分析模型，都是一些有序的sql或脚本操作。

萌萌的IT人