采集微博数据ETL项目总结

• • 中小型数据仓库项目的标准开发流程
    • 以数据流来驱动项目开发
    • 以已下载微博数据ETL项目为例
      • 1、基于定的微博数据目录，拿到该目录下所有的输入数据的文件路径。（技术问题done）
      • 2、基于文件路径，读取文本文件的数据。
      • 3、解析读取出来的文件数据，成为结构化数据-微博博文对象抽象类-ContentPojo，最终获取对应的对象集合。（技术问题done）
      • 4、解析读取出来的文件数据，成为结构化数据-用户对象抽象类-UserPojo, 最终获取对应的对象集合。（技术问题done）
      • 5、将两个抽象的对象集合，进行文本化数据落地，形成待load到hive的数据文件。
      • 6、load两个类型的文件数据到hive的两张表当中。(提前创建两张表，均为外表)
      • 7、测试数据及查询结果的准确性。
  • Java操作正则
    • 1） java对正则的核心抽象
      • Pattern：模式匹配引擎
      • Matcher：获取匹配结果
    • 2） Pattern.compile(regex)来获Pattern对象。
      • Pattern.match(input)来获取matcher对象。
  • Matcher获取数据的3种方式
    • Matches:全部匹配
    • lookingAt:前向匹配
    • find：任意位置匹配均可。
    • 取值API
      • Matcher.group来获取匹配到的值
• 抽象封装的分类
  • 方法抽象或是字段抽象
  • 类抽象
  • 库抽象-log4j,neo4j
  • 组件抽象-spring,ssm,springcloud
  • 子系统抽象-hdfs,mapreduce等更大级别的抽象
• 如何做方法或是字段抽象
  • 1、先写测试类
    • 黑猫白猫抓住老鼠就是好猫。
  • 2、确定输入与输出的抽象
    • Input
    • Output
  • 3、抽象成方法及其修饰符
    • 方法名称
      • 见名知义：getMatchContent,getMatchGroupContent,getRegexContent。
    • 是类方法还是成员方法
      • 一个方法解决战斗，不需要依赖外部的成员对象，则使用静态方法。
      • 如果还需要依赖外部成员对象，则必须使用成员方法。
    • 抽象成类
      • 基于方法的功能特性，起一个见名知义、有一定扩展的更高级抽象的名称。
      • 比如：RegexUtil
  • 中小型数据仓库项目的标准开发流程
    • 以数据流来驱动项目开发
    • 以已下载微博数据ETL项目为例
      • 1、基于定的微博数据目录，拿到该目录下所有的输入数据的文件路径。（技术问题done）
      • 2、基于文件路径，读取文本文件的数据。(done)
      • 3、解析读取出来的文件数据，成为结构化数据-微博博文对象抽象类-ContentPojo，最终获取对应的对象集合。（技术问题done）
      • 4、解析读取出来的文件数据，成为结构化数据-用户对象抽象类-UserPojo, 最终获取对应的对象集合。（技术问题done）
      • 5、将两个抽象的对象集合，进行文本化数据落地，形成待load到hive的数据文件。
      • 6、load两个类型的文件数据到hive的两张表当中。(提前创建两张表，均为外表)
      • 7、测试数据及查询结果的准确性。  
• 封装分类-按其用途
  • 1、技术型封装-工具类
  • 2、业务型封装-业务管理类
• 解析特殊情况数据的处理方法
  • 1、经验处理法
  • 2、case by case,one by one
• 数据分析题目录中的权重打法
  • 1、拿出所有的候选因子
  • 2、对候选因子，先定性、再定量
    • 定性：定性原则即为物以稀为贵。
    • 定量：目前没有一个比较成熟、公认的搞法，更多是靠业务专家的主观定量后，再进行review来最终确定。
• 一般性用户数据分析的分类
  • 活跃度分析
  • 行为特征分析
• 正则匹配当中的贪婪匹配规则
  • 当正则表达式匹配到多个输入时，采集贪婪算法，总是拿最后一个、即最长匹配值作为最终的结果。