hive数仓中数据的终点站-可视化报表和即席查询

可视化报表-Superset

Apache Superset是一个开源的、现代的、轻量级BI分析工具，能够对接多种数据源、拥有丰富的图标展示形式、支持自定义仪表盘，且拥有友好的用户界面，十分易用。

1.0Superset安装方法

Superset是由Python语言编写的Web应用，要求Python3.6的环境。

1.1 安装Miniconda

conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同Python版本的软件包及其依赖，并能够在不同的Python环境之间切换，Anaconda包括Conda、Python以及一大堆安装好的工具包，比如：numpy、pandas等，Miniconda包括Conda、Python。
此处，我们不需要如此多的工具包，只是用来管理不同版本的Python环境，故选择MiniConda。

1）下载Miniconda（Python3版本）

下载地址：https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

2）安装Miniconda（需要连网）

（1）将Miniconda3-latest-Linux-x86_64.sh上传到/opt/module/路径
（2）执行以下命令进行安装，并按照提示操作，直到安装完成。

[user@hadoop102 module]$ bash Miniconda3-latest-Linux-x86_64.sh

（3）一直按回车键，直到出现Please answer ‘yes’ or ‘no’:’

Please answer 'yes' or 'no':'
>>> yes

（4）指定安装路径（根据用户需求指定）：/opt/module/miniconda3

[/home/atguigu/miniconda3] >>> /opt/module/miniconda3

（5）是否初始化Miniconda3，输入yes

Do you wish the installer to initialize Miniconda3
by running conda init? [yes|no]
[no] >>> yes

（6）出现以下字样，即为安装完成

Thank you for installing Miniconda3!

3）加载环境变量配置文件，使之生效

（1）配置环境变量

[user@hadoop102 miniconda3]$ sudo vim /etc/profile.d/my_env.sh

添加如下内容

export CONDA_HOME=/opt/module/miniconda3
export PATH=$PATH:$CONDA_HOME/bin

（2）source一下环境变量或者重启一下连接虚拟机的客户端

[user@hadoop102 miniconda3]$ source /etc/profile.d/my_env.sh

4）取消激活base环境

Miniconda安装完成后，每次打开终端都会激活其默认的base环境，我们可通过以下命令，禁止激活默认base环境。

[user@hadoop102 ~]$ conda config --set auto_activate_base false

1.2 创建Python3.6环境

1）配置conda国内镜像（清华）

[user@hadoop102 ~]$ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

[user@hadoop102 ~]$ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

[user@hadoop102 ~]$ conda config --set show_channel_urls yes

2）创建Python3.6环境

[user@hadoop102 ~]$ conda create --name superset python=3.6

说明：
 conda环境管理常用命令
 创建环境：conda create -n env_name
 查看所有环境：conda info --envs
 删除一个环境：conda remove -n env_name --all

3）激活superset环境

[user@hadoop102 ~]$ conda activate superset

激活后效果如下图所示

说明：退出当前环境

(superset) [user@hadoop102 ~]$ conda deactivate

1.3 安装Superset

1）安装Superset依赖

(superset) [user@hadoop102 ~]$ sudo yum install -y python-setuptools
(superset) [user@hadoop102 ~]$ sudo yum install -y gcc gcc-c++ libffi-devel python-devel python-pip python-wheel openssl-devel cyrus-sasl-devel openldap-devel

2）安装（更新）setuptools和pip（豆瓣）

(superset) [user@hadoop102 ~]$ pip install --upgrade setuptools pip -i https://pypi.douban.com/simple/

说明：pip是python的包管理工具，可以和centos中的yum类比

3）安装Supetset

(superset) [user@hadoop102 ~]$ pip install apache-superset -i https://pypi.douban.com/simple/

说明：-i的作用是指定镜像，这里选择国内镜像（豆瓣）

4）初始化Supetset数据库（Supetset是一个web应用，自带数据库，需要初始化）

(superset) [user@hadoop102 ~]$ superset db upgrade

5）创建管理员用户

(superset) [user@hadoop102 ~]$ export FLASK_APP=superset
(superset) [user@hadoop102 ~]$ flask fab create-admin
Username [admin]: user
User first name [admin]: user
User last name [user]: user
Email [admin@fab.org]:
Password: 123456
Repeat for confirmation: 123456
说明：flask是一个python web框架，Superset使用的就是flask

6）Superset初始化

(superset) [user@hadoop102 ~]$ superset init

1.4 启动Supterset

1）安装gunicorn

(superset) [user@hadoop102 ~]$  pip install gunicorn -i https://pypi.douban.com/simple/

说明：gunicorn是一个Python Web Server，可以和java中的TomCat类比

2）启动Superset
第一步：确保当前conda环境为superset，及下图所示

(superset) [user@hadoop102 ~]$

第二步：启动

(superset) [user@hadoop102 ~]$  gunicorn --workers 5 --timeout 120 --bind hadoop102:8787  "superset.app:create_app()" --daemon 

说明：
 workers：指定进程个数
 timeout：worker进程超时时间，超时会自动重启
 bind：绑定本机地址，即为Superset访问地址
 daemon：后台运行
3）停止superset
（1）停掉gunicorn进程

(superset) [user@hadoop102 ~]$ ps -ef | awk '/gunicorn/ && !/awk/{print $2}' | xargs kill -9

（2）退出superset环境

(superset) [user@hadoop102 ~]$  conda deactivate

4）登录Superset
访问http://hadoop102:8787，并使用1.3节中第5步创建的管理员账号进行登录。
例如：用户名：user 密码：123456

1.5 对接MySQL数据源

1.5.1 安装依赖

1）安装连接MySQL数据源的依赖

(superset) [user@hadoop102 ~]$ conda install mysqlclient
Proceed ([y]/n)? y

说明：对接不同的数据源，需安装不同的依赖，以下地址为官网说明
https://superset.apache.org/docs/databases/installing-database-drivers

2）重启Superset

(superset) [user@hadoop102 ~]$ superset.sh restart

之后可按照页面的推荐进行表格个仪表盘的设计和展示:

即席查询Presto

1.0 Presto优缺点

1.1 Presto的安装

0）官网地址

https://prestodb.github.io/

1）下载地址

https://repo1.maven.org/maven2/com/facebook/presto/presto-server/0.196/presto-server-0.196.tar.gz

2）将presto-server-0.196.tar.gz导入hadoop102的/opt/software目录下，并解压到/opt/module目录

[user@hadoop102 software]$ tar -zxvf presto-server-0.196.tar.gz -C /opt/module/

3）修改名称为presto

[user@hadoop102 module]$ mv presto-server-0.196/ presto

4）进入到/opt/module/presto目录，并创建存储数据文件夹

[user@hadoop102 presto]$ mkdir data

5）进入到/opt/module/presto目录，并创建存储配置文件文件夹

[user@hadoop102 presto]$ mkdir etc

6）配置在/opt/module/presto/etc目录下添加jvm.config配置文件

[user@hadoop102 etc]$ vim jvm.config

添加如下内容

-server
-Xmx16G
-XX:+UseG1GC
-XX:G1HeapRegionSize=32M
-XX:+UseGCOverheadLimit
-XX:+ExplicitGCInvokesConcurrent
-XX:+HeapDumpOnOutOfMemoryError
-XX:+ExitOnOutOfMemoryError

7）Presto可以支持多个数据源，在Presto里面叫catalog，这里我们配置支持Hive的数据源，配置一个Hive的catalog

[user@hadoop102 etc]$ mkdir catalog
[user@hadoop102 catalog]$ vim hive.properties 

添加如下内容

connector.name=hive-hadoop2
hive.metastore.uri=thrift://hadoop102:9083

8）将hadoop102上的presto分发到hadoop103、hadoop104

[user@hadoop102 module]$ xsync presto

9）分发之后，分别进入hadoop102、hadoop103、hadoop104三台主机的/opt/module/presto/etc的路径。配置node属性，node id每个节点都不一样。

[user@hadoop102 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-ffffffffffff
node.data-dir=/opt/module/presto/data

[user@hadoop103 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffffe
node.data-dir=/opt/module/presto/data

[user@hadoop104 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffffd
node.data-dir=/opt/module/presto/data

10）Presto是由一个coordinator节点和多个worker节点组成。在hadoop102上配置成coordinator，在hadoop103、hadoop104上配置为worker。

（1）hadoop102上配置coordinator节点

[user@hadoop102 etc]$ vim config.properties

添加内容如下

coordinator=true
node-scheduler.include-coordinator=false
http-server.http.port=8881
query.max-memory=50GB
discovery-server.enabled=true
discovery.uri=http://hadoop102:8881

（2）hadoop103、hadoop104上配置worker节点

[user@hadoop103 etc]$ vim config.properties

添加内容如下

coordinator=false
http-server.http.port=8881
query.max-memory=50GB
discovery.uri=http://hadoop102:8881

[user@hadoop104 etc]$ vim config.properties

添加内容如下

coordinator=false
http-server.http.port=8881
query.max-memory=50GB
discovery.uri=http://hadoop102:8881

11）在hadoop102的/opt/module/hive目录下，启动Hive Metastore，用user角色

[user@hadoop102 hive]$
nohup bin/hive --service metastore >/dev/null 2>&1 &

12）分别在hadoop102、hadoop103、hadoop104上启动Presto Server
（1）前台启动Presto，控制台显示日志

[user@hadoop102 presto]$ bin/launcher run
[user@hadoop103 presto]$ bin/launcher run
[user@hadoop104 presto]$ bin/launcher run

（2）后台启动Presto

[user@hadoop102 presto]$ bin/launcher start
[user@hadoop103 presto]$ bin/launcher start
[user@hadoop104 presto]$ bin/launcher start

13）日志查看路径/opt/module/presto/data/var/log

1.3 Presto的连接和使用

推荐使用DBeaver

驱动设置:

之后就连接到hive,输入指令可查看Schemas

输入sql即可进行查询:

1.4 Presto的优势应用

Presto能够完成不能框架下的数据查询,例如进行mysql和hive的查询:

即席查询 Kylin

Apache Kylin是一个开源的分布式分析引擎，提供Hadoop/Spark之上的SQL查询接口及多维分析（OLAP）能力以支持超大规模数据，最初由eBay Inc开发并贡献至开源社区。它能在亚秒内查询巨大的Hive表。

1.0 Kylin的特点

Kylin的主要特点包括支持SQL接口、支持超大规模数据集、亚秒级响应、可伸缩性、高吞吐率、BI工具集成等。

1）标准SQL接口：Kylin是以标准的SQL作为对外服务的接口。

2）支持超大数据集：Kylin对于大数据的支撑能力可能是目前所有技术中最为领先的。早在2015年eBay的生产环境中就能支持百亿记录的秒级查询，之后在移动的应用场景中又有了千亿记录秒级查询的案例。

3）亚秒级响应：Kylin拥有优异的查询相应速度，这点得益于预计算，很多复杂的计算，比如连接、聚合，在离线的预计算过程中就已经完成，这大大降低了查询时刻所需的计算量，提高了响应速度。

4）可伸缩性和高吞吐率：单节点Kylin可实现每秒70个查询，还可以搭建Kylin的集群。

5）BI工具集成
Kylin可以与现有的BI工具集成，具体包括如下内容。
ODBC：与Tableau、Excel、PowerBI等工具集成
JDBC：与Saiku、BIRT等Java工具集成
RestAPI：与JavaScript、Web网页集成
Kylin开发团队还贡献了Zepplin的插件，也可以使用Zepplin来访问Kylin服务。

1.1 Kylin安装

1）上传Kylin安装包apache-kylin-3.0.2-bin.tar.gz

2）解压apache-kylin-3.0.2-bin.tar.gz到/opt/module

[user@hadoop102 sorfware]$ tar -zxvf apache-kylin-3.0.2-bin.tar.gz -C /opt/module/

[user@hadoop102 module]$ mv /opt/module/apache-kylin-3.0.2-bin /opt/module/kylin

3）Kylin兼容性问题
修改/opt/module/kylin/bin/find-spark-dependency.sh，排除冲突的jar包
需要增加的内容：! -name ‘jackson’ ! -name ‘metastore’
注意前后保留空格

4）Kylin启动

（1）启动Kylin之前，需先启动Hadoop（hdfs，yarn，jobhistoryserver）、Zookeeper、Hbase

（2）启动Kylin

[user@hadoop102 kylin]$ bin/kylin.sh start

在http://hadoop102:7070/kylin查看Web页面

用户名为：ADMIN，密码为：KYLIN

5）关闭Kylin

[user@hadoop102 kylin]$ bin/kylin.sh stop

1.2 Kylin的使用

Kylin的使用可分为 创建工程-获取数据源-创建model-创建cube 4步组成

1）创建工程

点击下图中的"+"。

填写项目名称和描述信息，并点击Submit按钮提交。

2）获取数据源

点击DataSource

点击下图按钮导入Hive表

选择所需数据表，并点击Sync按钮

3）创建model

点击Models，点击"+New"按钮，点击"★New Model"按钮。

填写Model信息，点击Next

指定事实表

选择维度表，并指定事实表和维度表的关联条件，点击Ok

指定维度字段，并点击Next

指定度量字段，并点击Next
指定事实表分区字段（仅支持时间分区），点击Save按钮，model创建完毕

4）构建cube

点击new， 并点击new cube

填写cube信息，选择cube所依赖的model，并点击next

选择所需的维度，如下图所示

选择所需度量值，如下图所示

cube自动合并设置，cube需按照日期分区字段每天进行构建，每次构建的结果会保存在Hbase中的一张表内，为提高查询效率，需将每日的cube进行合并，此处可设置合并周期。

Kylin高级配置（优化相关，暂时跳过）

Kylin相关属性配置覆盖

Cube信息总览，点击Save，Cube创建完成

构建Cube（计算），点击对应Cube的action按钮，选择build

选择要构建的时间区间，点击Submit

点击Monitor查看构建进度

1.3 构建错误

1）每日全量维度表及拉链维度表重复Key问题如何处理
按照上述流程，会发现，在cube构建流程中出现以下错误

错误原因分析：
上述错误原因是model中的维度表dwd_dim_user_info_his为拉链表、dwd_dim_sku_info为每日全量表，故使用整张表作为维度表，必然会出现订单表中同一个user_id或者sku_id对应多条数据的问题，针对上述问题，有以下两种解决方案。

方案一：在hive中创建维度表的临时表，该临时表中只存放维度表最新的一份完整的数据，在kylin中创建模型时选择该临时表作为维度表。
方案二：与方案一思路相同，但不使用物理临时表，而选用视图（view）实现相同的功能。

此处采用方案二：
（1）创建维度表视图
–拉链维度表视图
create view dwd_dim_user_info_his_view as select * from dwd_dim_user_info_his where end_date=‘9999-99-99’;

–全量维度表视图
create view dwd_dim_sku_info_view as select * from dwd_dim_sku_info where dt=date_add(current_date,-1);

–当前情形我们先创建一个2020-06-14的视图
create view dwd_dim_sku_info_view as select * from dwd_dim_sku_info where dt=‘2020-06-14’;
（2）在DataSource中导入新创建的视图，之前的维度表，可选择性删除。

（3）重新创建model、cube。