Day01 数据仓库项目简介
文章目录
本次项目首先从一个数据采集项目然后才到数据仓库项目,首先打通数据采集的通道,也就是这个数据是怎么来的,或者说是怎么存到hdfs中的。在本次项目中,主要涉及到用户行为数据采集通道,业务数据采集通道,将两个数据通道中的数据存到hdfs中,方便后续的使用。
一、项目简介及需求
1. 数据仓库概念
(先跟大家讲一讲整个数仓,明白咱们要做个什么)
在数据仓库中,会对数据进行清洗,转义,分类,重组,合并,统计等等操作,数据仓库不是最终目的,而是为了最终目的做准备。数据仓库是为企业所有的决策提供支持,提供所有数据支持的战略集合。
2. 项目需求以及架构设计
(详细分析一下项目的具体设计)
项目需求
-
搭建用户行为数据采集平台
-
搭建业务数据采集平台
-
数据仓库维度建模(建库建表,根据业务需求,时间维度)(Hive)
-
分析,设备,会员,商品,地区,活动等电商的核心主题(指标)
-
采用即席查询工具,随时进行指标分析
-
对集群性能进行监控,发生异常会警报
-
元数据进行管理
-
质量监控
二、技术选型、框架选型、集群规模等
1. 项目技术如何选型?
注意技术选型主要的考虑因素:
数据量大小、业务需求、行业内经验、技术成熟度、维护成本、总成本预算
数据采集传输:Sqoop、flume、KafKa、LogStash、DataX
数据存储:MySQL、HDFS、HBase、MongoDB、Redis
数据计算:Hive,Tez,Spark,Flink,Strom
数据查询:Presto,Kylin,Impala、Druid
数据可视化: Echarts、Superset、QuickBI、DataV
任务调度:Azkaban、Oozie
集群监控: Zabbix
元数据管理:Atlas
2. 框架的版本如何选型(Apache/CDH/HDP)
Apache 运维比较麻烦,组件间的兼容性需要自行调研或是调整(一般大厂使用的,技术实力雄厚,也专业的运维人员),开源。
CDH:国内使用最多的版本,但重要的内容是不开源的,一个节点是1万美金。
HDP:算是开源,可以进行二次开发,但是没有CDH稳定,国内少量使用。
CDH与HDP好基友版本:CDP
3. 服务器是使用物理机还是云主机
这个随意,看用途及财力等。
4. 确定一下集群的规模
计算方法:
每日活跃用户为100万人,每人每天平均产生100条数据,总数就是1亿条。
假如每条数据的大小为1kb,(100000000/1024/1024约等于100G)
三个副本数量的情况下:300G。
半年不更换的情况下:180天*300G约等于54T
预留百分之20到百分之30的空间,23.14T
也就是说,每台物理机8T的存储空间,都要10台
5. 数据生成模块
我们会生成一些假数据,不过该数据和真实的数据是一样的,暂时放一放。
6. 数据采集模块的搭建(集群搭建)
-
虚拟机安装(centos7.5)
-
配置jdk,hadoop
-
Hadoop的四大配置文件:
-
core-site.xml
-
Hdfs-site.xml
-
Mapred-site.xml
-
Yarn-site.xml
-
-
Hadoop的四大配置文件:
-
core-site.xml
-
Hdfs-site.xml
-
Mapred-site.xml
-
Yarn-site.xml
-