1. 架构说明
项目架构:
基于cloudera manager大数据统一管理平台, 在此平台之上构建大数据相关的软件(zookeeper,HDFS,YARN,HIV
各个软件相关作用:
zookeeper: 集群管理工具, 主要服务于hadoop高可用以及其他基于zookeeper管理的大数据软件
HDFS: 主要负责最终数据的存储
YARN: 主要提供资源的分配
HIVE: 用于编写SQL, 进行数据分析
oozie: 主要是用来做自动化定时调度
sqoop: 主要是用于数据的导入导出
HUE: 提升操作hadoop用户体验, 可以基于HUE操作HDFS, HIVE …
FineBI: 由帆软公司提供的一款进行数据报表展示工具
项目架构中,数据流转的流程
首先业务是存储在MySQL数据库中,通过sqoop对MySQL的数据进行数据的导入操作,将数据导入到HIVE的ODS层中, 对数据进行清洗转换处理工作, 处理之后对数据进行统计分析, 将统计分析的结果基于sqoop在导出到MySQL中, 最后使用FineBI实现图表展示操作;
由于分析工作是需要周期性干活, 采用ooize进行自动化的调度工作, 整个项目是基于cloudera manager进行统一监控管理。
面试题:
请介绍一下最近做了一个什么项目? 为什么要做, 以及项目的架构和数据流转流程
请介绍项目的架构是什么方案? 项目的架构和 数据流转的流程
整个项目各个软件是如何交互的? 数据流转的流程
2. cloudera manager基本介绍
大数据的发行版本, 主要有三个发行版本: Apache 官方社区版本, cloudera 推出CDH商业版本, Hortworks推出的HDP商业免费版本, 目前HDP版本已经被cloudera收购了
Apache版本Hadoop生态圈组件的优点和弊端:
优点
完全开源,更新速度很快
大数据组件在部署过程中可以深刻了解其底层原理
可以了解各个组件的依赖关系
缺点
部署过程极其复杂,超过20个节点的时候,手动部署已经超级累
各个组件部署完成后,各个为政,没有统一化管理界面
组件和组件之间的依赖关系很复杂,一环扣一环,部署过程心累
各个组件之间没有统一的metric可视化界面,比如说hdfs总共占用的磁盘空间、IO、运行状况等
优化等需要用户自己根据业务场景进行调整(需要手工的对每个节点添加更改配置,效率极低,我们希望的是一个配置能够自动的分发到所有的节点上)
为了解决上述apache产生问题, 出现了一些商业化大数据组件, 其中以 cloudera 公司推出 CDH版本为主要代表
CDH是Apache Hadoop和相关项目中最完整、最稳定的、经过测试和最流行的发行版。
CDH出现帮助解决了各个软件之间的兼容问题, 同时内置大量的常规企业优化方案;为了提供用户体验, 专门推出一款用于监控管理自家产品的大数据软件: cloudera manager
Cloudera Manager是用于管理CDH群集的B/S应用程序
使用Cloudera Manager,可以轻松部署和集中操作完整的CDH堆栈和其他托管服务(Hadoop、Hive、Spark、Kudu)
其特点:应用程序的安装过程自动化,将部署时间从几周缩短到几分钟; 并提供运行主机和服务的集群范围的实时监控视图
提供单个中央控制台,以在整个群集中实施配置更改
并集成了全套的报告和诊断工具,可帮助优化性能和利用率
3. 环境搭建
二台机子ip地址:
hadoop01 : 192.168.52.150
hadoop02 : 192.168.52.151
网关指定统一为: 192.168.52.1
windows的 System32\drivers\etc\hosts中,加入以下语句:
192.168.52.150 hadoop01 hadoop01.itcast.cn
192.168.52.151 hadoop02 hadoop02.itcast.cn
修改VMware的虚拟网卡配置: 虚拟网络编辑器
修改windows的VMware8的网卡信息通过浏览器连接即可 http://hadoop01:7180 或者 http://hadoop01.itcast.cn:7180打开后, 可能会出现 yarn中存在问题, 点击yarn进行解决接口决点击进入JobHistory后,再点击启动即可
成功则如下所示
注意: CDH软件开机后, 整个所有服务恢复正常, 大约需要耗时10~20分钟左右, 所以如果一开机就访问hadoop01:7180 可能是无法访问
如果等到 10~20分钟以后, 依然有大量的都是红色感叹号, 重启试一下
4. 数据仓库的基本概念
什么是数据仓库
存储数据的仓库, 主要是用于存储过去既定发生的历史数据, 对这些数据进行数据分析的操作, 从而对未来提供决策支持
1
数据仓库最大的特点:
既不生产数据, 也不消耗数据, 数据来源于各个数据源
1
数据仓库的四大特征:
1) 面向于主题的: 面向于分析, 分析的内容是什么 什么就是我们的主题
2) 集成性: 数据是来源于各个数据源, 将各个数据源数据汇总在一起
3) 非易失性(稳定性): 存储在数据仓库中数据都是过去既定发生数据, 这些数据都是相对比较稳定的数据, 不会发生改变
4) 时变性: 随着时间的推移, 原有的分析手段以及原有数据可能都会出现变化(分析手动更换, 以及数据新增)
1
2
3
4
ETL是什么
ETL: 抽取 转换 加载
指的是: 数据从数据源将数据灌入到ODS层, 以及从ODS层将数据抽取出来, 对数据进行转换处理工作, 最终将数据加载到DW层, 然后DW层对数据进行统计分析, 将统计分析后的数据灌入到DA层, 整个全过程都是属于ETL范畴
狭义上ETL: 从ODS层到DW层的过程
1
2
3
4
5
数据仓库和 数据库的区别
数据库(OLTP): 面向于事务(业务)的 , 主要是用于捕获数据 , 主要是存储的最近一段时间的业务数据, 交互性强 一般不允许出现数据冗余
数据仓库(OLAP): 面向于分析(主题)的 , 主要是用于分析数据, 主要是存储的过去历史数据 , 交互性较弱 可以允许出现一定的冗余
数据仓库和数据集市:
数据仓库其实指的集团数据中心: 主要是将公司中所有的数据全部都聚集在一起进行相关的处理操作(ODS层); 用于企业整体分析的数据集合
此操作一般和主题基本没有什么太大的关系
数据集市(小型数据仓库): 在数据仓库基础之上, 基于主题对数据进行抽取处理分析工作, 形成最终分析的结果; 用于部门分析的数据集合,从范围上来讲它属于数据仓库的子集,比如:销售部门的数据集市只有销售主题
一个数据仓库下, 可以有多个数据集市
数据仓库和数据集市具有什么区别?
1、范围的区别
数据仓库: 是针对企业整体分析数据的集合。
数据集市: 是针对部门级别分析的数据集合。
2、数据粒度不同
数据仓库: 通常包括粒度较细的数据明细。
数据集市: 则会在数据仓库的基础上进行数据聚合,这些聚合后的数据就会直接用于部门业务分析。
5. 维度分析
维度分析: 针对某一个主题, 可以从不同的维度的进行统计分析, 从而得出各种指标的过程
什么是维度?
维度一般指的的分析的角度,看待一个问题的时候,可以从多个角度来看待,而这些角度就是维度
维度是事务的特征,如颜色、区域、时间等,可以根据不同的维度来对指标进行分析对比。
比如: 有一份2020年订单数据, 请尝试分析
可以从时间, 地域 , 商品, 来源 , 用户....
维度的分类:
定性维度: 字符类型的特征,比如区域维度包括全国各省份; 指的是计算每天 每月 各个的维度; 一般放置在group by中
定量维度: 数值类型的特征,如价格区间、销量区间等; 指的是统计某一个具体的维度或者某一个范围下信息, 如价格区间维度分为0--100、100-1000两个区间,可以按价格区间维度来对指标进行分析; 一般来说放置在where中
维度的分层和分级: 本质上对维度进行细分的过程
按年统计:
按季度
按照月份
按照天
按照每个小时
按省份统计:
按市
按县
从实际分析中, 统计的层级越多, 意味统计的越细化, 涉及的维度内容越多
维度的下钻和上卷: 以某一个维度为基准, 往细化统计的过程称为下钻, 往粗粒度称为上卷
比如: 按照 天 统计, 如果需要统计出 小时, 指的就是下钻; 如果需要统计、季度、月、年, 称为上卷统计
从实际分析中, 下钻和上卷, 意味统计的维度变得更多了
什么是指标?
指标指的衡量事务发展的标准, 就是度量值
常见的度量值: count() sum() max() min() avg() 还有一些 比例指标(转化率, 流失率, 同比..)
指标的分类:
绝对指标: 计算具体的值指标,如:count() sum() max() min() avg()
相对指标: 计算比率问题的指标,如:转化率, 流失率, 同比
案例
需求: 请求出在2020年度, 女性 未婚 年龄在18~25岁区间的用户每一天的订单量?
维度: 时间维度 , 性别, 婚姻状态, 年龄
定性维度: 每一天
定量维度: 2020年度,18~25岁,女性,未婚
指标: 订单量(绝对指标) --> count()
select day,count(订单)
from 表
where year ='2020'
and age between 18 and 25
and 婚姻 = '未婚'
and sex = '女性'
group by day;
6. 数仓建模
数仓建模指的规定如何在hive中构建表, 数仓建模中主要提供两种理论来进行数仓建模操作: 三范式建模和维度建模理论
三范式建模: 主要是存在关系型数据库建模方案上, 主要规定了比如建表的每一个表都应该有一个主键, 数据要经历的避免冗余发生等等;主要是应用于传统的企业级数据仓库
维度建模: 简称DM(Dimensional modeling);主要是存在分析性数据库建模方案上, 主要一切以分析为目标, 只要是利于分析的建模, 都是OK的, 允许出现一定的冗余, 表也可以没有主键;