一次数据仓库搭建实践

注：本文写的过程为项目实际处理过程，与规范流程、大神们的流程有很多不合之处，限于本人能力，各位多理解。

目录：

1、背景

2、步骤

2.1、数据建模

2.2、数据抽取

2.3、数据存储

3、经验教训

3.1、维表的低耦合与适度耦合。

3.2、建模过程中的注意事项。

3.3、数据任务处理失败后的处理。

一、背景：取移动设备每小时上网详细数据(DPI数据)，进行分拆处理后放入小时表、天表，留做业务后续使用。其中数据识别过程、小时表存放在数据方，天表通过限定查询量的方式导入到本方机房。

二、步骤：

1、数据库建模（也有人说是数据建模）

建模前首先确定数据是用来做什么，可能使用的场景，以及最优化存储（后续使用（例如查询）容易，存储空间小）。

       数据源情况：DPI数据因为获取的滞后性，一般会与数据提供方滞后一日，所以不能做实时响应场景。DPI包含url、ua、imei、经纬度，时间等信息；其中过于敏感数据，如位置数据、实际购买商品，不在存储和分析范围之内。

     确定数据粒度：（此步很重要，需要业务、数据、开发都知晓）

     原始DPI数据，体量很大，一天十几个T，这需要将我们认为有用的数据抽取，同时相应的认为有用的关系不能丢掉过多、也不能保留过多。

  比如 数据中 包含   我 今天  上午十点49分打开掌阅阅读，50分打开浏览器搜索小说，然后退出浏览器，然后打开掌阅，浏览20分钟后关闭，又打开浏览器，搜索多个词。

这里面包含了时间、app、频次、顺序、app使用时间、搜索词，搜索词顺序，浏览器，搜索引擎网站 信息。  这就需要来确定保留哪些数据，抛弃哪些数据。保留越多，信息越详细，但是相应需要的存储空间与计算空间也越大。一般来说，时序是很少有客户需要的，出于经济考虑，舍弃。但是本人做了什么还是需要记录的。

  最终结果：保留客户使用app的小时id，site名称、app名称，关键词，基本能断定该人的行为；若需要有时间频次，可添加字段尝试。

     确定数据维度：

    首先是维表，维表需要考虑到数据识别结果表：一般来说，维表不建议多个因素放一起，比如app、site 本身可能有对应关系，但是数据识别结果如果分开，这里就没必要混合。但是有些项又最好放一起，比如手机型号，品牌，厂商，价格。

这里重点提一下，app、site都会有大量的垃圾数据，比如cdn的url，这种本身是利用价值比较低的，建议在数据定义阶段就排除（定义唯一后，置为失效，维护方便）

  其次是数据识别结果表，结果表需要根据不同的数据用途、数据的类似程度来存储。

2、数据抽取（远程传输，跨公司部门传输）

 基本原则： 抽取过程数据无损，节省资源，维护简单，版本变动小。

  项目的数据抽取，逻辑是：在提供方取数据，填充到redis，然后本方查询redis，将数据查询后写入本地hadoop，根据各种数据维表和规则，对结果进行拆分转换。

 dmp_redis_table-》分拆为  stags_bd,id_rel_bd

3、数据存储

基本要求：数据块大小适中，后续使用简单，合理使用分区。

这里重点说一下 ，hadoop对小文件的处理，是比较头疼的，如果有大量数据，尽量避免几千几万个小文件同时生成或使用的情况，会导致查询、写入时候耗费大量时间。

 将上一步抽取到的数据，按业务需求分拆到表 stdtags_bd,user_rel_bd，个人测试认为单个存储文件大小为400M-1G为最优。

三、经验教训以及注意事项：

1、维表的低耦合与适度耦合。

  这里延续 二-1 的数据维度的详细解释。在定义维表方面，如果与其他维度关联不大，尽量单独建表，容易维护和查询；如app名称，domain名称，识别搜索关键词，识别用户兴趣和倾向。

如果两者之间关联较大，如用户设备的信息，都与具体型号关联，可以做到一起；某些特殊品类app或者网站，也可以把分类写到定义维表，这样下一步使用都相对简单。

2、建模过程中的注意事项。

主要是建成的库表要切实符合已有业务需求，适度覆盖可能的业务需求，能够适度升级扩展。过程中主要是与各个同事和业务方的沟通，然后通过对业务逻辑的梳理，进行建模。

落实到数据库上，有业务表的字段制定、生成的文件数、文件大小的控制。

表和表内字段，最好在这一步都定义清晰明了，尽量符合整个部门甚至多个部门对数据处理的需求，切实符合已有业务需求，适度考虑未来可能的业务需求，可以预留几个字段，预留字段一般放在行尾。

适当的数据分区：有效分区能够分割大文件，提高后续使用效率，但是过多的分区会导致维护麻烦，后续使用中可能会出现无法查询全体需求分区的情况（数据库参数和能力限制）

3、数据任务处理失败后的处理。

这里包含两种：

 1、数据库内处理时异常和失败

    这里需要明确的是，数据处理失败率多少可以接受。在hadoop处理数据中，不能保证每一次都丝毫不差；如果数据源数据过大，处理时集群偶尔抽风，都可能导致处理失败，是否能够接受，不接受的话是否重新执行。这里一般是在MAPReduce过程中通过程序重试完成，设置最多重试次数，若还失败，放弃。

 2、程序流程失败

    程序流程的失败，包括升级测试不充分导致结果异常、中途网络延迟、网络间断、内存需求超过实际提供量导致泄露、操作人员误操作杀死进程、操作人员主动杀死进程等情况。

    大体要求：

       1\每一步都可单独重新执行,此步至关重要！因为谁都无法保证流程永远畅通，一旦出问题，从头再来的代价往往是几个小时的计算量，会让集群和业务崩溃。

       2\其他诸如网络延迟错误、部分数据丢失或重复等问题，需要考虑适度的容错机制。例如在MapReduce阶段设定容许失败率；设定程序每个阶段可以尝试执行的次数。

       3、开发和持有整个流程启动的备份代码，哪怕仅仅是执行脚本。一旦程序和集群出现崩溃，能够迅速有效的进行恢复。

参考：

1、业务文档

2、http://www.cnblogs.com/arnold/articles/2311192.html

原文链接：数据仓库搭建实例