大数据项目实战数仓4——总纲

项目部署地址：
GitHub地址
Gitee地址

一、数据仓库的概述

数据仓库（Data Warehouse），是为企业制度决策，提供数据支持的。

二、项目需求及架构设计

1.项目需求分析

1.用户行为数据采集平台搭建
2.业务数据采集平台搭建
3.数据仓库维度建模
4.分析，设备、会员、商品、地区、活动等电商核心主题，统计的报表指标近100个
5.采用即席查询工具，随时进行指标分析
6.对集群性能进行监控，发生异常进行报警
7.元数据管理
8.质量监控
9.权限管理

2.项目框架

2.1技术选型

考虑因素：数据量大小、业务需求、行业内经验、技术成熟度、开发维护成本、总成本预算

数据采集传输：Flume,Kafka,Sqoop
数据存储：MySQL,HDFS,HBase
数据计算：Hive,Tez,Spark
数据查询：Presto,Kylin
数据可视化：Echarts,Superset
任务调度：Azkaban
集群监控：Azbbix
元数据管理：Atlas
权限管理：Ranger

2.2系统数据流程设计

2.3框架发行版本选型

Apache

2.4服务器选型

这里选择阿里云主机，Centos7配置如下：

2.5集群资源规划设计

（1）消耗内存的分开

（2）数据传输数据比较紧密的放在一起（Kafka、Zookeeper）

（3）客户端尽量放在一到两台服务器上，方便外部访问

（4）有依赖关系的尽量放到同一台服务器（例如：Hive和Azkaban Executor）

三、相关命令

可视化报表Superset

1）切换到yingzi用户

su yingzi

2）启动superset.sh脚本

/home/yingzi/bin/superset.sh start

Web UI界面：http://hadoop102:8787

用户名：yingzi

密码：000000

即席查询Kylin

依赖于Hadoop、Hive、Zookeeper、HBase

1）启动hadoop

/home/yingzi/bin/hdp.sh start

2）启动zoookeeper

/home/yingzi/bin/zk.sh start

3）启动hbase

sudo -i -u hbase start-hbase.sh

4）启动Kylin

在kylin用户下认证为hive主体

sudo -i -u kylin kinit -kt /etc/security/keytab/hive.keytab hive

以kylin用户的身份启动kylin

sudo -i -u kylin /opt/module/kylin/bin/kylin.sh start

Web UI：http://hadoop102:7070/kylin

用户名：ADMIN
密码：KYLIN

日志：/opt/module/kylin/logs/kylin.log

集群监控Zabbix

hadoop102启动

sudo systemctl start zabbix-server zabbix-agent httpd rh-php72-php-fp
sudo systemctl enable zabbix-server zabbix-agent httpd rh-php72-php-fpm

hadoop103、104启动

sudo systemctl start zabbix-agent
sudo systemctl enable zabbix-agent

全流程调度Azkaban

1）在三台主机上启动Executor

sudo -i -u azkaban bash -c "cd /opt/module/azkaban/azkaban-exec;bin/start-exec.sh"

2）任选一台节点激活

curl http://hadoop102:12321/executor?action=activate

3）启动Web Server

sudo -i -u azkaban bash -c "cd /opt/module/azkaban/azkaban-web;bin/start-web.sh"

Web UI：http://hadoop102:8081/

账号：yingzi

密码：123456

权限管理Ranger

1）启动ranger-admin

sudo -i -u ranger ranger-admin start

Web UI：http://hadoop102:6080

账号：admin

密码：yingzi123

2）启动ranger-usersync（开机自启）

sudo -i -u ranger ranger-usersync start

元数据管理Atlas

1）在三台主机上启动solr集群

sudo -i -u solr /opt/module/solr/bin/solr start

Web UI：http://hadoop102:8983

2）启动Atlas,依赖于Hadoop、Zookeeper、Kafka、Hbase、Solr

/home/yingzi/bin/hdp.sh start
/home/yingzi/bin/zk.sh start
/home/yingzi/bin/kf.sh start
sudo -i -u hbase start-hbase.sh
sudo -i -u solr /opt/module/solr/bin/solr start（三台都需要）

/opt/module/atlas/bin/atlas_start.py

Web UI：http://hadoop102:21000

账号：admin

密码：admin

四、全流程调度+数据质量可视化

1）启动日志采集通道

/opt/module/yingzi/bin/hdp.sh start

/opt/module/yingzi/bin/zk.sh start

/opt/module/yingzi/bin/kf.sh start

/opt/module/yingzi/bin/f1.sh start

/opt/module/yingzi/bin/f2.sh start

2）准备业务数据

修改hadoop102，hadoop103两台节点的/opt/module/applog/application.yml文件,修改业务日期

vim /opt/module/applog/application.yml

#业务日期
mock.date: "2020-**-**"

执行生成日志的脚本（执行完后可看hdfs上是否有相应数据）

/home/yingzi/bin/lg.sh

将数据消费，存入数据库，修改/opt/module/db_log/application.properties

vim /opt/module/db_log/application.properties

#业务日期
mock.date=2020-**-**

cd /opt/module/db_log
java -jar gmall2020-mock-db-2021-01-22.jar

此时可以看数据库中是否有2020-??-??的数据

3）启动azkaban

为了减轻内存压力，可先释放一些进程

/home/yingzi/bin/f1.sh stop

/home/yingzi/bin/f2.sh stop

启动Executor Server（三台主机都需要）

sudo -i -u azkaban bash -c "cd /opt/module/azkaban/azkaban-exec;bin/start-exec.sh"

激活Executor Server，任选一台节点执行

curl http://hadoop102:12321/executor?action=activate

启动Web Server

sudo -i -u azkaban bash -c "cd /opt/module/azkaban/azkaban-web;bin/start-web.sh"

Web UI:http://hadoop102:8081/

账号：yingzi

密码：123456

4）分别启动gmall,data_supervisor的工作流程

在gmall上填入参数：dt,useExecutor

在data_supervisor上填入参数：dt,useExecutor,alert

5）可视化

sudo -i -u yingzi /opt/module/yingzi/bin/superset.sh start

Web UI页面：http://hadoop102:8787

用户名：yingzi

密码：000000