多来源数据采集、处理的数据流程

数据平台数据处理流程图

1. 数据准备：
   主要分为几个来源：FTP数据来源，合作方推送的数据，从携程对外开放的API接口获取数据，酒店管理系统日志数据以及在线旅行社网站的数据源。
2. 数据接入：
   针对数据多来源的特性开发针对特定场景的数据接入方式。
   a.FTP来源的数据：采用shel脚本开发，包括检查数据是否准备就绪、开始下载、解密解包、lzop压缩、put方式上传文件到HDFS
   b.合作方推送的数据：搭建简单的web服务，接受携程推送的请求，利用Nginx完成请求负载，并利用Nginx记录请求中的数据，写入文件。后续通过日志收集系统获取数据（其实可以从合作方直接将数据推送Kafka的）
   c.合作方API接口数据：开发程序形成生产者消费者模式，生产者将任务写入队列，消费者从队列中获取任务并利用线程池并发从合作方API接口获取数据
   d.PMS日志数据：主要由开源Flume组件完成
   e.网站数据：利用爬虫抓取网站数据

3.数据存储：
分为实时和离线数据存储两种方式，分别通过Kafka和HDFS进行存储
4.数据处理：
在数据处理环节，主要利用MapReduce和Spark进行数据处理任务的开发。
5、数据查询：
将Hive定义在数据查询这一流程，用户在使用数据平台过程中，通过Hive对数据进行查询。

     本文转自巧克力黒 51CTO博客，原文链接：http://blog.51cto.com/10120275/2044014，如需转载请自行联系原作者