文章目录
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,HIVE,OOZIE,SQOOP,HUE…), 除此以外, 还使用FineBI实现数据报表展示
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
-
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 -
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 -
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) -
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 -
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；
维度建模的两个核心概念：事实表和维度表
6.1 事实表
一般指的就是分析主题所对应的表,每一条数据用于描述一个具体的事实信息, 这些表一般都是许多外键和描述事实的字段的集合
例如: 比如说统计2020年度订单销售情况
主题: 订单
相关表: 订单表(事实表)
思考: 在订单表, 一条数据, 是不是描述一个具体的订单信息呢? 是的
思考: 在订单表, 一般有那些字段呢?
订单的ID, 商品id,单价,购买的数量,下单时间, 用户id,商家id, 省份id, 市区id, 县id 商品价格...
进行统计分析的时候, 可以结合 商品维度, 用户维度, 商家维度, 地区维度 进行统计分析, 在进行统计分析的时候, 可能需要关联到其他的表(维度表)
- 一般需要计算的指标字段所在的表, 都是事实表
- 事实表的分类
- 事务事实表
保存的是最原子的数据，也称“原子事实表”或“交易事实表”。沟通中常说的事实表，大多指的是事务事实表
- 周期快照事实表
周期快照事实表以具有规律性的、可预见的时间间隔来记录事实，时间间隔如每天、每月、每年等等
周期表由事务表加工产生
- 累计快照事实表
完全覆盖一个事务或产品的生命周期的时间跨度，它通常具有多个日期字段，用来记录整个生命周期中的关键时间点
- 事务事实表
6.2 维度表
指的在对事实表进行统计分析的时候, 基于某一个维度, 而这个维度信息可能其他表中, 而这些表就是维度表
维度表并不一定存在, 但是维度是一定存在
例1: 根据用户维度进行统计, 如果在事实表只存储了用户id, 此时需要关联用户表, 这个时候就是维度表
例2: 根据用户维度进行统计, 如果在事实表不仅仅存储了用户id,还存储用户名称, 这个时候有用户维度, 但是不需要用户表的参与, 意味着没有这个维度表
- 维度表的分类
- 高基数维度表
指的表中的数据量是比较庞大的，数据量可能是千万级或上亿级别, 而且数据也在发生变化，例如: 商品表, 用户表
- 低基数维度表
指的表中的数据量不是特别多, 一般在几十条到几千条左右,而且数据相对比较稳定，例如: 日期表,配置表,区域表
- 高基数维度表
6.3 维度建模的三种模型
- 第一种: 星型模型
- 特点: 只有一个事实表, 那么也就意味着只有一个分析的主题, 在事实表的周围围绕了多个维度表, 维度表与维度表之间没有任何的依赖
- 反映数仓发展初期最容易产生的模型
- 第二种: 雪花模型
- 特点: 只有一个事实表, 那么也就意味着只有一个分析的主题, 在事实表的周围围绕了多个维度表, 维度表可以接着关联其他的维度表
- 反映数仓发展出现了畸形时产生的模型, 这种模型一旦大量出现, 对后期维护是非常繁琐, 同时如果依赖层次越多, SQL分析的难度也会加大
- 此种模型在实际生产中,建议尽量减少这种模型产生
- 第三种: 星座模型
- 特点: 有多个事实表, 那么也就意味着有了多个分析的主题, 在事实表的周围围绕了多个维度表, 多个事实表在条件符合的情况下, 可以共享维度表
- 反映数仓发展中后期最容易产生的模型
6.4 缓慢渐变维
解决问题: 解决历史变更数据是否需要维护的情况
6.4.1 SCD1
- 直接覆盖, 不维护历史变化数据
- 主要适用于: 对错误数据处理
6.4.2 SCD2
不删除、不修改已存在的数据, 当数据发生变更后, 会添加一条新的版本记录的数据
在建表的时候, 会多加两个字段(起始时间, 截止时间), 通过这两个字段来标记每条数据的起止时间 , 一般称为拉链表
- 好处: 适用于保存多个历史版本, 方便维护实现
- 弊端: 会造成数据冗余情况, 导致磁盘占用率提升
6.4.3 SCD3
- 通过在增加列的方式来维护历史变化数据
- 好处: 减少数据的冗余, 适用于少量历史版本的记录以及磁盘空间不是特别充足情况
- 弊端: 无法记录更多的历史版本, 以及维护比较繁琐
面试题：
- 在项目中, 如何实现历史变化数据的维护工作的
- 如何实现历史版本数据维护, 你有几种方案呢? 三种
- 请简述如何实现拉链表
64
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
