CC00077.pbpositions——|Hadoop&PB级数仓.V06|——|PB数仓.v06|总结|

一、项目总结与回顾

## --- 数据仓库概念

~~~     数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。
~~~     OLAP(数据仓库)与OLTP(数据库)的区别；
~~~     数据仓库分层：ODS、DWD、DWS、ADS

## --- 为什么要分层：

~~~     清晰的数据结构
~~~     将复杂的问题简单化
~~~     减少重复开发
~~~     屏蔽原始数据的异常
~~~     数据血缘的追踪

## --- 数据仓库建模：维度建模、ER建模：维度建模的4个步骤：

~~~     选择业务
~~~     定义粒度
~~~     选定维度
~~~     确定事实

## --- 集群的规划：

~~~     集群可以做水平扩展
~~~     初始时可依据数据量估算集群规模
~~~     框架版本的选型：CDH国内选用最多的版本

二、数据采集模块

## --- 数据采集模块

~~~     Flume采集日志数据、DataX采集业务数据(数据的全量或增量)；
~~~     Flume组成、Put事务(Source到Channel是Put事务)、Take事务(Channel到Sink是Take事务)
~~~     Taildir Source：断点续传、监控多目录。
~~~     Flume1.6以前需要自己自定义Source记录每次读取文件位置，实现断点续传。
~~~     File Channel：数据存储在磁盘，宕机数据可以保存。但是传输速率慢。
~~~     适合对数据传输可靠性要求高场景，比如，金融行业；
~~~     Memory Channel：数据存储在内存中，宕机数据丢失。传输速率快。
~~~     适合对数据传输可靠性要求不高的场景，比如，普通的日志数据；
~~~     Kafka Channel：减少了Flume的Sink阶段，提高了传输效率；
~~~     HDFS Sink：如何避免小文件(HDFS文件的滚动方式)

## --- Flume自定义拦截器：

~~~     initialize 初始化
~~~     intercept(Event event) 处理单个Event【实现的重点】
~~~     intercept(List events) 处理多个Event
~~~     close 方法
~~~     设置Agent JVM heap为4G或更高，部署在单独的服务器上；
~~~     -Xmx与-Xms设置一致，减少内存抖动带来的性能影响，设置不一致容易导致频繁full gc；

三、主题分析模块【重点】

## --- 主题分析模块

~~~     会员活跃度分析、广告业务分析、核心交易分析；
~~~     Json数据的处理、动态分区、拉链表、宽表(逆规范化)、Tez引擎(缺点：对资源要求高)
~~~     ODS、DWD、DWS、ADS、DIM各层模型如何建立；

## --- 调度系统
## --- 元数据管理数据、数据质量监控(扩展)
## --- 数据可视化