极客大学架构师训练营 大数据 GFS、MapReduce、BigTable，Hadoop HDFS Yarn HiveQL 第12次作业

1. 在你所在的公司（行业、领域），正在用大数据处理哪些业务？可以用大数据实现哪些价值？

笔者在一家成立于1885年的全球性跨国银行，用大数据处理的业务包括：分析出洗黑钱的用户，根据用户的存款和消费数据给用户信用评分，贷款的时候给出相应额度。

大数据实现的价值：

1. 全球性洗黑钱会使市场失去公平，比如贩毒、恐怖组织把来历不明的钱洗白。大数据能分析出这些行为，阻止危险行为的进行。
2. 给用户信用评级，能让给银行提供风险晴雨表，让信用好的用户更快得到贷款。
3. 在金融借贷中，如何识别出高风险用户，要求其提供更多抵押、支付更高利息、调整更低的额度，甚至拒绝贷款，从而降低金融机构的风险。事实上，金融行业已经沉淀了大量的历史数据，利用这些数据进行计算，可以得到用户特征和风险指数的曲线（即风控模型）。当新用户申请贷款的时候，将该用户特征带入曲线进行计算，就可以得到该用户的风险指数，进而自动给出该用户的贷款策略。

2. 分析如下 HiveQL，生成的 MapReduce 执行程序，map 函数输入是什么？输出是什么，reduce 函数输入是什么？输出是什么？

INSERT OVERWRITE TABLE pv_users
SELECT pv.pageid, u.age
FROM page_view pv
JOIN user u
ON (pv.userid = u.userid);

Page_view 表和 user 表结构与数据示例如下：

MapReduce 的输出流程图如下：

第一张表
Map 输入：
key是偏移量，不重要。
value 就是一行记录。key 是 userId，value是<来源于哪张表id，pageId>

Map 输出：
输出结果：key是userId， value是<来源于哪张表id, pageId>

第二张表
Map 输出：
key是偏移量，不重要。
value 就是一行记录。key 是 userId，<user表的id，age>

Map 输出：
输出结果：key是userId， value是<来源于哪张表id, age>

Shuffle Sort：相同的key放在一起。

Reduce 输入：
每张表相同的key要进行join操作，最后把结果输出。
key就是Map输出的<来源于哪张表id, pageId>, <来源于哪张表id, age> ， values就是userId组成的list。
Reduce 输出：
key是Map输出的<来源于哪张表id, pageId>, <来源于哪张表id, age>，result就是pageId访问的和。