数仓开发遇到的那些事(1)

某不愿意透露姓名的神州实习生:一闪,我也想去搭数仓,我觉得我的水平应该能加2k

我:憋baba.你知道窗口函数咋写吗

Flume-tailDir Source

在离线数仓的采集流程中,我们使用Flume来对落盘的行为日志文件进行采集,但是会发现一个问题,就是每天的数据都会完完整整的重复一遍.简单的lou一眼,并没有发现问题.监控目录也没写错,这是啥情况

某不知名的老程序员:小伙子你这就不懂了吧,先来问问你TailDir Source的监控有啥作用?

:当然是断点续传和多目录

老程序员:Ok,那断点续传的位置是怎么保存的

:(这你还想难到我?)一个KV结构 K是inode(Linux文件唯一标识)拼接上绝对路径 V是position

老程序员:那你知不知道后端用的日志框架是啥?

:(???)我猜是log4j

老程序员:那你知道log4j的日志文件每天会滚动一次吗

:(-_-!)当然,比如说server.log就是当天的,到了第二天就会把它更名为server.log-2021-12-08   慢!
照这么说是不是
绝对路径变了导致tailDir Source觉得它是一个新文件,然后就从头重新读了一遍?

老程序员:小伙子还可以

我:多谢多谢.我这就让后端把日志框架改了.

老程序员:(笑笑)

我:(鼻青脸肿的回来了)他们说我脑子有包,让我自己想办法

老程序员:不要急,我这里正好有一个我修改过源码的jar包,拿去用吧,里面把绝对路径这个判断条件给去掉了,所以只会判断inode,就不会导致重复了.

叮.下载成功.谢谢大佬

Kafkaack设置为-1

老程序员:你觉得ack = -1就能精准一次了吗

我:可不咋地

老程序员:那ack = -1的概念是什么

我:就是等待leader和全部follower的ack到齐才继续发送

老程序员:你再想想?从同步队列的角度

我:哦哦哦,是等待ISR中全部的ack到齐.

老程序员:所以我来描述这样一个场景,假如是三个副本,两个follower因为同步的比较慢,但是没挂,因为超过了延迟时间,被踢出ISR了,现在ISR中只剩下一个leader.知道接下来会发生什么吗

我:这样的话,ISR中只有leader,不就是ack=1吗,leader收到了数据就会返回ack....这时候如果leader挂掉,那么数据就丢失了!(但是这个情况也太极端了吧,但是确实能记录一下,要是以后跳槽被问到呢)

老程序员:小伙子还可以,世界观被刷新了没

我:我还行..

Kafka的过期策略

老程序员:那我再问你,Kafka默认是7天过期,我使用了delete策略,那假设我们的程序一直在跑.没有出现过问题,那我有没有可能消费到7天前的数据?

我:(可恶,这么问的话肯定可以消费到,但是我不知道为什么啊)一二三四五..上山打老虎…

老程序员:提醒你一下log的存储形式

我:不就是以segement的形式吗.1G一个文件…哦哦哦因为它是一个文件全部超出7天才会删除,所以对跨天的log文件,就有可能会消费到7天前的数据了.

老程序员:理解能力还行(装逼成功,美滋滋)

Order By

老程序员:小伙子,又在写bug啦?HQL里面用order by,你想提桶跑路吗?

我:这不是还没写完吗,我加个limit就可以了,Hive的优化器也不是吃素的

老程序员:(哟,被他装到了)你之前也在实时组干过,你知道Spark中的Order By是可以起多个Task的吗?

我:(有这事?全局无序的order by用多个Task,怎么能保证排序结果呢.我师傅也没告诉我啊....)

 老程序员:提醒你一下,这个和分区器有关(不能让他没面子)

 我:好像是Ranger Partitioner范围分区器...噢噢噢噢这相当于他们是分区间和分区内有序的,到时候只要根据分区顺序拼接起来就行了.好像用的还是叫水滴抽样

 老程序员:(怎么还学会抢答了?)

  • 7
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
一、课程简介随着技术的飞速发展,经过多年的数据积累,各互联网公司已保存了海量的原始数据和各种业务数据,所以数据仓库技术是各大公司目前都需要着重发展投入的技术领域。数据仓库是面向分析的集成化数据环境,为企业所有决策制定过程,提供系统数据支持的战略集合。通过对数据仓库中数据的分析,可以帮助企业改进业务流程、控制成本、提高产品质量等。二、课程内容本次精心打造的数仓项目的课程,从项目架构的搭建,到数据采集模块的设计、数仓架构的设计、实战需求实现、即席查询的实现,我们针对国内目前广泛使用的Apache原生框架和CDH版本框架进行了分别介绍,Apache原生框架介绍中涉及到的技术框架包括Flume、Kafka、Sqoop、MySql、HDFS、Hive、Tez、Spark、Presto、Druid等,CDH版本框架讲解包括CM的安装部署、Hadoop、Zookeeper、Hive、Flume、Kafka、Oozie、Impala、HUE、Kudu、Spark的安装配置,透彻了解不同版本框架的区别联系,将大数据全生态系统前沿技术一网打尽。在过程中对大数据生态体系进行了系统的讲解,对实际企业数仓项目中可能涉及到的技术点都进行了深入的讲解和探讨。同时穿插了大量数仓基础理论知识,让你在掌握实战经验的同时能够打下坚实的理论基础。三、课程目标本课程以国内电商巨头实际业务应用场景为依托,对电商数仓的常见实战指标以及难点实战指标进行了详尽讲解,具体指标包括:每日、周、月活跃设备明细,留存用户比例,沉默用户、回流用户、流失用户统计,最近连续3周活跃用户统计,最近7天内连续3天活跃用户统计,GMV成交总额分析,转化率及漏斗分析,品牌复购率分析、订单表拉链表的设计等,让学生拥有更直观全面的实战经验。通过对本课程的学习,对数仓项目可以建立起清晰明确的概念,系统全面的掌握各项数仓项目技术,轻松应对各种数仓难题。四、课程亮点本课程结合国内多家企业实际项目经验,特别加入了项目架构模块,从集群规模的确定到框架版本选型以及服务器选型,手把手教你从零开始搭建大数据集群。并且总结大量项目实战中会遇到问题,针对各个技术框架,均有调优实战经验,具体包括:常用Linux运维命令、Hadoop集群调优、Flume组件选型及性能优化、Kafka集群规模确认及关键参数调优。通过这部分学习,助学生迅速成长,获取前沿技术经验,从容解决实战问题

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

徐一闪_BigData

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值