6.1 基本架构
6.2 与数据库的比较
| mysql | hive |
速度 | 数据量小、快 | 数据量大、快 |
场景 | 小数据量的增删查改 | 大数据量的查询分析 |
6.3 内部表、外部表
删除内部表：删元数据、原始数据
删除外部表：删元数据
企业怎么用？
主要用外部表，临时表和测试表用内部表
6.4 4个By
order by：全局排序，最终只有一个reducer，结合limit一起使用
sort by：分区内排序
distribute by：分区，指定数据该进入哪个reducer
cluster by：当sort by 与 distribute by字段一致时，且升序，可以用cluster by代替
6.5 系统函数
时间：date_add、date_sub、datediff、next_day、last_day、xxxofxxx、from_unixtime、unix_timestamp、now、date_format
字符串：substring、split、concat、concat_ws、get_json_object、replace、regexp_replace
行列转换：
一行转多行：explode（数组、map）
多行转一行：collect_list、collect_set
一列转多列：if、case when
多列转一列：concat、concat_ws
空值处理：nvl、if
6.6 窗口函数
聚合类、排名、lead、lag、first_value、last_value over(partition by ...order by ... 行的范围)
行的范围：rows、range
例如：sum() over()
| rows | range |
1 | 1 | 1 |
2 | 3 | 3 |
3 | 6 | 9 |
3 | 9 | 9 |
4 | 13 | 13 |
5 | 18 | 18 |
order by 默认行范围：range 上无边界到当前行
6.7 自定义函数
UDF：一进一出
UDTF：一进多出
UDAF：多进一出
项目里用到了什么？UDTF：用来解析Json数据里面的Array，实现一进多出
为什么不用get_json_object？它只能一进一出
怎么实现？定义一个类，继承GenericUDTF，重写3个方法
初始化方法：输入参数的效验，比如个数、类型，返回类型的约束
process方法：多次调用fowward
close()
完成之后打jar包，上传至HDFS，然后在客户端中输入：
create function 方法名 as 全类名 using jar 'hdfs路径'
为什么用自定义？
1、解析Json中的Array，一进多出
2、方便使用第三方依赖
6.8 优化
1）map join：大小表，默认打开
2）列式存储：orc、parquet
结构更紧凑，压缩比更高，适合查询更新
id | name | age |
1 | zs | 18 |
2 | ls | 20 |
列式存储：1 2 zs ls 18 20
行式存储：1 zs 18 2 ls 20
3）分区、分桶
4）压缩：lzo、snappy
5）小文件：
JVM重用：10
使用CombineHiveInputFormat来进行切片：256m
merge：单独再启动一个job，将平均小于16M的文件，合并为一个最大为256M的文件
map-only：默认开启
map-reduce：默认关闭，设置为开启
6）行列过滤：
避免select *
能先过滤就先过滤
谓词下推：在map阶段，提前过滤（若需要详细了解，请参考博客：）
两张表关联，过滤条件写在on和写在where有什么区别？
select xxx from a join b on a.id > 10
select xxx from a join b where a.id > 10
首先先判断是什么Join
如果是内连接，无任何区别
如果是满外连接，on性能比where差，因为默认开启cbo优化，where可以进行谓词下推
如果是left join或 right join，再判断条件来自哪张表
如果判断条件来自保留表，则on性能比where差，因为on不能进行谓词下推
如果判断条件来自非保留表，则无任何区别，因为默认开启cbo优化，where可以进行谓词下推
7）Map数量
切片大小 = max(minSize,min(maxSize,块大小))
8）reduce数量
估算机制：输入的数据量 / 单个Reducer处理的数据量
参数设置：mapred.reduce.tasks，默认 -1，表示不开启
特殊语法：order by 1个
优先看是否指定了参数，如果没有，就走估算机制
9）多引擎
mr：年月指标
spark：日常的天指标
tez：临时用
若不同引擎结果不一，以MR为主
如何实现不同Job不同引擎来跑？
1、部署spark环境
2、set hive.execution.engine = spark;
sql
set hive.execution.engine = mr;
sql
6.9 数据倾斜
1）现象：yarn页面，个别reduce执行时间明细特别长，卡在99%
2）原因：
数据本身就不均匀
Null值
类型不一致
3）解决方案
辅助措施：提前Combiner，在不影响最终逻辑的情况下
数据本身就不均匀：二次聚合
参数：hive.groupby.skewindata，解决group by数据倾斜，自动实现二次聚合
hive.optimize.skewjoin，解决join的数据倾斜，自动实现二次聚合
null值：
null值无意义，先过滤
null值有意义，二次聚合，使用到nvl
类型不一致：先转换类型，再join a join b on cast(a.id,string) = b.id
6.10 分隔符问题：数据本身携带了hive的分隔符
问题：hive表字段错误
解决：
1、参数 --> 默认分隔符为 \001
2、mysql表导一张到临时表，再同步到hdfs
3、让后端人员改
七、Sqoop7.1 遇到哪些问题
1）空值问题
mysql | Hive |
null | \N |
导入时：null-string、null-non-string
导出时：input-null-string、input-null-non-string
2）导出是，遇到一致性问题
底层跑的是4个map任务，解决方法就是手动创建一张临时表，将数据导入临时表中，数据全部进入临时表后，再导入到目标表，有两个参数可以设置：
–staging-table mysql表名_tmp \ （将数据先导入临时表）
–clear-staging-table \ （清空临时表）
3）数据倾斜问题
我们一天1个G左右，没遇到
但是以前有个朋友遇到过：split-by 指定自增主键，指定增加map数
7.2 每天业务数据有多少？
60万日活，平均每天6万订单，每个订单10条数据，每条数据平均1k
6万 * 10 * 1k = 600000k ≈ 600M左右
7.3 每天几点跑，跑多久？
00:10开始跑，大概跑10多分钟
7.4 参数
sqoop --import
--connect url
--user
--password
--target-dir
--delete-target-dir
--query 'select xxx from where xxx $condition'
--空值处理的两个参数
--split-by
--mapper
7.5 导出时，parquet问题
1）先将数据导入到格式为Text格式的临时表中，再导出
2）一开始就不要用列式存储
3）hcatalog导出，sqoop参数，要求版本1.4.5
八、Azkaban8.1 每天几点跑，跑多久？
第一个脚本：sqoop同步脚本，00:10开始跑
平均3个多小时，不管怎么跑，早上八点一定会出结果
8.2 日常跑多少指标？活动时多少？
日常跑100来个指标，有活动时200来个
8.3 任务挂了怎么办？
告警：邮件、发短信、发微信、发钉钉、打电话
实现：调用第三方接口，oneAlter
尝试重启：自动重试、手动重试
解决问题：看日志（资源不够、业务表发生改变）
摇人
九、项目架构9.1 从0到1
1）集群规模：目前有没有服务器给你用，几台？一共有9台，后来增加到12台
2）数据量：日志数据每天60G左右，业务数据每天600多M
3）周期：采用敏捷开发模型，基本上一个月为一个开发周期，比如1.2.3版本号，一个星期更换数据为3的版本号，表示小范围的更新，2这个数据一般一个月更新一次，表示中等规模的更新，1的话一般半年或一年更新一次，表示大的一个版本更迭
4）资金：服务器买了3台，每台服务4万块，3台一共12万多
5）人员：5个人，包含组长
6）指标规划：第一期指标20多个，比如求新老用户、留存率、页面跳转率、活跃人数、每日下单数、每日支付数、每日下单金额等
7）数据来源：oracle、db2、sqlserver、qp、mysql
9.2 数仓概念
1）数据来源：前端埋点日志、javaee后台业务服务
2）产出：报表、用户画像、推荐系统、风控系统
9.3 版本选型
开源版：apache，大厂
商业版：cdh、hdp -->cdp，1个节点1万美金/年
cdh：6.3.2
hdp：3.1.4
建议选哪个？建议选apache、虽然成本比较高昂，但安全性强
9.4 集群规模：几台服务器，60万日活
1）磁盘：半年不扩容
数仓分层：
日志：
ods：6G（压缩后）
dwd：6G（压缩后）
dws + dwt：30G，压缩后3G
ads：忽略
6 + 6 + 3 = 15G，给个20G
20G * 3 副本 * 180天 / 0.7 ≈ 15T，给20T
业务：
2G * 3副本 * 180天 / 0.7 = 2T
kafka：之前给1T
20T + 2T + 1T = 23T
23T / 8T = 3台
2）内存：
7台 * 128G = 896G
1台服务器的NodeManager给100G -->100G * 7 = 700G
离线：128M数据 --> 1G内存（占比约1:8），同时跑70G的数据，大约需要600G内存左右
实时：10 + 几个Job，1个Job10多G，大约需要200G内存左右
通过计算，7台不太够，建议：9~15台
3）CPU
单台20核40线程
40 * 7 = 280（200给集群 ，80给其他）
实时：1个Job，6个并行度 --> 6线程， 6 * 10多个 约等于 90线程
离线：100+ 可用
通过计算，7台不太够，建议9~15台
十、数仓分层10.1 建模第一步做什么？
理清业务逻辑，求出业务表
10.2 ods
1）使用分区表，避免全表扫描
2）压缩，减少磁盘空间
3）保持数据原貌，起到备份的作用
10.3 dwd + dim
1）清洗工具
hql、spark、flink、python、kettle
2）清洗原则
解析数据
去重
核心字段不能为空
超期数据（爬虫）
脱敏：md5
3）清洗比例：万分之一
若清洗比例较高，找前端和Java开发人员沟通
4）分区
5）压缩
6）列式存储
7）维度退化
基于维度建模的星型模型理论
降维：将某个维度的所有表合并成一张表，以后关联某个维度时，只需要join一次
sku表、spu表、三级、二级、一级分类、品牌、商品平台属性表、商品销售属性表 -->商品维度表
省份表、地区表 --> 地区维度表
活动信息表、活动规则表 --> 活动维度表
8）维度建模
（1）选择业务过程，选择需要的业务表
小公司，30来张，全都要
大公司，上千张，选择需要的业务模块：下单模块、支付模块、物流模块...
（2）声明粒度
什么是粒度？一行数据代表什么行为
比如订单表的一行数据，代表了一次下单行为
声明最小粒度：只要不做聚合操作，就已经是能达到的最小粒度
（3）确定维度：描述某个业务事实的角度
何时、何地、何人对何物做了何事（时间、地区、用户、商品、下单或支付）
（4）确定事实
关注事实的度量值：个数、件数、金额、次数等可统计的量词
使用业务总线矩阵来计算
10.4 dws：一天的汇总
1）有哪些宽表：主要参考维度表，有多少维度，就有多少宽表
地区、用户（会员）、访客（设备）、商品、活动、优惠券
2）宽表有哪些字段：站在维度的角度，关注事实的度量值
10.5 dwt：一段时间的累计
目的： 避免重复计算
1）有哪些宽表：主要参考维度表 ，有多少维度表，就有多少宽表
地区、用户（会员）、访客（设备）、商品、活动、优惠券
2）宽表有哪些字段：站在维度的角度，关注事实的 开始时间、结束时间、这段时间度量值的累积、最近一段时间度量值的累积
10.6 ads：
指标：
手写：实现思路
比较难的指标：
十一、数仓业务11.1 埋点格式
页面日志、启动日志、曝光日志、事件日志、错误日志
1）启动日志
{
"common":{},
"start":{}
"err":{},
"ts":xxxxxx
}2）其他
{
"common":{},
"actions":[{},{},...],
"display":[{},{},.....],
"page":{},
"err":{},
"ts":xxxx
}11.2 同步策略
业务数据MySQL --> Sqoop --> HDFS
全量数据：数据量小
sqoop的query "select * from 表名 where 1=1"
新增数据：数据量大，历史数据不会变化
sqoop的query "select * from 表名 where 创建时间=昨天"
新增及变化：数据量大，历史数据会变化（后续dim层，使用拉链表）
sqoop的query "select * from 表名 where 创建时间 = 昨天 or 操作时间 = 昨天"
特殊数据：全量导入
11.3 建模理论
关系建模：业务库MySQL，基于三范式理论的第三范式
减少数据冗余，取哪个维度就要跟哪个维度join一次
维度建模：星型模型、雪花模型、星座模型
降维，取一个维度，只需要join一次，需要数据冗余，不灵活（字段变更）
星型模型：一张事实表周围围绕着多个一级维度表
雪花模型：一张事实表周围围绕着多个多级维度表
星座模型：多个事实表周围围绕着多个一级维度表
11.4 业务库的表发送变化怎么办？
1）新字段，历史数据需不需要补全
需要：一点点改，重新跑任务
不需要：从新增开始，有数据就行，改数仓脚本就行，加上字段
2）减字段
改数仓脚本，减去字段
11.5 数仓有几张表
ods：日志1张，业务27张
dwd：日志5张，9张事实表，6张维度表
dws：宽表6张
dwt：宽表6张
ads：约30张
我们公司100张左右
11.6 数仓哪张表最大？
50G / 5张日志表 = 平均10G
用户行为宽表：10G * 3 = 每天30多G
11.7 实时资源
Flink：JobManager，128M~2G
TaskManager，1）并行度：2的n次方 8
2）内存：4G
3）每个TaskManager的slot数：4
平均一个job至少要10G内存
11.8 平均每张表每天多大？
日志： 每天每张平均10G
业务： 每天每张平均 34m左右，大的表 5倍 =》 170M左右，
小的表 5M左右
11.9 数据治理
元数据管理：hive表的元数据
数据质量监控：数据量的监控、重复数据监控、空值监控
底层实现：SQL
底层：shell脚本
权限管理：ranger
11.10 数据中台
11.11 数据湖
