Hadoop生态综合案例

关于Hadoop的使用

找不到或无法加载主类

hadoop执行mapreduce操作时报找不到或无法加载主类 org.apache.hadoop.mapreduce.v2.app.MRAppMaster

1	hadoop classpath

修改yarn-siet.xml文件

vi $HADOOP_HOME/etc/hadoop/yarn-site.xml

<property>
	<name>yarn.application.classpath</name>
	<value>
		// 第一步的结果
	</value>
</property>

词频统计

陌陌聊天数据分析

陌陌聊天数据分析案例需求

背景介绍

陌陌作为聊天平台每天都会有大量的用户在线，会出现大量的聊天数据，通过对聊天数据的统计分析，可以更好的对用户构建精准的用户画像，为用户提供更好的服务以及实现高ROI的平台运营推广，给公司的发展决策提供精确的数据支撑。

目标需求

目标
基于Hadoop和Hive实现聊天数据统计分析，构建聊天数据分析报表

需求

统计今日总消息量
统计今日每小时消息量、发送和接收用户数
统计今日各地区发送消息数据量
统计今日发送消息和接收消息的用户数
统计今日发送消息最多的Top10用户
统计今日接收消息最多的Top10用户
统计发送人的手机型号分布情况
统计发送人的设备操作系统分布情况

数据内容

数据大小：两个文件共14万条数据
列分隔符：制表符\t
数据字典及样例数据

基于Hive数仓使用SQL实现需求开发

建库建表、加载数据

--如果数据库已存在就删除
-- cascade 表示级联删除，即同时删除依赖于该数据库的所有对象，如表、视图、函数等。这也是一个可选的语法，但建议在需要完全清除数据库时使用。
drop database if exists db_momo cascade;
--创建数据库
create database db_momo;
--切换数据库
use db_momo;
--列举数据库
show databases;

--如果表已存在就删除
drop table if exists db_momo.tb_msg_source ;
--建表
create table db_momo.tb_msg_source
(
    msg_time string comment "消息发送时间",
    sender_name string comment "发送人昵称",
    sender_account string comment "发送人账号",
    sender_sex string comment "发送人性别",
    sender_ip string comment "发送人ip地址",
    sender_os string comment "发送人操作系统",
    sender_phonetype string comment "发送人手机型号",
    sender_network string comment "发送人网络类型",
    sender_gps string comment "发送人的GPS定位",
    receiver_name string comment "接收人昵称",
    receiver_ip string comment "接收人IP",
    receiver_account string comment "接收人账号",
    receiver_os string comment "接收人操作系统",
    receiver_phonetype string comment "接收人手机型号",
    receiver_network string comment "接收人网络类型",
    receiver_gps string comment "接收人的GPS定位",
    receiver_sex string comment "接收人性别",
    msg_type string comment "消息类型",
    distance string comment "双方距离",
    message string comment "消息内容"
)--指定分隔符为制表符
row format delimited
fields terminated by '\t';

HDFS上创建目录

1	hadoop fs -mkdir -p /momo/data

上传到HDFS

1 2	hadoop fs -put /root/data/data1.tsv /momo/data/ hadoop fs -put /root/data/data2.tsv /momo/data/

1 2	load data inpath '/momo/data/data1.tsv' into table db_momo.tb_msg_source; load data inpath '/momo/data/data2.tsv' into table db_momo.tb_msg_source;

验证结果

1	select msg_time,sender_name,sender_ip,sender_phonetype,receiver_name,receiver_network from tb_msg_source limit 10;

ETL数据清洗

原始数据：聊天业务系统中导出的2021年11月01日一天24小时的用户聊天数据，以TSV文本形式存储在文件中

数据问题

问题1：当前数据中，有一些数据的字段为空，不是合法数据

1	select msg_time,sender_name,sender_gps from tb_msg_source where length(sender_gps) = 0 limit 10;

问题2：需求中，需要统计每天、每个小时的消息量，但是数据中没有天和小时字段，只有整体时间字段，不好处理
1
select msg_time from tb_msg_source limit 10;
问题3：需求中，需要对经度和维度构建地区的可视化地图，但是数据中GPS经纬度为一个字段，不好处理
1
select sender_gps from tb_msg_source limit 10;

ETL需求

需求1：对字段为空的不合法数据进行过滤
Where过滤
需求2：通过时间字段构建天和小时字段
Substr函数
需求3：从GPS的经纬度中提取经度和维度
Split函数
需求4：将ETL以后的结果保存到一张新的Hive表中
Create table …… as select ……

ETL实现

--如果表已存在就删除
drop table if exists tb_msg_etl;
--将Select语句的结果保存到新表中
create table tb_msg_etl as
    select *,substr(msg_time,0,10) as dayinfo, substr(msg_time,12,2) as hourinfo, --获取天和小时
    split(sender_gps,",")[0] as sender_lng, split(sender_gps,",")[1] as sender_lat --提取经度纬度
from tb_msg_source
--过滤字段为空的数据
where length(sender_gps) > 0;

查看结果

1	select msg_time,dayinfo,hourinfo,sender_gps,sender_lng,sender_lat from tb_msg_etl limit 10;

需求指标统计

实际开发中，拿到业务需求指标，如何下手？
SQL层面如何编写查询语句？

正确解读业务需求，避免歧义
确定待查询的数据表—>from表
找出分析的维度—>group by分组的字段
找出计算的指标—>聚合的字段
其他细节点（过滤、排序等）

查询类SQL编写思路举例

表：t_user(id，name，age，sex，city)
需求：统计每个城市男女人数与男女平均年龄
分组字段：每个城市、男女
也就意味着同一个城市，性别相同的人应该分到同一组，因此这里需要根据两个字段进行分组
聚合字段：人数、平均年龄
count(id)就是统计每个分组中的条数—>人数
avg(age)就是统计每个分组中年龄的平均值—>平均年龄

需求指标统计

根据目标需求

统计今日消息总量

--保存结果表
create table if not exists tb_rs_total_msg_cnt comment "今日消息总量"
as
select dayinfo,count(*) as total_msg_cnt from tb_msg_etl group by dayinfo;

select * from tb_rs_total_msg_cnt;

统计每小时消息量、发送和接收用户数

--保存结果表
create table if not exists tb_rs_hour_msg_cnt comment "每小时消息量趋势"
as
select dayinfo,hourinfo,count(*) as total_msg_cnt,count(distinct sender_account) as sender_usr_cnt,count(distinct receiver_account) as receiver_usr_cnt
from tb_msg_etl group by dayinfo,hourinfo;

select * from tb_rs_hour_msg_cnt;

统计今日各地区发送消息总量

--保存结果表
create table if not exists tb_rs_loc_cnt comment "今日各地区发送消息总量"
as
select dayinfo,sender_gps,cast(sender_lng as double) as longitude,cast(sender_lat as double) as latitude,count(*) as total_msg_cnt
from tb_msg_etl group by dayinfo,sender_gps,sender_lng,sender_lat;

select * from tb_rs_loc_cnt;

统计今日发送和接收用户人数

--保存结果表
create table if not exists tb_rs_usr_cnt comment "今日发送消息人数、接受消息人数"
as
select dayinfo,count(distinct sender_account) as sender_usr_cnt,count(distinct receiver_account) as receiver_usr_cnt
from tb_msg_etl group by dayinfo;

select * from tb_rs_usr_cnt;

统计发送消息条数最多的Top10用户

--保存结果表
create table if not exists tb_rs_susr_top10 comment "发送消息条数最多的Top10用户"
as
select dayinfo,sender_name as username,count(*) as sender_msg_cnt
from tb_msg_etl group by dayinfo,sender_name order by sender_msg_cnt desc limit 10;

select * from tb_rs_susr_top10;

统计接收消息条数最多的Top10用户

--保存结果表
create table if not exists tb_rs_rusr_top10 comment "接受消息条数最多的Top10用户"
as
select dayinfo,receiver_name as username,count(*) as receiver_msg_cnt
from tb_msg_etl group by dayinfo,receiver_name order by receiver_msg_cnt desc limit 10;

select * from tb_rs_rusr_top10;

统计发送人的手机型号分布情况

--保存结果表
create table if not exists tb_rs_sender_phone comment "发送人的手机型号分布"
as
select dayinfo,sender_phonetype,count(distinct sender_account) as cnt
from tb_msg_etl group by dayinfo,sender_phonetype;

select * from tb_rs_sender_phone limit 10;

统计发送人的操作系统分布

--保存结果表
create table if not exists tb_rs_sender_os comment "发送人的OS分布"
as
select dayinfo,sender_os,count(distinct sender_account) as cnt
from tb_msg_etl group by dayinfo,sender_os;

select * from tb_rs_sender_os limit 10;

基于FineBI实现可视化报表

FineBI的介绍

FineBI 是帆软软件有限公司推出的一款商业智能（Business Intelligence）产品。FineBI 是定位于自助大数据分析的BI 工具，能够帮助企业的业务人员和数据分析师，开展以问题导向的探索式分析。

FineBI的特点

通过多人协作来实现最终的可视化构建
不需要通过复杂代码来实现开发，通过可视化操作实现开发
适合于各种数据可视化的应用场景
支持各种常见的分析图表和各种数据源
支持处理大数据

FineBI安装

环境要求

FineBI支持安装在主流操作系统上，但对操作系统的CPU、JDK版本、内存等均有要求，目前的系统要求如下：

Windows（仅支持64位）：
- 系统：windows7或更高版本
- JDK：JDK1.8及以上（Oracle）
- CPU：Intel Core i3-4代或更快的处理器
- 内存：4G或以上
- 磁盘：至少2G可用空间
Mac（64位）：
- 系统：MacOS10或更高版本
- JDK：JDK1.8及以上（Oracle）
- CPU：Intel Core i3-4代或更快的处理器
- 内存：4G或以上
- 磁盘：至少2G可用空间