网站建设汉狮怎么样百度公司总部在哪里
文章目录
- ODS层及DWD层构建
- 01：课程回顾
- 02：课程目标
- 03：数仓分层回顾
- 04：Hive建表语法
- 05：Avro建表语法
ODS层及DWD层构建
01：课程回顾
-
一站制造项目的数仓设计为几层以及每一层的功能是什么？
- ODS：原始数据层：存放从Oracle中同步采集的所有原始数据
- DW：数据仓库层
- DWD：明细数据层：存储ODS层进行ETL以后的数据
- DWB：轻度汇总层：对DWD层的数据进行轻度聚合：关联和聚合
- 基于每个主题构建主题事务事实表
- DWS：维度数据层：对DWD层的数据进行维度抽取
- 基于每个主题的维度需求抽取所有维度表
- ST：数据应用层
- 基于DWB和DWS的结果进行维度的聚合
- DM：数据集市层
- 用于归档存储公司所有部门需要的shuju
-
一站制造项目的数据来源是什么，核心的数据表有哪些？
- 数据来源：业务系统
- ERP：公司资产管理系统、财务数据
- 工程师信息、零部件仓储信息
- CISS：客户服务管理系统
- 工单信息、站点信息、客户信息
- 呼叫中心系统
- 来电受理信息、回访信息
-
一站制造项目中在数据采集时遇到了什么问题，以及如何解决这个问题？
- 技术选型：Sqoop
- 问题：发现采集以后生成在HDFS上文件的行数与实际Oracle表中的数据行数不一样，多了
- 原因：Sqoop默认将数据写入HDFS以普通文本格式存储，一旦遇到数据中如果包含了特殊字符\n，将一行的数据解析为多行
- 解决
- 方案一：Sqoop删除特殊字段、替换特殊字符【一般不用】
- 方案二：更换其他数据文件存储类型：AVRO
- 数据存储：Hive
- 数据计算：SparkSQL
-
什么是Avro格式，有什么特点？
- 二进制文本：读写性能更快
- 独立的Schema：生成文件每一行所有列的信息
- 对列的扩展非常友好
- Spark与Hive都支持的类型
-
如何实现对多张表自动采集到HDFS？
-
需求
- 读取表名
- 执行Sqoop命令
-
效果：将所有增量和全量表的数据采集到HDFS上
-
全量表路径：维度表：数据量、很少发生变化
/data/dw/ods/one_make/ full_imp /表名/分区/数据 -
增量表路径：事实表：数据量不断新增，整体相对较大
/data/dw/ods/one_make/ incr_imp /表名/分区/数据 -
Schema文件的存储目录
/data/dw/ods/one_make/avsc
-
-
Shell：业务简单，Linux命令支持
-
Python：业务复杂，是否Python开发接口
- 调用了LinuxShell来运行
-
-
Python面向对象的基本应用
-
语法
-
定义类
class 类名:# 属性：变量# 方法：函数 -
定义变量
key = value -
定义方法
def funName(参数):方法逻辑return
-
-
面向对象：将所有事物以对象的形式进行编程，万物皆对象
- 对象：是类的实例
-
对象类：专门用于构造对象的，一般称为Bean，代表某一种实体Entity
-
类的组成
class 类名:# 属性：变量# 方法：函数 -
业务：实现人购买商品
-
人
class Person:# 属性id = 1name = zhangsanage = 18gender = 1……# 方法def eat(self,something):print(f"{self.name} eating {something}")def buy(self,something)print(f"{self.name} buy {something}")- 每个人都是一个Person类的对象
-
商品
class Product:# 属性id = 001price = 1000.00size = middlecolor = blue……# 方法def changePrice(self,newPrice):self.price = newPirce
-
-
-
工具类：专门用于封装一些工具方法的，utils，代表某种操作的集合
-
类的组成：一般只有方法
class 类名:# 方法：函数 -
字符串处理工具类：拼接、裁剪、反转、长度、转大写、转小写、替换、查找
class StringUtils:def concat(split,args*):split.join(args)def reverse(sourceString)return reverse(sourceString)…… -
日期处理工具类：计算、转换
class TimeUitls:def computeTime(time1,time2):return time1-time2def transTimestamp(timestamp):return newDateyyyy-MM-dd HH:mm:ss)def tranfData(date)return timestamp
-
-
常量类：专门用于定义一些不会发生改变的变量的类
-
类的组成：一般只有属性
class 类名:# 属性：不发生变化的属性 -
定义一个常量类
class Common:ODS_DB_NAME = "one_make_ods"……-
file1.py：创建数据库
create database if not exists Common.ODS_DB_NAME;-
file2.py：创建表
``` create table if not exists Common.ODS_DB_NAME.tbname ```-
file3.py：插入数据到表中
insert into table Common.ODS_DB_NAME.tbname -
问题1：容易写错
-
问题2：不好修改
-
-
-
-
-
02：课程目标
- 目标：自动化的ODS层与DWD层构建
- 实现
- 掌握Hive以及Spark中建表的语法规则
- 实现项目开发环境的构建
- 自己要实现所有代码注释
- ODS层与DWD层整体运行测试成功
03：数仓分层回顾
-
目标：回顾一站制造项目分层设计
-
实施
-
ODS层 ：原始数据层
-
来自于Oracle中数据的采集
-
数据存储格式：AVRO
-
ODS区分全量和增量
-
实现
-
数据已经采集完成
/data/dw/ods/one_make/full_imp /data/dw/ods/one_make/incr_imp -
step1：创建ODS层数据库：one_make_ods
-
step2：根据表在HDFS上的数据目录来创建分区表
-
step3：申明分区
-
-
-
DWD层
- 来自于ODS层数据
- 数据存储格式：ORC
- 不区分全量和增量的
- 实现
- step1：创建DWD层数据库：one_make_dwd
- step2：创建DWD层的每一张表
- step3：从ODS层抽取每一张表的数据写入DWD层对应的表中
-
-
小结
- 回顾一站制造项目分层设计
04：Hive建表语法
-
目标：掌握Hive建表语法
-
实施
CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name (col1Name col1Type [COMMENT col_comment],co21Name col2Type [COMMENT col_comment],co31Name col3Type [COMMENT col_comment],co41Name col4Type [COMMENT col_comment],co51Name col5Type [COMMENT col_comment],……coN1Name colNType [COMMENT col_comment]) [PARTITIONED BY (col_name data_type ...)] [CLUSTERED BY (col_name...) [SORTED BY (col_name ...)] INTO N BUCKETS] [ROW FORMAT row_format]row format delimited fields terminated by lines terminated by [STORED AS file_format] [LOCATION hdfs_path] TBLPROPERTIES- EXTERNAL：外部表类型（删除表的时候，不会删除hdfs中数据）
- 内部表、外部表、临时表
- PARTITIONED BY：分区表结构
- 普通表、分区表、分桶表
- CLUSTERED BY：分桶表结构
- ROW FORMAT：指定分隔符
- 列的分隔符：\001
- 行的分隔符：\n
- STORED AS：指定文件存储类型
- ODS：avro
- DWD：orc
- LOCATION：指定表对应的HDFS上的地址
- 默认：/user/hive/warehouse/dbdir/tbdir
- TBLPROPERTIES：指定一些表的额外的一些特殊配置属性
- EXTERNAL：外部表类型（删除表的时候，不会删除hdfs中数据）
-
小结
- 掌握Hive建表语法
05：Avro建表语法
-
目标：掌握Hive中Avro建表方式及语法
-
路径
- step1：指定文件类型
- step2：指定Schema
- step3：建表方式
-
实施
-
Hive官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL#LanguageManualDDL-CreateTable
-
DataBrics官网：https://docs.databricks.com/spark/2.x/spark-sql/language-manual/create-table.html
-
Avro用法：https://cwiki.apache.org/confluence/display/Hive/AvroSerDe
-
指定文件类型
-
方式一：指定类型
stored as avro -
方式二：指定解析类
--解析表的文件的时候，用哪个类来解析 ROW FORMAT SERDE'org.apache.hadoop.hive.serde2.avro.AvroSerDe' --读取这张表的数据用哪个类来读取 STORED AS INPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' --写入这张表的数据用哪个类来写入 OUTPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat'
-
-
指定Schema
-
方式一：手动定义Schema
CREATE TABLE embedded COMMENT "这是表的注释" ROW FORMAT SERDE'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED AS INPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' TBLPROPERTIES ('avro.schema.literal'='{"namespace": "com.howdy","name": "some_schema","type": "record","fields": [ { "name":"string1","type":"string"}]}' ); -
方式二：加载Schema文件
CREATE TABLE embedded COMMENT "这是表的注释" ROW FORMAT SERDE'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED as INPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' TBLPROPERTIES ('avro.schema.url'='file:///path/to/the/schema/embedded.avsc' );
-
-
建表语法
-
方式一：指定类型和加载Schema文件
create external table one_make_ods_test.ciss_base_areas comment '行政地理区域表' PARTITIONED BY (dt string) stored as avro location '/data/dw/ods/one_make/full_imp/ciss4.ciss_base_areas' TBLPROPERTIES ('avro.schema.url'='/data/dw/ods/one_make/avsc/CISS4_CISS_BASE_AREAS.avsc'); -
方式二：指定解析类和加载Schema文件
create external table one_make_ods_test.ciss_base_areas comment '行政地理区域表' PARTITIONED BY (dt string) ROW FORMAT SERDE'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED AS INPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' location '/data/dw/ods/one_make/full_imp/ciss4.ciss_base_areas' TBLPROPERTIES ('avro.schema.url'='/data/dw/ods/one_make/avsc/CISS4_CISS_BASE_AREAS.avsc');create external table 数据库名称.表名 comment '表的注释' partitioned by ROW FORMAT SERDE'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED AS INPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' location '这张表在HDFS上的路径' TBLPROPERTIES （'这张表的Schema文件在HDFS上的路径'）
-
-
-
小结
- 掌握Hive中Avro建表方式及语法