数仓设计及数据采集
1. **数据仓库设计**
- 建模：维度建模：【事实表、维度表】
- 分层：ODS、DW【DWD、DWM、DWS】、APP
- **==掌握本次项目中数仓的分层==**
- ODS、DWD、DWB、DWS、ST、DM
2. 业务系统流程和数据来源
- 数据源
- 常见的数据表
3. **==数据采集==**
- 核心1：实现自动化增量采集
- 核心2：Sqoop采集中的一个特殊问题以及解决方案
数仓设计回顾
- **目标**：了解数据仓库设计的核心知识点
- **路径**
- step1：分层
- step2：建模
- **实施**
- **分层**
- 什么是分层？
- 本质：规范化数据的处理流程
- 实现：每一层在Hive中就是一个数据库
- 为什么要分层？
- 清晰数据结构：每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。
- 数据血缘追踪：简单来讲可以这样理解，我们最终给业务诚信的是一能直接使用的张业务表，但是它的来源有很多，如果有一张来源表出问题了，我们希望能够快速准确地定位到问题，并清楚它的危害范围。
- 减少重复开发：规范数据分层，开发一些通用的中间层数据，能够减少极大的重复计算。
- 把复杂问题简单化：一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。
- 屏蔽原始数据的异常对业务的影响：不必改一次业务就需要重新接入数据
- 怎么分层？
- ODS：原始数据层/操作数据层，最接近与原始数据的层次，数据基本与原始数据保持一致
- DW：数据仓库层，实现数据的处理转换
- DWD：实现ETL
- DWM：轻度聚合
- DWS：最终聚合
- ADS/APP/DA：数据应用层
建模
- 什么是建模？
- 本质：决定了数据存储的方式，表的设计
- 为什么要建模？
- **大数据系统需要数据模型方法来帮助更好地组织和存储数据，以便在性能、成本、效率和质量之间取得最佳平衡。**
- 性能：良好的数据模型能帮助我们快速查询所需要的数据，减少数据的I/O吞吐
- 成本：良好的数据模型能极大地减少不必要的数据冗余，也能实现计算结果复用，极大地降低大数据系统中的存储和计算成本
- 效率：良好的数据模型能极大地改善用户使用数据的体验，提高使用数据的效率
- 质量：良好的数据模型能改善数据统计口径的不一致性，减少数据计算错误的可能性
- 有哪些建模方法？
- ER模型：从全企业的高度设计一个 3NF 【三范式】模型，用实体关系模型描述企业业务，满足业务需求的存储
- **维度模型**：从分析决策的需求出发构建模型，为分析需求服务，重点关注用户如何更快速的完成需求分析，具有较好的大规模复杂查询的响应性能
- Data Vault：ER 模型的衍生，基于主题概念将企业数据进行结构化组织，并引入了更进一步的范式处理来优化模型，以应对源系统变更的扩展性
- Anchor：一个高度可扩展的模型，核心思想是所有的扩展知识添加而不是修改，因此将模型规范到 6NF，基本变成了 k-v 结构化模型
- 怎么构建维度模型步骤？
- a.选择业务过程：你要做什么？
- b.声明粒度：你的分析基于什么样的颗粒度？
- c.确认环境的维度：你的整体有哪些维度？
- d.确认用于度量的事实：你要基于这些维度构建哪些指标？
具体的实施流程是什么？
- a.需求调研：业务调研和数据调研
- 业务调研：明确分析整个业务实现的过程
- 数据调研：数据的内容是什么
- b.划分主题域：面向业务将业务划分主题
- 构建哪些主题域以及每个主题域中有哪些主题
- 服务域：工单主题、回访主题、物料主题
- c.构建维度总线矩阵：明确每个业务主题对应的维度关系
- d.明确指标统计：明确所有原生指标与衍生指标
- 工单主题：安装工单个数、维修工单个数……
- 回访主题：用户满意个数、不满意个数、服务态度不满意个数、技术能力不满意个数
- e.定义事实与维度规范
- 分层规范
- 开发规范
- ……
- f.代码开发
- 事实表
- 表的分类
- 事务事实表：原始的事务事实的数据表，原始业务数据表
- 周期快照事实表：周期性对事务事实进行聚合的结果
- 累计快照事实表：随着时间的变化，事实是不定的，不断完善的过程
- 无事实事实表：特殊的事实表，里面没有事实，是多个维度的组合，用于求事实的差值
- 值的分类
- 可累加事实：在任何维度下指标的值都可以进行累加
- 半可累加事实：在一定维度下指标的值都可以进行累加
- 不可累加事实：在任何维度下指标的值都不可以进行累加
- 维度表
- 维度设计模型
- 雪花模型：维度表拥有子维度表，部分维度表关联在维度表中，间接的关联事实表
- **==星型模型/星座模型==**：维度表没有子维度，直接关联在事实表上，星座模型中有多个事实
- 上卷与下钻
- 上卷：从小维度到一个大的维度，颗粒度从细到粗
- 下钻：从大维度到一个小的维度，颗粒度从粗到细
- 拉链表
- 功能：解决事实中渐变维度发生变化的问题，通过时间来标记维度的每一种状态，存储所有状态
- 实现
- step1：先采集所有增量数据到更新表中
- step2：将更新表的数据与老的拉链表的数据进行合并写入一张临时表
- step3：将临时表的结果覆盖到拉链表中
分层整体设计
掌握油站分析项目中的分层整体设计
实施
ODS：原始数据层：最接近于原始数据的层次，直接采集写入层次：**原始事务事实表**
- **DWD**：明细数据层：对ODS层的数据根据业务需求实现ETL以后的结果：ETL以后事务事实表
- **DWB**：基础数据层：类似于以前讲解的DWM，轻度聚合
- 关联：将主题事实的表进行关联，所有与这个主题相关的字段合并到一张表
- 聚合：基于主题的事务事实构建基础指标
- **主题事务事实表**
- **ST**：数据应用层：类似于以前讲解的APP，存储每个主题基于维度分析聚合的结果：**周期快照事实表**
- 供数据分析的报表
- **DM**：数据集市：按照不同部门的数据需求，将暂时没有实际主题需求的数据存储
- 做部门数据归档，方便以后新的业务需求的迭代开发
- **DWS**：维度数据层：类似于以前讲解的DIM：存储**维度数据表**
- 数据仓库设计方案
- 从上到下：在线教育：先明确需求和主题，然后基于主题的需求采集数据，处理数据
- 场景：数据应用比较少，需求比较简单
- **==上下到上==**：一站制造：将整个公司所有数据统一化在数据仓库中存储准备，根据以后的需求，动态直接获取数据
- 场景：数据应用比较多，业务比较复杂
- **小结**
- 掌握油站分析项目中的分层整体设计
- ODS：原始数据层
- DWD：明细数据层
- DWB：轻度汇总层
- ST：数据应用层
- DM：数据集市层
- DWS：维度数据层
分层具体功能
- **目标**：掌握油站分析的每层的具体功能
- **实施**
- **ODS**
- 数据内容：存储所有原始业务数据，基本与Oracle数据库中的业务数据保持一致
- 数据来源：使用Sqoop从Oracle中同步采集
- 存储设计：Hive分区表，avro文件格式存储，保留3个月
- **DWD**
- 数据内容：存储所有业务数据的明细数据
- 数据来源：对ODS层的数据进行ETL扁平化处理得到
- 存储设计：Hive分区表，orc文件格式存储，保留所有数据
- **DWB**
- 数据内容：存储所有事实与维度的基本关联、基本事实指标等数据
- 数据来源：对DWD层的数据进行清洗过滤、轻度聚合以后的数据
- 存储设计：Hive分区表，orc文件格式存储，保留所有数据
- **ST**
- 数据内容：存储所有报表分析的事实数据
- 数据来源：基于DWB和DWS层，通过对不同维度的统计聚合得到所有报表事实的指标
- **DM**
- 数据内容：存储不同部门所需要的不同主题的数据
- 数据来源：对DW层的数据进行聚合统计按照不同部门划分
- **DWS**
- 数据内容：存储所有业务的维度数据：日期、地区、油站、呼叫中心、仓库等维度表
- 数据来源：对DWD的明细数据中抽取维度数据
- 存储设计：Hive普通表，orc文件 + Snappy压缩
- 特点：数量小、很少发生变化、全量采集
- **小结**
- 掌握油站分析的每层的具体功能
业务系统结构
了解一站制造中的业务系统结构
实施
数据来源
- 业务流程
- 油站站点联系呼叫中心，申请工单
- 呼叫中心分派工单给工程师
- 工程师完成工单
- 工程师费用报销
- 呼叫中心回访工单
- **ERP系统**：企业资源管理系统，存储整个公司所有资源的信息
- 所有的工程师、物品、设备产品供应链、生产、销售、财务的信息都在ERP系统中
- **CISS系统**：客户服务管理系统，存储所有用户、运营数据
- 工单信息、用户信息
- **呼叫中心系统**：负责实现所有客户的需求申请、调度、回访等
- 呼叫信息、分配信息、回访信息
- **组织结构**
- 运营部（编制人数300人）
- 负责服务策略制定和实施，对服务网络运营过程管理。部门职能包括物料管理、技术支持、服务效率管理、服务质量控制、服务标准化和可视化实施等工作。承担公司基础服务管理方面具体目标责任
- 综合管理部（编制人数280人）
- 下属部门有呼叫中心、信息运维、人事行政、绩效考核与培训、企划部等部门。负责公司市场部、运营部、财务部等专业业务以外的所有职能类工作，包括行政后勤管理、劳动关系、绩效考核与培训、企划宣传、采购需求管理、信息建设及数据分析、公司整体目标和绩效管理等工作。
- 市场部（编制人数50人）
- 负责客户需求开发、服务产品开发、市场拓展与销售管理工作，执行销售策略、承担公司市场、销售方面具体目标责任。
- 财务部（编制人数10人）
- 负责服务公司财务收支、费用报销、报表统计、财务分析等财务管理工作
- 市场销售服务中心（编制人数4000人）
- 负责服务产品销售，设备的安装、维护、修理、改造等工作，严格按照公司管理标准实施日常服务工作
- **业务流程**
业务系统数据
熟悉业务系统核心数据表
实施
切换查看数据库
查看数据表
- CISS_BASE：基础数据表
- 报销项目核算、地区信息、服务商信息、设备信息、故障分类、出差补助信息、油站基础信息等
- CISS_SERVICE、CISS_S：服务数据表
- 来电受理单信息、改派记录信息、故障更换材料明细信息、综合报销信息、服务单信息、安装单、维修单、改造单信息
- CISS_MATERIAL、CISS_M：仓储物料表
- 物料申明明细信息、网点物料调配申请等
- ORG：组织机构数据
- 部门信息、员工信息等
- EOS：字典信息表
- 存放不同状态标识的字典
核心数据表
- 运营分析
- 工单分析、安装分析、维修分析、巡检分析、改造分析、来电受理分析
- 提高服务质量
- 回访分析
- 运营成本核算
- 收入、支持分析
全量与增量分析
了解全量表与增量表数据采集需求
实施
全量表
- 所有维度数据表
- 场景：不会经常发生变化的数据表，例如维度数据表等
- 数据表：组织机构信息、地区信息、服务商信息、数据字典等
- 表名：参考文件《full_import_tables.txt》
- **增量表**
- 所有事务事实的数据表
- 场景：经常发生变化的数据表，例如业务数据、用户行为数据等
- 数据表：工单数据信息、呼叫中心信息、物料仓储信息、报销费用信息等
- 表名：参考文件《incr_import_tables.txt》
Sqoop命令回顾
目标：掌握Sqoop常用命令的使用
路径
- step1：语法
- step2：数据库参数
- step3：导入参数
- step4：导出参数
- step5：其他参数
实施
语法
- **数据库参数**
- --connect jdbc:mysql://hostname:3306
- --username
- --password
- --table
- --columns
- --where
- -e/--query
- **导入参数**
- --delete-target-dir
- --target-dir
- --hcatalog-database
- --hcatalog-table
- **导出参数**
- --export-dir
- --hcatalog-database
- --hcatalog-table
- **其他参数**
- -m
- 查看结果
YARN资源调度及配置
实现YARN的资源调度配置
实施
- 常用端口记住：排错
- NameNode：8020,50070
- ResourceManager：8032,8088
- JobHistoryServer：19888
- Master：7077,8080
- HistoryServer：18080
- YARN调度策略
- FIFO：不用
- 单队列，队列内部FIFO，所有资源只给一个程序运行
- Capacity：Apache
- 多队列，队列内部FIFO，资源分配给不同的队列，队列内部所有资源只给一个程序运行
- Fair：CDH
- 多队列，队列内部共享资源，队列内部的资源可以给多个程序运行
- YARN面试题
- 程序提交成功，但是不运行而且不报错，什么问题，怎么解决？
- 资源问题：APPMaster就没有启动
- 环境问题
- NodeManager进程问题：进程存在，但不工作
- 机器资源不足导致YARN或者HDFS服务停止：磁盘超过90%，所有服务不再工作
- 解决：实现监控告警：80%，邮件告警
- YARN中程序运行失败的原因遇到过哪些？
- 代码逻辑问题
- 资源问题：Container
- Application / Driver：管理进程
- MapTask和ReduceTask / Executor：执行进程
- 解决问题：配置进程给定更多的资源
问题3：怎么提高YARN集群的并发度？
- 物理资源、YARN资源、Container资源、进程资源
