模块A:大数据平台搭建(容器环境)
环境说明:
服务端登录地址详见各模块服务端说明。 补充说明:宿主机可通过Asbru工具或SSH客户端进行SSH访问; 相关软件安装包在容器Master节点的/opt/software目录下,请选择对应的安装包进行安装,用不到的可忽略; 所有模块中应用命令必须采用绝对路径; 进入Master节点的方式为 docker exec -it master /bin/bash 进入Slave1节点的方式为 docker exec -it slave1 /bin/bash 进入Slave2节点的方式为 docker exec -it slave2 /bin/bash 三个容器节点的root密码均为123456 |
任务一:Hadoop 完全分布式安装配置
本环节需要使用root用户完成相关配置,安装Hadoop需要配置前置环境。命令中要求使用绝对路径,具体部署要求如下:
- 将容器Master节点JDK安装包解压并移动到/opt/module路径中(若路径不存在,则需新建),将命令复制并粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 修改/etc/profile文件,设置JDK环境变量,配置完毕后在master节点分别执行“java -version”和“javac”命令,将命令行执行结果分别截图并粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 请完成host相关配置,将三个节点分别命名为master、slave1、slave2,并做免密登录,用scp命令并使用绝对路径从master复制JDK解压后的安装文件到slave1、slave2节点(若路径不存在,则需新建),并配置slave1、slave2相关环境变量,将全部复制命令复制并粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 在容器Master将Hadoop解压到/opt/module(若路径不存在,则需新建)目录下,并将解压包分发至slave1、slave2中,其中master、slave1、slave2节点均作为datanode,配置好相关环境,初始化Hadoop环境namenode,将初始化命令及初始化结果截图(截取初始化结果结束倒数20行即可)复制粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 启动Hadoop集群(包括hdfs和yarn),使用jps命令查看master节点与slave1节点的java进程,将jps命令与结果截图复制粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下。
任务二:HBase分布式部署
本环节需要使用root用户完成相关配置,安装HBase需要配置Hadoop和ZooKeeper等前置环境。命令中要求使用绝对路径,具体要求如下:
- 确认是否完成Hadoop和ZooKeeper的分布式安装部署,若没有请进行安装部署并启动。完成部署后在三个节点分别使用jps命令,并将结果分别截图粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 将容器Master节点HBase安装包解压到/opt/module目录下,将解压命令复制并粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 用scp命令并使用绝对路径从master复制HBase解压后的包分发至slave1、slave2中,并修改相关配置,配置好环境变量,在容器Master节点中运行命令hbase version,将全部复制命令复制并将hbase version命令的结果截图粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 启动HBase后在三个节点分别使用jps命令查看,并将结果分别截图粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;正常启动后在hbase shell中查看命名空间,将查看命名空间的结果截图粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下。
任务三:ClickHouse单机部署
本环节需要使用root用户完成相关配置,具体要求如下:
- 将容器Master节点ClickHouse相关安装包解压到/opt/module/clickhouse目录下(若路径不存在,则需新建),将全部解压命令复制并粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 执行启动各个相关脚本,将全部启动命令复制并将执行结果(截取结果最后倒数15行即可)截图粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 设置远程访问并移除默认监听文件(listen.xml),同时由于9000端口被Hadoop占用,需要将clickhouse的端口更改为9001,将上述要求的设置远程访问配置文件配置截图、端口更改后配置文件配置复制并粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下;
- 启动clickhouse,启动后查看clickhouse运行状态,并将启动命令复制、查看运行状态命令复制并将执行结果截图粘贴至客户端桌面【Release\模块A提交结果.docx】中对应的任务序号下。
模块B:数据采集
环境说明:
服务端登录地址详见各模块服务端说明。 补充说明:各节点可通过Asbru工具或SSH客户端进行SSH访问; 主节点MySQL数据库用户名/密码:root/123456(已配置远程连接); Hive的配置文件位于主节点/opt/module/hive-3.1.2/conf/ Spark任务在Yarn上用Client运行,方便观察日志; 建议使用gson解析json数据。 |
任务一:离线数据采集
编写Scala工程代码,将MySQL的ds_db01库中表order_master、order_detail、coupon_info、coupon_use、product_browse、product_info、customer_inf、customer_login_log、order_cart、customer_level_inf、customer_addr的数据增量抽取到Hive的ods库中对应表order_master、order_detail、coupon_info、coupon_use、product_browse、product_info、customer_inf、customer_login_log、order_cart、customer_level_inf、customer_addr中(ods库中部分表没有数据,正常抽取即可)。
- 抽取ds_db01库中order_master的增量数据进入Hive的ods库中表order_master。根据ods.order_master表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.order_master命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中order_detail的增量数据进入Hive的ods库中表order_detail。根据ods.order_detail表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.order_detail命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中coupon_info的增量数据进入Hive的ods库中表coupon_info,根据ods.coupon_info表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.coupon_info命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中coupon_use的增量数据进入Hive的ods库中表coupon_use,增量字段取ods.coupon_use表中get_time、used_time、pay_time中的最大者,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用Hive Cli查询最新分区数据总条数,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中product_browse的增量数据进入Hive的ods库中表product_browse,根据ods.product_browse表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.product_browse命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下。
- 抽取ds_db01库中product_info的增量数据进入Hive的ods库中表product_info,根据ods.product_info表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.product_info命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中customer_inf的增量数据进入Hive的ods库中表customer_inf,根据ods.customer_inf表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.customer_inf命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中customer_login_log的增量数据进入Hive的ods库中表customer_login_log,根据ods.customer_login_log表中login_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods. customer_login_log命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中order_cart的增量数据进入Hive的ods库中表order_cart,根据ods.order_cart表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.order_cart命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中customer_addr的增量数据进入Hive的ods库中表customer_addr,根据ods.customer_addr表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods. customer_addr命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
- 抽取ds_db01库中customer_level_inf的增量数据进入Hive的ods库中表customer_level_inf,根据ods.customer_level_inf表中modified_time作为增量字段,只将新增的数据抽入,字段名称、类型不变,同时添加静态分区,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd)。使用hive cli执行show partitions ods.customer_level_inf命令,将执行结果截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下。
任务二:实时数据采集
- 在主节点使用Flume采集实时数据生成器25001端口的socket数据(实时数据生成器脚本为主节点/data_log目录下的gen_ds_data_to_socket脚本,该脚本为Master节点本地部署且使用socket传输),将数据存入到Kafka的Topic中(Topic名称为ods_mall_log,分区数为2,ZK关于Kafka的信息在其/kafka节点),使用Kafka自带的消费者消费ods_mall_log(Topic)中的数据,查看Topic中的前1条数据的结果,将查看命令与结果完整的截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下;
注:需先启动已配置好的Flume再启动脚本,否则脚本将无法成功启动,启动方式为进入/data_log目录执行./gen_ds_data_to_socket (如果没有权限,请执行授权命令chmod 777 /data_log/gen_ds_data_to_socket)
- 实时脚本启动后,在主节点进入到maxwell-1.29.0的解压后目录下(在/opt/module下),配置相关文件并启动,读取主节点MySQL数据的binlog日志(MySQL的binlog相关配置已完毕,只需要关注ds_realtime_db数据库的表)到Kafka的Topic中(Topic名称为ods_mall_data,分区数为2,ZK关于Kafka的信息在其/kafka节点)。使用Kafka自带的消费者消费ods_mall_data(Topic)中的数据,查看Topic中的前1条数据的结果,将查看命令与结果完整的截图粘贴至客户端桌面【Release\模块B提交结果.docx】中对应的任务序号下。
模块C:实时数据处理
环境说明:
服务端登录地址详见各模块服务端说明。 补充说明:各节点可通过Asbru工具或SSH客户端进行SSH访问; 主节点MySQL数据库用户名/密码:root/123456(已配置远程连接); Flink任务在Yarn上用per job模式(即Job分离模式,不采用Session模式),方便Yarn回收资源; 建议使用gson解析json数据。 |
任务一:实时数据清洗
编写Scala代码,使用Flink消费Kafka中Topic为ods_mall_log和ods_mall_data的数据并进行相应的数据统计计算(使用Processing Time)。
- 使用Flink消费Kafka中topic为ods_mall_data的数据,根据数据中不同的表将数据分别分发至kafka的DWD层的fact_order_master、fact_order_detail的Topic中(只获取data的内容,具体的内容格式请自查,其分区数均为2),其他的表则无需处理。使用Kafka自带的消费者消费fact_order_master(Topic)的前1条数据,将结果截图粘贴至客户端桌面【Release\模块C提交结果.docx】中对应的任务序号下;
fact_order_master表结构,存储位置:Kafka,存储格式:json
字段 | 类型 | 中文含义(和MySQL中相同) | 备注 |
order_id | int | ||
order_sn | string | ||
customer_id | int | ||
shipping_user | string | ||
province | string | ||
city | string | ||
address | string | ||
order_source | int | ||
payment_method | int | ||
order_money | double | ||
district_money | double | ||
shipping_money | double | ||
payment_money | double | ||
shipping_comp_name | string | ||
shipping_sn | string | ||
create_time | timestamp | ||
shipping_time | timestamp | ||
pay_time | timestamp | ||
receive_time | timestamp | ||
order_status | string | ||
order_point | int | ||
invoice_title | string | ||
modified_time | timestamp |
fact_order_detail表结构,存储位置:Kafka,存储格式:json
字段 | 类型 | 中文含义(和MySQL中相同) | 备注 |
order_detail_id | int | ||
order_sn | string | ||
product_id | int | ||
product_name | string | ||
product_cnt | int | ||
product_price | double | ||
average_cost | double | ||
weight | double | ||
fee_money | double | ||
w_id | int | ||
create_time | timestamp | ||
modified_time | timestamp |
- 使用Flink消费Kafka中topic为ods_mall_log的数据,根据数据中不同的表前缀区分,过滤出product_browse的数据,将数据分别分发至kafka的DWD层log_product_browse的Topic中,其分区数为2,其他的表则无需处理。使用Kafka自带的消费者消费log_product_browse(Topic)的前1条数据,将结果截图粘贴至客户端桌面【Release\模块C提交结果.docx】中对应的任务序号下。
log_product_browse表结构,存储位置:Kafka,存储格式:json
字段 | 类型 | 中文含义(和MySQL中相同) | 备注 |
log_id | long | 自增长id | 可以使用随机数(0-9)+MMddHHmmssSSS代替 |
product_id | string | ||
customer_id | int | ||
gen_order | int | ||
order_sn | string | ||
modified_time | timestamp |
- 在任务1、2进行的同时,需要将order_master、order_detail、product_browse备份至HBase中(若Int类型长度不够,可使用BigInt或Long类型代替),使用HBase Shell查看ods:order_master表的任意2条数据,查看字段为row_key与shipping_user、查看ods:order_detail表的任意2条数据,查看字段为row_key与product_name、查看ods:product_browse表的任意2条数据,查看字段为row_key与order_sn。将结果分别截图粘贴至客户端桌面【Release\模块C提交结果.docx】中对应的任务序号下(截图中不能有乱码)。
三个HBase中的数据结构为:
ods:order_master数据结构如下:
字段 | 类型 | 中文含义(和MySQL中相同) | 备注 |
rowkey | string | rowkey | 可以使用随机数(0-9)+yyyyMMddHHmmssSSS(date的格式)代替 |
Info | 列族名 | ||
order_id | int | ||
order_sn | string | ||
customer_id | int | ||
shipping_user | string | ||
province | string | ||
city | string | ||
address | string | ||
order_source | int | ||
payment_method | int | ||
order_money | double | ||
district_money | double | ||
shipping_money | double | ||
payment_money | double | ||
shipping_comp_name | string | ||
shipping_sn | string | ||
create_time | string | ||
shipping_time | string | ||
pay_time | string | ||
receive_time | string | ||
order_status | string | ||
order_point | int | ||
invoice_title | string | ||
modified_time | string |
ods:order_detail数据结构如下:
字段 | 类型 | 中文含义(和MySQL中相同) | 备注 |
rowkey | string | rowkey | 可以使用随机数(0-9)+yyyyMMddHHmmssSSS(date的格式)代替 |
Info | 列族名 | ||
order_detail_id | int | ||
order_sn | string | ||
product_id | int | ||
product_name | string | ||
product_cnt | int | ||
product_price | double | ||
average_cost | double | ||
weight | double | ||
fee_money | double | ||
w_id | int | ||
create_time | string | ||
modified_time | string |
ods:product_browse数据结构如下:
字段 | 类型 | 中文含义(和MySQL中相同) | 备注 |
rowkey | string | rowkey | 该字段使用logid进行拆分,将log_id拆分为随机数和MMddHHmmssSSS两块,在其中插入yyyy(date的格式) 最终格式为: 随机数(0-9)+yyyy +MMddHHmmssSSS |
Info | 列族名 | ||
log_id | int | 该字段缺失,使用随机数(0-9)+ MMddHHmmssSSS(date的格式) | |
order_sn | string | ||
product_id | int | ||
customer_id | string | ||
gen_order | int | ||
modified_time | double |
任务二:实时指标计算
编写Scala工程代码,使用Flink消费Kafka中dwd层的Topic数据,表结构与离线数据表结构相同,时间语义使用Processing Time。
- 使用Flink消费kafka中log_product_browse主题的数据,统计商品的UV(浏览用户量)和PV(商品浏览量),将结果写入HBase中的表ads:online_uv_pv中。使用Hive cli(没写错)查询ads.pv_uv_result表按照product_id和pv进行降序排序,查询出10条数据,将结果截图粘贴至客户端桌面【Release\模块C提交结果.docx】中对应的任务序号下;
其中,表空间为:ads,rowkey为:计算时的年月日时分秒+商品id,列族为:info,列名为:商品id,商品名称,uv,pv,modified_time
例:
Rowkey:2022-10-24 16:47:38-13645
- 使用Flink消费kafka中fact_order_detail主题的数据,统计商城每分钟的GMV(结果四舍五入保留两位小数),将结果存入redis中(value为字符串格式,仅存GMV),key为store_gmv,使用redis cli以get key方式获取store_gmv值,将每次截图粘贴至客户端桌面【Release\模块C提交结果.docx】中对应的任务序号下(每分钟查询一次,至少查询3次)。
(GMV:所有订单金额,购买商品单价*购买商品数量,包括已下单未付款)
模块D:离线数据处理
环境说明:
服务端登录地址详见各模块服务端说明。 补充说明:各节点可通过Asbru工具或SSH客户端进行SSH访问; 主节点MySQL数据库用户名/密码:root/123456(已配置远程连接); Hive的配置文件位于主节点/opt/module/hive-3.1.2/conf/ Spark任务在Yarn上用Client运行,方便观察日志; ClickHouse的jdbc连接端口8123,用户名/密码:default/123456,命令行客户端(tcp)端口9001; 建议使用gson解析json数据。 |
任务一:离线数据清洗
编写Scala工程代码,将ods库中表order_master、order_detail、coupon_info、coupon_use、product_browse、product_info、customer_inf、customer_login_log、order_cart、customer_level_inf、customer_addr抽取到Hive的dwd库中对应表中。表中有涉及到timestamp类型的,均要求按照yyyy-MM-dd HH:mm:ss,不记录毫秒数,若原数据中只有年月日,则在时分秒的位置添加00:00:00,添加之后使其符合yyyy-MM-dd HH:mm:ss。
- 抽取ods库中表customer_inf最新分区数据,并结合dim_customer_inf最新分区现有的数据,根据customer_id合并数据到dwd库中dim_customer_inf的分区表(合并是指对dwd层数据进行插入或修改,需修改的数据以customer_id为合并字段,根据modified_time排序取最新的一条),分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”。若该条记录第一次进入数仓dwd层则dwd_insert_time、dwd_modify_time均存当前操作时间,并进行数据类型转换。若该数据在进入dwd层时发生了合并修改,则dwd_insert_time时间不变,dwd_modify_time存当前操作时间,其余列存最新的值。使用hive cli查询modified_time为2022年10月01日当天的数据,查询字段为customer_id、customer_email、modified_time、dwd_insert_time、dwd_modify_time,并按照customer_id进行升序排序,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 抽取ods库中表coupon_info最新分区数据,并结合dim_coupon_info最新分区现有的数据,根据coupon_id合并数据到dwd库中dim_coupon_info的分区表(合并是指对dwd层数据进行插入或修改,需修改的数据以coupon_id为合并字段,根据modified_time排序取最新的一条),分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”。若该条记录第一次进入数仓dwd层则dwd_insert_time、dwd_modify_time均存当前操作时间,并进行数据类型转换。若该数据在进入dwd层时发生了合并修改,则dwd_insert_time时间不变,dwd_modify_time存当前操作时间,其余列存最新的值。使用hive cli执行show partitions dwd.dim_coupon_info命令,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 抽取ods库中表product_info最新分区的数据,并结合dim_product_info最新分区现有的数据,根据product_core合并数据到dwd库中dim_product_info的分区表(合并是指对dwd层数据进行插入或修改,需修改的数据以product_core为合并字段,根据modified_time排序取最新的一条),分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”。若该条记录第一次进入数仓dwd层则dwd_insert_time、dwd_modify_time均存当前操作时间,并进行数据类型转换。若该数据在进入dwd层时发生了合并修改,则dwd_insert_time时间不变,dwd_modify_time存当前操作时间,其余列存最新的值。使用hive cli执行show partitions dwd.dim_product_info命令,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 抽取ods库中表order_master最新分区的数据,并结合HBase中order_master_offline表中的数据合并抽取到dwd库中fact_order_master的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),抽取HBase中的数据时,只抽取2022年10月01日的数据(以rowkey为准),并进行数据类型转换。使用hive cli查询modified_time为2022年10月01日当天的数据,查询字段为order_id、order_sn、shipping_user、create_time、shipping_time,并按照order_id进行升序排序,将结果截图复制粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
ods: order_master_offline数据结构如下:
字段 | 类型 | 中文含义 | 备注 |
rowkey | string | rowkey | 随机数(0-9)+yyyyMMddHHmmssSSS(date的格式) |
Info | 列族名 | ||
order_id | int | ||
order_sn | string | ||
customer_id | int | ||
shipping_user | string | ||
province | string | ||
city | string | ||
address | string | ||
order_source | int | ||
payment_method | int | ||
order_money | double | ||
district_money | double | ||
shipping_money | double | ||
payment_money | double | ||
shipping_comp_name | string | ||
shipping_sn | string | ||
create_time | string | ||
shipping_time | string | ||
pay_time | string | ||
receive_time | string | ||
order_status | string | ||
order_point | int | ||
invoice_title | string | ||
modified_time | string |
- 抽取ods库中表order_detail表最新分区的数据,并结合HBase中order_detail_offline表中的数据合并抽取到dwd库中fact_order_detail的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),抽取HBase中的数据时,只抽取2022年10月01日的数据(以rowkey为准),并进行数据类型转换。使用hive cli查询modified_time为2022年10月01日当天的数据,查询字段为order_detail_id、order_sn、product_name、create_time,并按照order_detail_id进行升序排序,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
ods:order_detail_offline数据结构如下:
字段 | 类型 | 中文含义 | 备注 |
rowkey | string | rowkey | 随机数(0-9)+yyyyMMddHHmmssSSS(date的格式) |
Info | 列族名 | ||
order_detail_id | int | ||
order_sn | string | ||
product_id | int | ||
product_name | string | ||
product_cnt | int | ||
product_price | double | ||
average_cost | double | ||
weight | double | ||
fee_money | double | ||
w_id | int | ||
create_time | string | ||
modified_time | string |
- 抽取ods库中表coupon_use最新分区的数据到dwd库中fact_coupon_use的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),并进行数据类型转换。使用hive cli执行show partitions dwd.fact_coupon_use命令,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 抽取ods库中表customer_login_log最新分区的数据到dwd库中log_customer_login的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),并进行数据类型转换。使用hive cli执行show partitions dwd.log_customer_login命令,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 抽取ods库中表order_cart最新分区的数据到dwd库中fact_order_cart的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),并进行数据类型转换。使用hive cli执行show partitions dwd.fact_order_cart命令,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 抽取ods库中表product_browse最新分区的数据,并结合HBase中product_browse_offline表中的数据合并抽取到dwd库中log_product_browse的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),抽取HBase中的数据时,只抽取2022年10月01日的数据(以rowkey为准),并进行数据类型转换。使用hive cli查询modified_time为2022年10月01日当天的数据,查询字段为log_id、product_id、order_sn、modified_time,并按照log_id进行升序排序,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
ods:product_browse_offline数据结构如下:
字段 | 类型 | 中文含义 | 备注 |
rowkey | string | rowkey | 随机数(0-9)+MMddHHmmssSSS |
Info | 列族名 | ||
log_id | int | ||
product_id | int | ||
customer_id | string | ||
gen_order | int | ||
order_sn | string | ||
modified_time | double |
- 抽取ods库中表customer_level_inf最新分区的数据到dwd库中dim_customer_level_inf的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),并进行数据类型转换。使用hive cli执行show partitions dwd. dim_customer_level_inf命令,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 抽取ods库中表customer_addr最新分区的数据到dwd库中dim_customer_addr的分区表,分区字段为etl_date且值与ods库的相对应表该值相等,并添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四列,其中dwd_insert_user、dwd_modify_user均填写“user1”,dwd_insert_time、dwd_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),并进行数据类型转换。使用hive cli执行show partitions dwd.dim_customer_addr命令,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
- 将dwd库中dim_customer_inf、dim_customer_addr、dim_customer_level_inf表的数据关联到dws库中customer_addr_level_aggr的分区表,分区字段为etl_date,类型为String,且值为当前比赛日的前一天日期(分区字段格式为yyyyMMdd),并添加dws_insert_user、dws_insert_time、dws_modify_user、dws_modify_time四列,其中dws_insert_user、dws_modify_user均填写“user1”,dws_insert_time、dws_modify_time均填写当前操作时间(年月日必须是今天,时分秒只需在比赛时间范围内即可),并进行数据类型转换。使用hive cli统计最新分区中得数据总量,将结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下。
任务二:离线指标计算
- 编写Scala工程代码,根据dwd的订单表dwd.fact_order_master,求各省份下单时间为2022年的支付转化率,并将计算结果按照下述表结构写入clickhouse的ds_result库的payment_cvr表。在Linux的clickhouse命令行中根据ranking字段查询出转化率前三的省份,将SQL语句与执行结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
注:支付转化率 = 完成支付的订单数 / 已下单数。
payment_cvr表结构:
字段 | 类型 | 中文含义 | 备注 |
province | string | 省份名 | |
creat_order | int | 已下单数 | |
payment | int | 已支付的订单数 | |
payCVR | float64 | 支付转化率 | 四舍五入保留三位小数 |
ranking | int | 转化率排名 |
- 编写Scala工程代码,根据dwd的fact_order_master表最新分区关联fact_order_detail表,计算所有订单中各商品所有订单(若该订单存在“已退款”状态则该订单不做计算,其余情况都参与计算)总销售金额(购买商品单价*购买商品数量)排名,并将计算结果按照下述表结构写入clickhouse的ds_result库的sales_amount_rank表。然后在Linux的clickhouse命令行中根据sales_rank升序查询前5行,将SQL语句与执行结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下;
sales_amount_rank表结构:
字段 | 类型 | 中文含义 | 备注 |
product_id | int | 订单商品ID | |
sales_amount | float64 | 商品总销售金额 | 四舍五入保留两位小数 |
product_totalcnt | int | 商品销售总数 | |
sales_rank | int | 销售金额排名 |
- 编写Scala工程代码,根据dwd的登录日志表dwd.log_customer_login,求login_time字段值为2022-08-10的最近连续三周登录的用户数,并将计算结果按照下述表结构写入clickhouse的ds_result库的continuous_3week表。然后在Linux的clickhouse命令行中根据active_total降序查询,将SQL语句与执行结果截图粘贴至客户端桌面【Release\模块D提交结果.docx】中对应的任务序号下。
continuous_3week表结构:
字段 | 类型 | 中文含义 | 备注 |
end_date | string | 数据统计日期 | 2022-08-10 |
active_total | int | 活跃用户数 | |
date_range | string | 统计周期 | 格式:统计开始时间_结束时间 |
date_range: 例:假设统计2022年9月8日的连续三周登录用户数,则该字段值应该为 2022-08-22_2022-09-11。
模块E:数据挖掘
环境说明:
服务端登录地址详见各任务服务端说明。 补充说明:各节点可通过Asbru工具或SSH客户端进行SSH访问; 主节点MySQL数据库用户名/密码:root/123456(已配置远程连接); Spark任务在Yarn上用Client运行,方便观察日志。 该任务均使用Scala编写,利用Spark相关库完成。 |
子任务一:特征工程
剔除订单信息表与订单详细信息表中用户id与商品id不存在现有的维表中的记录,同时建议多利用缓存并充分考虑并行度来优化代码,达到更快的计算效果。
- 根据Hive的dwd库中相关表或MySQL中shtd_store中相关表(order_detail、sku_info),计算出与用户id为6708的用户所购买相同商品种类最多的前10位用户(只考虑他俩购买过多少种相同的商品,不考虑相同的商品买了多少次),将10位用户id进行输出,若与多个用户购买的商品种类相同,则输出结果按照用户id升序排序,输出格式如下,将结果截图粘贴至客户端桌面【Release\任务C提交结果.docx】中对应的任务序号下;
结果格式如下:
-------------------相同种类前10的id结果展示为:--------------------
1,2,901,4,5,21,32,91,14,52
- 根据Hive的dwd库中相关表或MySQL中shtd_store中相关商品表(sku_info),获取id、spu_id、price、weight、tm_id、category3_id 这六个字段并进行数据预处理,对price、weight进行规范化(StandardScaler)处理,对spu_id、tm_id、category3_id进行one-hot编码处理(若该商品属于该品牌则置为1,否则置为0),并按照id进行升序排序,在集群中输出第一条数据前10列(无需展示字段名),将结果截图粘贴至客户端桌面【Release\任务C提交结果.docx】中对应的任务序号下。
字段 | 类型 | 中文含义 | 备注 |
id | double | 主键 | |
price | double | 价格 | |
weight | double | 重量 | |
spu_id#1 | double | spu_id 1 | 若属于该spu_id,则内容为1否则为0 |
spu_id#2 | double | spu_id 2 | 若属于该spu_id,则内容为1否则为0 |
..... | double | ||
tm_id#1 | double | 品牌1 | 若属于该品牌,则内容为1否则为0 |
tm_id#2 | double | 品牌2 | 若属于该品牌,则内容为1否则为0 |
…… | double | ||
category3_id#1 | double | 分类级别3 1 | 若属于该分类级别3,则内容为1否则为0 |
category3_id#2 | double | 分类级别3 2 | 若属于该分类级别3,则内容为1否则为0 |
…… |
结果格式如下:
--------------------第一条数据前10列结果展示为:---------------------
1.0,0.892346,1.72568,0.0,0.0,0.0,0.0,1.0,0.0,0.0
子任务二:推荐系统
- 根据子任务一的结果,计算出与用户id为6708的用户所购买相同商品种类最多的前10位用户id(只考虑他俩购买过多少种相同的商品,不考虑相同的商品买了多少次),并根据Hive的dwd库中相关表或MySQL数据库shtd_store中相关表,获取到这10位用户已购买过的商品,并剔除用户6708已购买的商品,通过计算这10位用户已购买的商品(剔除用户6708已购买的商品)与用户6708已购买的商品数据集中商品的余弦相似度累加再求均值,输出均值前5商品id作为推荐使用,将执行结果截图粘贴至客户端桌面【Release\任务C提交结果.docx】中对应的任务序号下。
结果格式如下:
------------------------推荐Top5结果如下------------------------
相似度top1(商品id:1,平均相似度:0.983456)
相似度top2(商品id:71,平均相似度:0.782672)
相似度top3(商品id:22,平均相似度:0.7635246)
相似度top4(商品id:351,平均相似度:0.7335748)
相似度top5(商品id:14,平均相似度:0.522356)
模块F:数据可视化
环境说明:
数据接口地址及接口描述详见各模块服务端说明。 |
任务一:用柱状图展示消费额最高的省份
编写Vue工程代码,根据接口,用柱状图展示2020年消费额最高的5个省份(不用考虑数据是否合规,直接聚合省份消费额),同时将用于图表展示的数据结构在浏览器的console中进行打印输出,将图表可视化结果和浏览器console打印结果分别截图并粘贴至客户端桌面【Release\模块E提交结果.docx】中对应的任务序号下。
任务二:用饼状图展示各地区消费能力
编写Vue工程代码,根据接口,用饼状图展示2020年各地区的消费总额占比(不用考虑数据是否合规,直接聚合地区消费额),同时将用于图表展示的数据结构在浏览器的console中进行打印输出,将图表可视化结果和浏览器console打印结果分别截图并粘贴至客户端桌面【Release\模块E提交结果.docx】中对应的任务序号下。
任务三:用折线图展示每年上架商品数量变化
编写Vue工程代码,根据接口,用折线图展示每年上架商品数量的变化情况(商品出现一次即累加1,不用考虑商品重复出现),同时将用于图表展示的数据结构在浏览器的console中进行打印输出,将图表可视化结果和浏览器console打印结果分别截图并粘贴至客户端桌面【Release\模块E提交结果.docx】中对应的任务序号下。
模块G:综合分析
任务一:HDFS适用于大型数据集还是小型数据集,原因是什么?
将内容编写至客户端桌面【Release\模块F提交结果.docx】中对应的任务序号下。
任务二:ClickHouse 有哪些表引擎?列举四种并简要描述。
将内容编写至客户端桌面【Release\模块F提交结果.docx】中对应的任务序号下。
任务三:简要描述竞赛过程中的问题并进行总结。
将内容编写至客户端桌面【Release\模块F提交结果.docx】中对应的任务序号下。