数据仓库ods层设计_数据仓库建模的流程有几个

大家好，又见面了，我是你们的朋友全栈君。

当我们的数据采集到hdfs层上之后，我们就开开始对数据进行建模以便后来分析，那么我们整体的架构先放在每个建模层级的最前面

在这里插入图片描述

在这里插入图片描述

所以项目1的将行为数据和业务数据导入到hdfs中我们已经完成了，现在需要的是将hdfs的数据通过ODS层数据建模，初步的分析以及改变，那么我们首先介绍下ODS层的作用 因为我们的数据刚落到hdfs上，他还只是单纯的数据，并没有能让我们直接操作。所以我们需要将这些数据放入到能够对数据进行操作的框架中，如我们这个项目采取了使用hive的方法。所以我们此次在ODS层需要做到的就是将hdfs上的数据在不丢失数据内容的情况下原封不动的放到hive中。 针对HDFS上的用户行为数据和业务数据，我们如何规划处理？ （1）保持数据原貌不做任何修改，起到备份数据的作用。 （2）数据采用压缩，减少磁盘存储空间（例如：原始数据100G，可以压缩到10G左右） （3）创建分区表，防止后续的全表扫描 （4）创建外部表。在企业开发中，除了自己用的临时表，创建内部表外，绝大多数场景都是创建外部表。

数仓搭建-ODS层

hive准备

在安装好hive后，我们将hive的运算引擎改为spark，注意这是hive on spark而不是spark on hive，要注意hive和spark的版本兼容问题。然后要安装好有spark 一切没问题后，我们去hive的conf目录内添加关于spark的配置文件，添加后我们hive的运算引擎就变成spark

在这里插入图片描述

在这里插入图片描述

然后为了能看spark运行效果，还需要在hdfs中给一个路径，用于存储历史日志

在这里插入图片描述

然后又因为在安装spark时，安装的spark中就自带hadoop的jar包（因为某些spark运行需要hadoop依赖），并不是纯净版的spark的jar包，且这个自带的hadoop的jar包还自带一些hive的jar包；直接使用会和安装的Hive3.1.2出现兼容性问题。所以采用Spark纯净版jar包，不包含hadoop和hive相关依赖，避免冲突。 这里展示下怎么在官网下载纯净版spark，进入官网后点击Downloads

在这里插入图片描述

选择需要用户提供hadoop依赖的这个版本，可以看到底下有一个没hadoop依赖的jar包

在这里插入图片描述

解压后将这个没hadoop依赖的spark包下的jars包传给hive，那么怎么能传给hive让它使用呢。因为Hive任务最终由Spark来执行，Spark任务资源分配由Yarn来调度，该任务有可能被分配到集群的任何一个节点。所以需要将Spark的依赖上传到HDFS集群路径，这样集群中任何一个节点都能获取到。并且在hive的配置文件中设置路径为这个依赖。 首先在hdfs中创建目录

在这里插入图片描述

然后将纯净的spark的jars依赖上传到hdfs上的spark-jars

在这里插入图片描述

然后检查下是否导入成功

在这里插入图片描述

可以看见有146条，但是我们在linux中可以通过wc -l可以检查条数发现是147条

在这里插入图片描述

这是因为我们通过ll显示时，会在最上面自动添加一条信息总容量

在这里插入图片描述

所以纯净版spark依赖顺利导入到hdfs 然后我们要修改hive的依赖文件，确保hive能找到纯净版spark依赖

在这里插入图片描述

然后我们在hive中随便创建个表，插入一条数据，让它跑一下运算引擎，测试一下是否是spark

在这里插入图片描述

在这里插入图片描述

因为是第一次使用spark引擎，会建立spark session，所以用的时间会比较长；之后在使用就会很快了

在这里插入图片描述

这个时候我们上yarn看一眼，可以看到hive on spark，且这个任务只要hive不关就一直占住yarn的队列，一直是running的状态，说明配置成功

在这里插入图片描述

这个时候我们如果在跑一个hadoop提交MR的任务就会发现任务卡住；MR任务同样未指定队列，所以其默认也提交到了default队列，由于容量调度器单个队列的并行度为1。故后提交的MR任务会一直等待，不能开始执行。

在这里插入图片描述

容量调度器default队列中，同一时间只有一个任务执行，并发度低，如何解决呢？

yarn多队列问题

方案一：增加ApplicationMaster资源比例，进而提高运行app数量。 方案二：创建多队列，比如增加一个hive队列。 首先我们要明白的问题是，yarn默认的是容量调度器，也就是可以多队列调度，每个队列用的是FIFO。但是我们默认的是只有一个队列，就是FIFO。当我们的MR任务跑起来的时候，其实已经被调度了，但是没有ApplicationMaster资源去让其运行，并不是它没有被调度。一条队列即使是FIFO也能跑多个任务。

方案一：在hadoop102的/opt/module/hadoop-3.1.3/etc/Hadoop/capacity-scheduler.xml文件中修改如下参数值

yarn.scheduler.capacity.maximum-am-resource-percent 0.5

方案二：创建多队列，也可以增加容量调度器的并发度。（见ppt）

连接hive并建表

hive的配置已经没问题了，我们开始用hive连接工具，连接hive并建表。这里我们使用DataGrip这个软件连接，注意的是一个Console相当一一个客户端，在这个Console里设置的参数只在这个Console有效 这里提一个小问题

关于hive中的中文注释乱码问题解决

当我们创建hive表的时候，使用中文注释的话，通过desc查看表的信息时，会发现表的注释全是问号

在这里插入图片描述

这是因为我们hive配置表的元数据放到mysql中存储，mysql中默认表被创建的时候用的是默认的字符集(latin1)，所以会出现中文乱码 解决方案： （1）在Hive元数据存储的Mysql数据库（MetaStore）中，执行以下SQL：

#修改字段注释字符集
alter table COLUMNS_V2 modify column COMMENT varchar(256) character set utf8;
#修改表注释字符集
alter table TABLE_PARAMS modify column PARAM_VALUE varchar(20000) character set utf8;
#修改分区参数，支持分区建用中文表示
alter table PARTITION_PARAMS modify column PARAM_VALUE varchar(20000) character set utf8;
alter table PARTITION_KEYS modify column PKEY_COMMENT varchar(20000) character set utf8;
#修改索引名注释，支持中文表示
alter table INDEX_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8;
#修改视图，支持视图中文
ALTER TABLE TBLS modify COLUMN VIEW_EXPANDED_TEXT mediumtext CHARACTER SET utf8;
ALTER TABLE TBLS modify COLUMN VIEW_ORIGINAL_TEXT mediumtext CHARACTER SET utf8;

（2）修改hive-site.xml中Hive读取元数据的编码，在原来的配置上修改

<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false&amp;useUnicode=true&amp;characterEncoding=UTF-8</value>
</property>

注意的是，之前创建的表的元数据已经损坏了，所以无法恢复中文乱码，只能重新创建表

在这里插入图片描述

创建行为日志表ods_log

首先我们要通过创表语句创建hive的表为数据到来做准备，而log数据都是json文件，那么我们就放一个String字段，这个字段直接放整个json。并且使用时间分区表创建

drop table if exists ods_log;
CREATE EXTERNAL TABLE ods_log (`line` string)
PARTITIONED BY (`dt` string) -- 按照时间创建分区
STORED AS -- 指定存储方式，读数据采用LzoTextInputFormat
  INPUTFORMAT 'com.hadoop.mapred.DeprecatedLzoTextInputFormat'
  OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION '/warehouse/gmall/ods/ods_log' --指定数据在hdfs上的存储位置
;

解析： （1）使用external创建外部表，保护数据 （2）PARTITIONED BY (dt string)，创建时间分区表 （3）STORED AS，设定这个表load是读数据的inputformat格式和存储数据格式 （4）LOCATION 指定数据在hdfs上的存储位置

关于第三点解析： 我们可以通过 show create table 表明来查看某个表的详细数据

在这里插入图片描述

可以看见它的读取和储存数据都是text格式，也就是我们直接能读懂的方法。 但是我们在上传log数据时，使用了lzo压缩，那么怎么更改INPUTFORMAT呢？可以上官网找一下，直接搜hive lzo

在这里插入图片描述

第一个便是然后我们看它怎么解决的

在这里插入图片描述

照抄即可，于是我们建好了ods_log表。

在这里插入图片描述

然后我们将原本在hdfs上的log数据加载进这个hive表中

load data inpath '/origin_data/gmall/log/topic_log/2020-06-14' into table ods_log partition(dt='2020-06-14');

注意：时间格式都配置成YYYY-MM-DD格式，这是Hive默认支持的时间格式 然后为lzo压缩文件创建索引 hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/common/hadoop-lzo-0.4.20.jar com.hadoop.compression.lzo.DistributedLzoIndexer -Dmapreduce.job.queuename=hive /warehouse/gmall/ods/ods_log/dt=2020-06-14

那么ods层的行为数据就完事了，接下来时业务数据

创建业务数据表

首先因为我们mysql中导出的数据，所以他已经是表的格式了，那么我们再创建hive表的时候可以借鉴它的mysql表的格式，我们可以通过mysql连接工具的sql导出，来转储sql，得到它的sql建表语句

在这里插入图片描述

在这里插入图片描述

所以这就是mysql中对这个表的建表语句，完全可以借鉴到hive建表语句中

具体建表语句看ppt 然后再通过脚本将数据load上去就完成了ODS层的数仓搭建

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/188506.html原文链接：https://javaforall.cn