大数据基础

大数据基础

引用

CSDN

1.

https://blog.csdn.net/mwx523037520036/article/details/138211286

大数据技术是当今数字化时代的核心驱动力之一，涉及数据的采集、存储、处理和分析等多个环节。本文将从大数据的特点、作用、数据分类、处理链路以及相关的技术栈如Hive、Hadoop、Spark和Flink等进行全面介绍，帮助读者建立系统的大数据知识体系。

基本简介

大数据特点

• 数据量大
• 种类多样
• 结构化：多指关系型数据库中，信用卡号码、日期、财务金额、电话号码、地址
• 半结构化：xml/json
• 非结构化：全文文本、图象、声音、影视、超媒体等信息。
• 应用价值高

大数据的作用

• 追溯：日志数据，定位问题；
• 监控：监控服务（可用性，QPS）；监控具体业务，比如看双十一销售额；数据质量等等；
• 分析与洞察：toB业务，看板报表搭建；

数据分类

按照数据实效性（延迟情况）：

• 离线：在今天(T)处理N天前的数据，常用的是今天处理昨天产出(T-1)的数据，也就是T+1地产出数据，延迟粒度为天
• 准实时：在当前小时，处理N小时前的数据，延迟粒度为小时
• 实时：在当前时刻处理当前的数据，延迟粒度为秒

数据处理链路（不严谨）

• 数据采集：数据的源头，从各种数据源中获取数据。分离线和实时采集，比如通过采集日志数据，实时采集到数据中间件中（mq）。

• 消息队列：Kafka & RocketMq

• 解耦：接口出现问题，不会影响当前功能

• 异步处理：不用所有流程走完再返回结果

• 流量削峰：流量高峰期，可以将数据暂放在消息队列中

• 消息代理：eventbus

• 事件总线，构建在消息队列之上的，围绕event构建一条虚拟总线，用户无需关注底层消息队列的细节（比如选型，多少分区，扩容，报警之类的），覆盖消息声明、发布、订阅、运维

• 数据处理：数据加工处理。

• 离线用hive，(近)实时用flink

• 数据同步：全量、增量同步

• 数据存储：将数据存到数据库中。

• 存储规范：数仓知识；数仓表的设计

• 数据服务：根据数据做一些应用。

离线处理（批处理）

个人学习路线
->首先接触Hive SQL，感觉和MySQL很像（DDL，DML，DQL语句）。学了一种数据库，其他的类SQL语法差不多。
->学了sqark参数相关的，优化任务执行
->再了解hadoop，spark原理

Hive

flink做流式计算，spark/hive做批式计算
简介：基于Hadoop的数仓管理工具，可以将
HDFS
上的文件映射为表结构。

架构

• 元数据存储
• SQL到MapReduce的转换（sql解析）
  注意：存储：hdfs；计算：mapReduce/Spark

Hive sql基础语法

参考：hive中文文档
常用的是创建 天级/小时级别表，分区为date/hour

-- 简单查询语句
select field1, field2 from db.table where date = '${date}' and hour = '${hour}'

-- 聚合查询语句
select field1, sum(field2) as field2_alias from db.table where date = '${date}' and hour = '${hour}' group by field1

-- 临时查询
WITH subquery AS (
    SELECT col1, col2
    FROM db.table1
    WHERE condition1
)
SELECT a.col1, a.col2, b.col3
FROM subquery a
JOIN db.table2 b
ON a.col1 = b.col3
WHERE condition2;

udf用户自定义函数

根据用户需求，自定义写函数处理数据
使用：用Java代码实现udf

step1：添加hive相关依赖  
step2：编写udf类：继承UDF，并实现evalute方法  
step3：项目编译，打jar包  
step4：在hive中注册udf函数，并使用  

package com.example;
import org.apache.hadoop.hive.ql.exec.UDF;

public class MyUDF extends UDF {
    public String evaluate(String input) {
        if (input == null) return null;
        // 在这里编写你的函数逻辑，例如把输入的字符串转成大写
        return input.toUpperCase();
    }
}

Hadoop

分布式系统基础架构(主要是分布式存储和计算框架)

架构

• 存储：hdfs（hadoop distributed file system，分布式文件系统）
• 计算：mapReduce。将计算任务拆成map和reduce两个阶段，实际分成Map、Sort、Combine、Shuffle 以及Reduce 5个步骤
• 资源调度管理：yarn（cpu和memory）

Hadoop常用命令

Hadoop提供了shell命令来与hdfs交互:

hadoop fs -ls <path>：列出指定 HDFS 路径下的文件和目录
hadoop fs -mkdir <path>：在 HDFS 中创建新目录，类似于 Unix 的 mkdir 命令。
hadoop fs -put <localsrc> <dst>：将本地文件（或目录）复制到 HDFS，这与 FTP 命令 put 类似。
hadoop fs -get <src> <localdst>：将 HDFS 上的文件（或目录）复制到本地，这与 FTP 命令 get 类似。
hadoop fs -mv <src> <dst>：移动 HDFS 中的文件或目录，相当于 Unix 的 mv 命令。
hadoop fs -cp <src> <dst>：复制 HDFS 中的文件或目录，相当于 Unix 的 cp 命令。
hadoop fs -rm <path>：删除 HDFS 中的文件，类似于 Unix 的 rm 命令。
hadoop fs -cat <path>：在控制台显示 HDFS 文件的内容，类似于 Unix 的 cat 命令。
hadoop fs -du <path>：显示 HDFS 文件或目录的大小，类似于 Unix 的 du 命令。
hadoop fs -df <path>：显示 HDFS 的可用空间，类似于 Unix 的 df 命令

Spark

架构

使用成百上千台机器 并行处理 存储在离线表中的海量数据。海量数据的任务，拆成小任务，并发到每一台机器上处理。

计算引擎，支持离线（批）处理、流式

部署：可以继承到hadoop yarn上运行，也可以单独部署（目前只用过前者）

支持spark sql：变体的hive sql

性能比较：计算比mapReduce快

Spark sql基础语法

python的pyspark使用

1.  
启动一个spark client  
2.  
查出你想要的数据  
3.  
编写处理数据的逻辑并执行任务  

from pyspark.sql import SparkSession
from pyspark import SparkConf

conf = SparkConf()
conf.setMaster('yarn')
conf.setAppName('hive_sql_query')

spark = SparkSession \
    .builder \
    .config(conf=conf) \
    .enableHiveSupport() \
    .config("", "") \
    .config("", "") \
    .getOrCreate()

# 查询语句
df = spark.sql("select field1 AS f1, field2 as f2 from table1")

Spark参数

master和worker

定义：物理节点

master节点常驻master守护进程，负责管理worker节点，我们从master节点提交应用。

worker节点常驻worker守护进程，与master节点通信，并且管理executor进程。

引用csdn链接：https://blog.csdn.net/hongmofang10/article/details/84587262?utm_source=app&app_version=4.15.2

driver和executor

driver：可运行在master/worker上；

作用：

1. main函数，构建SparkContext对象；
2. 向集群申请spark所需要资源，也就是executor，然后集群管理者会根据spark应用所设置的参数在各个worker上分配一定数量的executor，每个executor都占用一定数量的cpu和memory；
3. 然后开始调度、执行应用代码

executor：可运行在worker上（1:n）

作用：每个executor持有一个线程池，每个线程可以执行一个task，executor执行完task以后将结果返回给driver。

常用参数

分配资源 内存参数 --每个execotr分配几个核心 set spark.executor.cores=4; --executor内存 set spark.executor.memory= 20g; --executor堆外内存 set spark.executor.memoryOverhead = 10g; --driver内存 set spark.driver.memory=25g; --driver堆外内存 set spark.driver.memoryOverhead = 10g; --任务推测机制相关 --开启推测机制（处理慢任务，尝试在其他节点去重启这些任务；加速整个应用的执行） set spark.speculation=true; -- 设置阈值 spark.speculation.multiplier=1.8 -- 设置分位数 spark.speculation..quantile=0.7 --坏节点黑明单（处理可能导致任务频繁失败的故障节点，当一个节点被列入黑名单后，Spark 调度器将不再在这个节点上调度任务，从而提高了作业的成功率和整体性能） set spark.blacklist.enabled = true 调整shuffle，数据倾斜，内存OOM，超时相关的，根据具体任务使用具体参数

在线处理（流式处理）

Flink

计算模式：流批一体

批计算：统一收集数据，存储到数据库中，然后对数据进行批量处理（离线计算）

流计算：对数据流进行实时处理（实时计算）

架构

三层架构：

• API & Libraries层：提供了支持流计算DataStream API和和批计算DataSet API的接口
  还有提供基于流处理的CEP（复杂事件处理库）、SQL&Table库和基于批处理的FlinkML（机器学习库）、Gelly（图处理库）等

• Runtime核心层：负责对上层不同接口提供基础服务，也是Flink分布式计算框架的核心实现层，支持分布式Stream作业的执行、JobGraph到ExecutionGraph的映射转换、任务调度等。

• 物理部署层：该层主要涉及Flink的部署模式，目前Flink支持多种部署模式：本地、集群（Standalone/YARN

图片引用：https://blog.csdn.net/qq_35423154/article/details/113775546

运行时组件（任务调度）

4个组件（application url）

• JobManager（任务管理器）
• TaskManager（作业管理器）
• ResourceManger（资源管理器）
• Dispatcher（分发器）

Flink sql基本语法

参考：flink中文文档

定义一个source，数据从哪里输入；定义一个sink，数据输出到哪里

create table data_source (
    `user_id` string,
    `data` string
) with (
    'connector' = 'rocketmq',
    'scan.startup-mode' = 'latest',
    'cluster' = '',
    'topic' = '',
    'group' = '',
    'format' ='json',
    'parallelism' = ‘9’
);

create table sink(
    user_id varchar,
    vv_cnt varchar,
    `start_window` TIMESTAMP,
    `end_window` TIMESTAMP
) with (
    'connector' = 'kafka-0.10',
    'scan.startup.mode' = 'latest-offset',
    'properties.cluster' = '',
    'topic' = '',
    'parallelism' = '5',
    'format' ='json'
);

INSERT INTO sink
SELECT xx FROM feature_data_source where xx GROUP BY xx;

窗口计算

• 滚动窗口
• 滑动窗口

udf用户自定义函数

一些复杂的逻辑用户可以自定义处理

scalar function：输入，输出为标量

aggregation function：多行数据聚合成一行

table function：

数仓知识

数仓分层

将数据有序组织和存储起来，常见的数仓层级划分：

• ODS层（数据引用层，operational data store）：存放未经处理的原始数据，是数仓的数据准备区。
• CDM层（数据公共层，common data model）：完成数据加工与整合，是数仓最核心最关键的一层。
• DIM（维度层）：以维度作为建模驱动
• DWD层（数据明细层）：以业务过程作为建模驱动
• 常见的业务域：产商品域（产品product，商品goods，配置报价quote，合同contract），交易计费域（订单order，计量measure，计费billing，履约perform，票税invoice）
• DWS层（数据汇总层）：以业务主题作为建模驱动，根据DWD层数据，以各维度ID进行粗粒度汇总
• ADS层（数据应用层，application data service）：保存结果数据，为外部系统提供查询接口

其他分层结构

引用：知乎https://zhuanlan.zhihu.com/p/421081877

表命名规范

总结

这部分学习，是边用边学，遇到问题就针对性地解决这个问题。这个过程学的很零散，需要定期将这些点连成线