数据仓库之电商数仓-- 1、用户行为数据采集
目录
- 一、数据仓库概念
- 二、项目需求及架构设计
- 2.1 项目需求分析
- 2.2 项目框架
- 2.2.1 技术选型
- 2.2.2 系统数据流程设计
- 2.2.3 框架版本选型
- 2.2.4 服务器选型
- 2.2.5 集群规模
- 2.2.6 集群资源规划设计
- 三、数据生成模块
- 3.1 目标数据
- 3.1.1 页面日志
- 3.1.2 事件日志
- 3.1.3 曝光日志
- 3.1.4 启动日志
- 3.1.5 错误日志
- 3.2数据埋点
- 3.2.1 主流埋点方式
- 3.2.2 埋点数据上报时机
- 3.2.3 埋点数据日志结构
- 3.3 服务器和JDK准备
- 3.4 模拟数据
- 3.4.1 使用说明
- 3.4.2 集群日志生成脚本
- 四、数据采集模块
- 4.1 集群所有进程查看脚本
- 4.2 zookeeper安装
- 4.2.1 安装ZK
- 4.2.2 ZK集群启动停止脚本
- 4.3 Kafka安装
- 4.3.1 Kafka集群安装
- 4.3.2 Kafka集群启动停止脚本
- 4.3.3 常用命令
- 4.3.4 项目经验之Kafka机器数量计算
- 4.3.5 项目经验之压力测试
- 4.3.6 项目经验之Kafka分区数计算
- 4.4采集日志Flume
- 4.4.1 日至采集Flume安装
- 4.4.2 项目经验之Flume组件选型
- 4.4.3 日志采集 Flume 配置
- 4.4.4 Flume拦截器
- 4.4.5 测试Flume-Kafka通道
- 4.4.6 日至采集Flume启动停止脚本
- 4.5 消费Kafka数据Flume
- 4.5.1 项目经验之Flume组件选型
- 4.5.1.1 FileChannel 和 MemoryChannel 区别
- 4.5.1.2 FileChannel优化
- 4.5.1.3 Sink:HDFS Sink
- 4.5.2 Flume时间戳拦截器
- 4.5.3 消费者Flume配置
- 4.5.4 消费者Flume启动停止脚本
- 4.6 采集通道启动停止脚本
- 五、常见问题及解决方案
- 5.1 2NN页面不能显示完整信息
-----------------------------------------------------分隔符-----------------------------------------------------
数据仓库之电商数仓-- 1、用户行为数据采集==>
数据仓库之电商数仓-- 2、业务数据采集平台==>
数据仓库之电商数仓-- 3.1、电商数据仓库系统(DIM层、ODS层、DWD层)==>
数据仓库之电商数仓-- 3.2、电商数据仓库系统(DWS层)==>
数据仓库之电商数仓-- 3.3、电商数据仓库系统(DWT层)==>
数据仓库之电商数仓-- 3.4、电商数据仓库系统(ADS层)==>
数据仓库之电商数仓-- 4、可视化报表Superset==>
数据仓库之电商数仓-- 5、即席查询Kylin==>
一、数据仓库概念
数据仓库(Data Warehouse),是为企业制定决策,提供数据支持的。可以帮助企业改进业务流程、提高产品质量等。
数据仓库的输入数据通常包括:业务数据、用户行为数据和爬虫数据等。
业务数据:就是各行业在处理事务过程中产生的数据。如用户在电商网站中登录、下载、支付等过程中,需要和网站后台数据库进行增删改查交互,产生的数据就是业务数据。业务数据通常存储在MySQL、Oracle等数据库中。
二、项目需求及架构设计
2.1 项目需求分析
项目需求
- 用户行为数据采集平台搭建;
- 业务数据采集平台搭建;
- 数据仓库纬度建模;
- 分析设备、会员、商品、地区、活动等电商核心主题,统计的报表接近100个;
- 采用
即席查询
工具,随时进行指标分析; - 对集群性能进行监控,发生异常需要报警;
- 元数据管理;
- 质量监控;
- 权限管理;
2.2 项目框架
2.2.1 技术选型
- 项目技术如何选型?
- 框架版本如何选型(Apache、CDH、HDP)
- 服务器使用物理机还是云主机?
- 如何确认集群规模?
⭐️:
技术选型主要考虑因素:数据量大小、业务需求、行业内经验、技术成熟度、开发维护成本、总成本预算。
数据采集传输:Flume, Kafka, Sqoop
, Logstash, DataX;
数据存储:MySQL, HDFS, HBase
, Redis, MongoDB;
数据计算:Hive, Tex, Spark,
Flink, Storm;
数据查询:presto, Kylin
, Impala, Druid, Clickouse, Doris;
数据可视化:Echarts
, Superset
, QuickBI, DataV;
任务调度:Azkaban
, Oozie, DolphinScheduler, Airflow;
集群监控:Zabbix
, Prometheus;
元数据管理:Atalas
;
权限管理:Ranger
, Sentry.
2.2.2 系统数据流程设计
2.2.3 框架版本选型
- 如何选择Apache/CDH/HDP版本?
1). Apache:运维麻烦,组件间兼容性需要自己调研,开源;
2). CDH:国内使用最多的版本,不开源;
3). HDP:开源,可进行二次开发,但没有CDH稳定,国内使用甚少。
- 云服务选择
1). 阿里云EMR、MaxCompute、DataWorks
2). 亚马逊云EMR
3). 腾讯云EMR
4). 华为云EMR
- 具体版本型号
Apache框架版本:
tips:
框架选型最好选择半年前的稳定版!
2.2.4 服务器选型
- 物理机:需专业运维人员;
- 云主机:若是选择阿里云,运维工作全由阿里云完成。
2.2.5 集群规模
- 如何确认集群规模?(假设:每台服务器8T磁盘,128G内存)
1). 每天日活跃用户100万,每人一天平均100条:100万*100条=1亿条;
2). 每条日志1k左右,每天1亿条:100000000 / 1024 /1024 = 约100G;
3). 半年内不扩容服务器:100G*180天=约18T;
4). 保存3个副本:18T*3=54T;
5). 预留20%~30%Buf = 54T/0.7 = 77T;
6). 约8T*10台服务器。
- 若是考虑数仓分层,数据压缩,又要怎么计算?
2.2.6 集群资源规划设计
在企业中通常会搭建一套生产集群和一套测试集群。生产集群运行生产任务,测试集群用于上线前代码编写和测试。
- 生产集群
1). 消耗内存的需分开;
2). 数据传输数据比较紧密的放在一起(Kafka、Zookeeper
);
3). 客户端尽量放在一到两台服务器上,方便外部访问;
4). 有依赖关系的尽量放在同一台服务器上(如Hive和Azkaban Executor
)。
- 测试集群
三、数据生成模块
3.1 目标数据
我们要收集和分析数据主要包括页面数据、时间数据、曝光数据、启动数据和错误数据。
3.1.1 页面日志
页面数据主要记录一个页面的用户访问情况,包括访问时间、停留时间、页面路径等信息。
3.1.2 事件日志
时间数据主要记录应用内一个具体操作行为,包括操作类型
操作对象、操作对象描述等信息。
3.1.3 曝光日志
曝光数据主要记录页面所曝光的内容,包括曝光对象,曝光类型等信息。
3.1.4 启动日志
启动数据记录应用的启动信息。
3.1.5 错误日志
错误数据记录应用使用过程中的错误信息,包括错误编号
及错误信息
。
3.2数据埋点
3.2.1 主流埋点方式
目前主流的埋点方式,有代码埋点(前端/后端)、可视化埋点、全埋点三种。
代码埋点是通过调用埋点 SDK 函数,在需要埋点的业务逻辑功能位置调用接口,上报埋点数据。例如,我们对页面中的某个按钮埋点后,当这个按钮被点击时,可以在这个按钮 对应的 OnClick 函数里面调用 SDK 提供的数据发送接口,来发送数据。
可视化埋点只需要研发人员集成采集 SDK,不需要写埋点代码,业务人员就可以通过 访问分析平台的“圈选”功能,来“圈”出需要对用户行为进行捕捉的控件,并对该事件进行命名。圈选完毕后,这些配置会同步到各个用户的终端上,由采集 SDK 按照圈选的配置 自动进行用户行为数据的采集和发送。
全埋点是通过在产品中嵌入 SDK,前端自动采集页面上的全部用户行为事件,上报埋点数据,相当于做了一个统一的埋点。然后再通过界面配置哪些数据需要在系统里面进行分析。
3.2.2 埋点数据上报时机
埋点数据上报时机包括两种方式:
方式一,在离开该页面时,上传在这个页面产生的所有数据(页面、事件、曝光、错误 等)。
优点:批处理,减少了服务器接收数据压力,网络IO少;
缺点:实效性差。
方式二,每个事件、动作、错误等产生后,立即发送。
优点:响应及时;
缺点:对服务器接收数据压力比较大,网络IO增加。
本项目采用方式一埋点。
3.2.3 埋点数据日志结构
我们的日志结构大致可分为两类,一是普通页面埋点日志
,二是启动日志
。
普通页面日志结构如下,每条日志包含了,当前页面的页面信息,所有事件(动作)、 所有曝光信息以及错误信息。除此之外,还包含了一系列公共信息,包括设备信息,地理位 置,应用信息等,即下边的 common 字段。
3.3 服务器和JDK准备
分别安装 hadoop102、hadoop103、hadoop104 三台主机。
服务器和JDK的准备内容看这里==>
3.4 模拟数据
3.4.1 使用说明
- 创建
applog
路径
[xiaobai@hadoop102 module]$ mkdir applog
1). 将 application.yml、gmall2020-mock-log-2021-01-22.jar、path.json、logback.xml 上传到 hadoop102 的/opt/module/applog 目录下⬇️
2). 上传文件
- 配置文件⬇️
1). 配置application.yml
文件:
# 外部配置打开
logging.config: "./logback.xml"
#业务日期
mock.date: "2020-06-14"#模拟数据发送模式
#mock.type: "http"
#mock.type: "kafka"
mock.type: "log"#http模式下,发送的地址
mock.url: "http://localhost:8080/applog"#kafka模式下,发送的地址
mock:kafka-server: "hadoop102:9092,hadoop103:9092,hadoop104:9092"kafka-topic: "ODS_BASE_LOG"#启动次数
mock.startup.count: 200
#设备最大值
mock.max.mid: 500000
#会员最大值
mock.max.uid: 100
#商品最大值
mock.max.sku-id: 35
#页面平均访问时间
mock.page.during-time-ms: 20000
#错误概率 百分比
mock.error.rate: 3
#每条日志发送延迟 ms
mock.log.sleep: 10
#商品详情来源 用户查询,商品推广,智能推荐, 促销活动
mock.detail.source-type-rate: "40:25:15:20"
#领取购物券概率
mock.if_get_coupon_rate: 75
#购物券最大id
mock.max.coupon-id: 3
#搜索关键词
mock.search.keyword: "图书,小米,iphone11,电视,口红,ps5,苹果手机,小米盒子"
2). 配置path.json
文件:
[{"path":["home","good_list","good_detail","cart","trade","payment"],"rate":20 },{"path":["home","search","good_list","good_detail","login","good_detail","cart","trade","payment"],"rate":40 },{"path":["home","mine","orders_unpaid","trade","payment"],"rate":10 },{"path":["home","mine","orders_unpaid","good_detail","good_spec","comment","trade","payment"],"rate":5 },{"path":["home","mine","orders_unpaid","good_detail","good_spec","comment","home"],"rate":5 },{"path":["home","good_detail"],"rate":10 },{"path":["home" ],"rate":10 }
3). 配置logback
文件:
<?xml version="1.0" encoding="UTF-8"?>
<configuration><property name="LOG_HOME" value="/opt/module/applog/log" /><appender name="console" class="ch.qos.logback.core.ConsoleAppender"><encoder><pattern>%msg%n</pattern></encoder></appender><appender name="rollingFile" class="ch.qos.logback.core.rolling.RollingFileAppender"><rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy"><fileNamePattern>${LOG_HOME}/app.%d{yyyy-MM-dd}.log</fileNamePattern></rollingPolicy><encoder><pattern>%msg%n</pattern></encoder></appender><!-- 将某一个包下日志单独打印日志 --><logger name="com.xiaobai.gmall2020.mock.log.util.LogUtil"level="INFO" additivity="false"><appender-ref ref="rollingFile" /><appender-ref ref="console" /></logger><root level="error" ><appender-ref ref="console" /></root>
</configuration>
~
- 生成日志
1). 如图,在/opt/module/applog目录下执行以下命令生成对应的日志文件log:
java -jar gmall2020-mock-log-2021-01-22.jar
2). 在/opt/module/applog/log目录下查看生成日志:
3.4.2 集群日志生成脚本
- 在 /home/xiaobai/bin目录下创建脚本
lg.sh
:
[xiaobai@hadoop102 bin]$ vim lg.sh
#!/bin/bashfor i in hadoop102 hadoop103; do
echo "========== $i =========="
ssh $i "cd /opt/module/applog/; java -jar gmall2020-mock-log-2021-01-22.jar >/dev/null 2>&1 &"
done
注:
1). /opt/module/applog/为 jar 包及配置文件所在路径
2). /dev/null 代表 linux 的空设备文件,所有往这个文件里面写入的内容都会丢失,俗
称“黑洞”。
标准输入 0:从键盘获得输入 /proc/self/fd/0;
标准输出 1:输出到屏幕(即控制台) /proc/self/fd/1;
错误输出 2:输出到屏幕(即控制台) /proc/self/fd/2。
- 修改脚本执行权限:
[xiaobai@hadoop102 bin]$ chmod 777 lg.sh
- 将applog分发给其他节点:
[xiaobai@hadoop102 module]$ xsync applog/
- 删除hadoop104上的applog以及hadoop102上的log,并测试lg.sh:
[xiaobai@hadoop104 module]$ rm -rf applog/
[xiaobai@hadoop102 applog]$ rm -rf log
如图,hadoop102 / hadoop103加载出了log:
四、数据采集模块
4.1 集群所有进程查看脚本
- 在/home/xiaobai/bin 目录下创建脚本
xcall.sh
:
[xiaobai@hadoop102 bin]$ vim xcall.sh
#! /bin/bashfor i in hadoop102 hadoop103 hadoop104
do
echo --------- $i ----------ssh $i "$*"
done
- 修改脚本执行权限:
[xiaobai@hadoop102 bin]$ chmod 777 xcall.sh
- 启动脚本:
[xiaobai@hadoop102 bin]$ xcall.sh jps
--------- hadoop102 ----------
3081 Jps
--------- hadoop103 ----------
2961 Jps
--------- hadoop104 ----------
3295 Jps
4.2 zookeeper安装
4.2.1 安装ZK
集群规划
在hadoop102、hadoop103、hadoop104三个节点上部署zookeeper。解压安装
1). 解压zookeeper安装包到/opt/module/目录下:
[xiaobai@hadoop102 software]$ tar -zxvf apache-zookeeper-3.5.7-bin.tar.gz -C /opt/module/
2). 修改/opt/module/apache-zookeeper-3.5.7-bin名称为zookeeper-3.5.7:
[xiaobai@hadoop102 module]$ mv apache-zookeeper-3.5.7-bin/ zookeeper-3.5.7
- 配置服务器编号:
1). 在/opt/module/zookeeper-3.5.7目录下创建zkData
:
[xiaobai@hadoop102 zookeeper-3.5.7]$ mkdir zkData
2). 在/opt/module/zookeeper-3.5.7/zkData目录下创建一个myid
文件:
[xiaobai@hadoop102 zookeeper-3.5.7]$ vim myid
添加myid文件,⚠️一定要在Linux里面创建!
在文件中添加域server对应的编号:
2
3). 同步/opt/module/zookeeper-3.5.7目录到hadoop103、hadop104:
[xiaobai@hadoop102 module]$ xsync zookeeper-3.5.7/
分别在hadoop103、hadoop104上修改myid文件中内容为3、4:
[xiaobai@hadoop103 zkData]$ vim myid
3
[xiaobai@hadoop104 zkData]$ vim myid
4
- 配置
zoo.cfg
文件:
1). 重命名/opt/module/zookeeper-3.5.7/conf目录下的zoo_sample.cfg为zoo.cfg
:
[xiaobai@hadoop102 conf]$ mv zoo_sample.cfg zoo.cfg
2). 打开zoo.cfg 文件:
[xiaobai@hadoop102 conf]$ vim zoo.cfg
如图,修改数据存储路径配置:
dataDir=/opt/module/zookeeper-3.5.7/zkData
如图,增加如下配置:
#######################cluster###################################
server.2=hadoop102:2888:3888
server.3=hadoop103:2888:3888
server.4=hadoop104:2888:3888
3). 同步分发zoo.cfg 配置文件:
[xiaobai@hadoop102 conf]$ xsync zoo.cfg
4). 配置参数解读:
server.A=B:C:D
A 是一个数字,表示这是第几号服务器;
集群模式下配置一个文件 myid
,这个文件在 dataDir 目录下,这个文件里面有一个数据就是 A 的值,Zookeeper 启动时读取此文件,拿到里面的数据与 zoo.cfg 里面的配置信息比较从而判断到底是哪个 server;
B 是这个服务器的地址;
C 是这个服务器 Follower 与集群中的 Leader 服务器交换信息的端口;
D 是万一集群中的 Leader 服务器挂了,需要一个端口来重新进行选举,选出一个新的Leader,而这个端口就是用来执行选举时服务器相互通信的端口。
- 集群操作
1). 分别启动zookeeper:
[xiaobai@hadoop102 zookeeper-3.5.7]$ bin/zkServer.sh start
[xiaobai@hadoop103 zookeeper-3.5.7]$ bin/zkServer.sh start
[xiaobai@hadoop104 zookeeper-3.5.7]$ bin/zkServer.sh start
2). 查看状态:
[xiaobai@hadoop102 zookeeper-3.5.7]$ bin/zkServer.sh status
ZooKeeper JMX enabled by default
Using config: /opt/module/zookeeper-3.5.7/bin/../conf/zoo.cfg
Client port found: 2181. Client address: localhost.
Mode: follower[xiaobai@hadoop103 zookeeper-3.5.7]$ bin/zkServer.sh status
ZooKeeper JMX enabled by default
Using config: /opt/module/zookeeper-3.5.7/bin/../conf/zoo.cfg
Client port found: 2181. Client address: localhost.
Mode: follower[xiaobai@hadoop104 zookeeper-3.5.7]$ bin/zkServer.sh status
ZooKeeper JMX enabled by default
Using config: /opt/module/zookeeper-3.5.7/bin/../conf/zoo.cfg
Client port found: 2181. Client address: localhost.
Mode: leader
4.2.2 ZK集群启动停止脚本
- 在hadoop102的/home/xiaobai/bin目录下创建脚本
zk.sh
:
在脚本中编写如下内容:
#!/bin/bashcase $1 in
"start")for i in hadoop102 hadoop103 hadoop104doecho "---------- $i ------------"ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh start"done
;;
"stop")for i in hadoop102 hadoop103 hadoop104doecho "---------- $i ------------"ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh stop"done
;;
"status")for i in hadoop102 hadoop103 hadoop104doecho "---------- $i ------------"ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh status"done
;;
esac
- 增加脚本执行权限:
[xiaobai@hadoop102 bin]$ chmod 777 zk.sh
- Zookeeper 集群启动脚本:
[xiaobai@hadoop102 ~]$ zk.sh start
- Zookeeper 集群停止脚本:
[xiaobai@hadoop102 ~]$ zk.sh stop
- 查看Zookeeper 状态:
[xiaobai@hadoop102 ~]$ zk.sh status
---------- hadoop102 ------------
ZooKeeper JMX enabled by default
Using config: /opt/module/zookeeper-3.5.7/bin/../conf/zoo.cfg
Client port found: 2181. Client address: localhost.
Mode: leader
---------- hadoop103 ------------
ZooKeeper JMX enabled by default
Using config: /opt/module/zookeeper-3.5.7/bin/../conf/zoo.cfg
Client port found: 2181. Client address: localhost.
Mode: follower
---------- hadoop104 ------------
ZooKeeper JMX enabled by default
Using config: /opt/module/zookeeper-3.5.7/bin/../conf/zoo.cfg
Client port found: 2181. Client address: localhost.
Mode: follower
4.3 Kafka安装
4.3.1 Kafka集群安装
- 解压缩kafka_2.11-2.4.1.tgz至/opt/module/目录下:
[xiaobai@hadoop102 software]$ tar -zxvf kafka_2.11-2.4.1.tgz -C /opt/module/
- 修改kafka_2.11-2.4.1名称为kafka:
[xiaobai@hadoop102 module]$ mv kafka_2.11-2.4.1/ kafka
- 在/opt/module/kafka路径下创建logs文件夹:
[xiaobai@hadoop102 kafka]$ mkdir logs
- 如图,在/opt/module/kafka/config目录下修改配置文件server.properties:
[xiaobai@hadoop102 config]$ vim server.properties #broker 的全局唯一编号,不能重复 broker.id=0
#删除 topic 功能使能
delete.topic.enable=true
#kafka 运行日志存放的路径
log.dirs=/opt/module/kafka/logs
#配置连接 Zookeeper 集群地址 zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181
- 分发kafka:
[xiaobai@hadoop102 module]$ xsync kafka/
- 修改各自的broker.id:
[xiaobai@hadoop103 config]$ vim server.properties
broker.id=1
[xiaobai@hadoop104 config]$ vim server.properties
broker.id=2
- 配置环境变量:
[xiaobai@hadoop102 kafka]$ sudo vim /etc/profile.d/my_env.sh
#KAFKA_HOME
export KAFKA_HOME=/opt/module/kafka
export PATH=$PATH:KAFKA_HOME/bin[xiaobai@hadoop102 kafka]$ source /etc/profile.d/my_env.sh
- 分发my_env.sh:
[xiaobai@hadoop102 kafka]$ sudo /home/xiaobai/bin/xsync /etc/profile.d/my_env.sh
- 在hadoop103、hadoop104上使用source刷新my_env.sh :
[xiaobai@hadoop103 config]$ source /etc/profile.d/my_env.sh
[xiaobai@hadoop104 config]$ source /etc/profile.d/my_env.sh
- 启动集群:
依次在 hadoop102、hadoop103、hadoop104 节点上启动 kafka:
[xiaobai@hadoop102 kafka]$ bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties
[xiaobai@hadoop103 kafka]$ bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties
[xiaobai@hadoop104 kafka]$ bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties
- 关闭集群:
在/opt/module/kafka目录下执行以下命令:
bin/kafka-server-stop.sh stop
4.3.2 Kafka集群启动停止脚本
- 在/home/xiaobai/bin目录下创建脚本文件
kf.sh
:
#!/bin/bashcase $1 in
"start")for i in hadoop102 hadoop103 hadoop104doecho "------启动 $i KAFKA------"ssh $i "/opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties"done
;;
"stop")for i in hadoop102 hadoop103 hadoop104doecho "------停止 $i KAFKA------" ssh $i "/opt/module/kafka/bin/kafka-server-stop.sh stop"done
;;
esac
- 赋予权限:
[xiaobai@hadoop102 bin]$ chmod 777 kf.sh
- 使用脚本开启kafka:
[xiaobai@hadoop102 bin]$ kf.sh start
- 使用脚本停止kafka:
[xiaobai@hadoop102 bin]$ kf.sh stop
4.3.3 常用命令
- 查看Kafka Topic列表:
[xiaobai@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181/kafka --list
__consumer_offsets
topic_log
- 创建Kafka Topic:
/opt/module/kafka/目录下创建日志主题:
[xiaobai@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181,hadoop103:2181,hadoop104:2181/kafka --create --replication-factor 1 --partitions 1 --topic topic_log
- 删除Kafka Topic:
[xiaobai@hadoop102 kafka]$ bin/kafka-topics.sh --delete --zookeeper hadoop102:2181,hadoop103:2181,hadoop104:2181/kafka --topic topic_log
- Kafka生产消息:
[xiaobai@hadoop102 kafka]$ bin/kafka-console-producer.sh \
> --broker-list hadoop102:9092 --topic topic_log
>hello world
>xiaobai is coming
>work
- Kafka消费消息:
[xiaobai@hadoop102 kafka]$ bin/kafka-console-consumer.sh \
> --bootstrap-server hadoop102:9092 --from-beginning --topic topic_log
hello world
xiaobai is coming
work
注⚠️:–from-beginning:会把主题中以往所有的数据都读取出来。根据业务场景选择是否增加该配置。
- 查看Kafka Topic详情:
[xiaobai@hadoop102 kafka]$ bin/kafka-topics.sh --zookeeper hadoop102:2181/kafka --describe --topic topic_log
4.3.4 项目经验之Kafka机器数量计算
Kafka机器数量(经验公式)= 2 *(峰值生产速度 * 副本数 / 100)+ 1;
先拿到峰值生产速度,再根据设定的副本数,就能预估出需要部署Kafka的数量。
峰值生产速度:可以通过压测得到;
副本数:
默认副本数是1个,在企业里会有2-3个,通常为2;
副本多可以提高可靠性,但是会降低网络传输速率;
如峰值生产速度为50M/s,副本数为2;
Kafka机器数量 = 2 * (50 * 2 / 100)+ 1 = 3台。
4.3.5 项目经验之压力测试
Kafka压测:
用Kafka官方自带的脚本,对Kafka进行压测:
kafka-consumer-perf-test.sh
kafka-producer-perf-test.sh
Kafka压测时,在硬盘读写速度一定的情况下,可以查看到哪些地方出现了瓶颈(CPU,内存,网络 IO);一般都是网络 IO 达到瓶颈。
4.3.6 项目经验之Kafka分区数计算
- 创建一个只有 1 个分区的 topic;
- 测试这个 topic 的 producer 吞吐量和 consumer 吞吐量;
- 假设他们的值分别是 Tp 和 Tc,单位可以是 MB/s;
- 然后假设总的目标吞吐量是 Tt,那么分区数=Tt / min(Tp,Tc) 例如:producer 吞吐量=20m/s;
consumer 吞吐量=50m/s,期望吞吐量 100m/s;
分区数=100 / 20 =5 分区; 分区数一般设置为:3-10 个。
建议参考==》
4.4采集日志Flume
4.4.1 日至采集Flume安装
- 解压 apache-flume-1.9.0-bin.tar.gz 到/opt/module/目录下:
[xiaobai@hadoop102 software]$ tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/module/
- 修改apache-flume-1.9.0-bin的名称为
flume
[xiaobai@hadoop102 module]$ mv apache-flume-1.9.0-bin/ flume
- 将lib文件夹下的guava-11.0.2.jar 删除以兼容hadoop3.2.2:
[xiaobai@hadoop102 lib]$ rm -rf guava-11.0.2.jar
注⚠️:删除guava-11.0.2.jar 的服务器节点,一定要配置hadoop环境变量,否则会报异常。
- 将 flume/conf 下 的 flume-env.sh.template 文 件 修 改 为
flume-env.sh
, 并 配 置flume-env.sh
文件:
[xiaobai@hadoop102 conf]$ mv flume-env.sh.template flume-env.sh
[xiaobai@hadoop102 conf]$ vim flume-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144
- 分发flume:
[xiaobai@hadoop102 module]$ xsync flume/
4.4.2 项目经验之Flume组件选型
- source
1). flume1.6 source:
exec :
优点:可以实时监控文件变化;
缺点:有丢数据的风险。
spooling:
优点:可以实现断点续传;
缺点:不能实时监控文件变化。
2). flume 1.7 taildir source⭐️
Taildir Source
相比 Exec Source、Spooling Directory Source 的优势:
a. 可实现断点续传,多目录
;Flume1.6 以前需要自己自定义 Source 记录每次读取文件位置,实现断点续传。
b. 可以实时监控文件的变化
。
Exec Source 可以实时搜集数据,但是在 Flume 不运行或者 Shell 命令出错的情况下,数据将会丢失;Spooling Directory Source 监控目录,支持断点续传,但不能实时监控文件变化。
3). batchSize 大小如何设置?
答:Event 1K 左右时,500-1000 合适(默认为 100)
- Channel
file channel⭐️: 数据存储在磁盘中,可靠性高,效率低;
memory channel⭐️: 数据存储在内存中,效率高,可靠性差。
采用 Kafka Channel,省去了 Sink,提高了效率。KafkaChannel 数据存储在 Kafka 里面, 所以数据是存储在磁盘中。
4.4.3 日志采集 Flume 配置
Flume配置分析:
注⚠️:Flume 直接读 log 日志的数据,log 日志的格式是 app.yyyy-mm-dd.log。Flume的具体配置如下:
1). 在/opt/module/flume/conf 目录下创建 file-flume-kafka.conf
文件:
[xiaobai@hadoop102 conf]$ vim file-flume-kafka.conf
2). 在文件配置如下内容:
#定义组件
a1.sources=r1
a1.channels=c1#配置source (Taildirsource)
a1.sources.r1.type=TAILDIR
a1.sources.r1.filegroups=f1
a1.sources.r1.filegroups.f1=/opt/module/applog/log/app.*
a1.sources.r1.positionFile=/opt/module/flume/taildir_position.json#配置拦截器(ETL数据清洗 判断json是否完整)
a1.sources.r1.interceptors=i1
a1.sources.r1.interceptors.i1.type=com.xiaobai.flume.interceptor.ETLInterceptor$Builder#配置channel
a1.channels.c1.type=org.apache.flume.channel.kafka.kafkaChannel
a1.channels.c1.kafka.bootstrap.servers=hadoop102:9092,hadoop103:9092
a1.channels.c1.kafka.topic=topic_log
a1.channels.c1.parseAsFlumeEvent=false#配置sink(Kafka Channel 无Sink)#拼接组件
a1.sources.r1.channels=c1
3). 分发file-flume-kafka.conf:
[xiaobai@hadoop102 conf]$ xsync file-flume-kafka.conf
tips: com.xiaobai.flume.interceptor.ETLInterceptor是自定义的拦截器全类名。
4.4.4 Flume拦截器
- 创建 Maven 工程
flume-interceptor
; - 创建包名:
com.xiaobai.flume.interceptor
; - 在
pom.xml
文件中添加如下配置:
<properties><maven.compiler.source>8</maven.compiler.source><maven.compiler.target>8</maven.compiler.target></properties><dependencies><dependency><groupId>org.apache.flume</groupId><artifactId>flume-ng-core</artifactId><version>1.9.0</version><scope>provided</scope></dependency><dependency><groupId>com.alibaba</groupId><artifactId>fastjson</artifactId><version>1.2.62</version></dependency></dependencies><build><plugins><plugin><artifactId>maven-compiler-plugin</artifactId><version>2.3.2</version><configuration><source>1.8</source><target>1.8</target></configuration></plugin><plugin><artifactId>maven-assembly-plugin</artifactId><configuration><descriptorRefs><descriptorRef>jar-with-dependencies</descriptorRef></descriptorRefs></configuration><executions><execution><id>make-assembly</id><phase>package</phase><goals><goal>single</goal></goals></execution></executions></plugin></plugins></build>
- 在com.xiaobai.flume.interceptor包下创建
JSONUtils
类:
package com.xiaobai.flume.interceptor;import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONException;public class JSONUtils {// //test数据
// public static void main(String[] args) {// System.out.println(isValidate("{123323"));
// }//验证数据是否jsonpublic static boolean isValidate(String log) {try {JSON.parse(log);return true;} catch(JSONException e){return false;}}
}
- 在com.xiaobai.flume.interceptor下创建
ETLInterceptor
类:
package com.xiaobai.flume.interceptor;import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;import java.nio.charset.Charset;
import java.util.Iterator;
import java.util.List;public class ETLInterceptor implements Interceptor {@Overridepublic void initialize() {}@Overridepublic Event intercept(Event event) {// 取数据后进行校验//1 获取数据byte[] body = event.getBody();String log = new String(body, Charset.forName("UTF-8"));//2 校验if(JSONUtils.isValidate(log)){return event;}return null;}@Overridepublic List<Event> intercept(List<Event> list) {Iterator<Event> iterator = list.iterator();while(iterator.hasNext()){Event next = iterator.next();if(intercept(next) == null){iterator.remove();}}return list;}public static class Builder implements Interceptor.Builder{@Overridepublic Interceptor build() {return new ETLInterceptor();}@Overridepublic void configure(Context context) {}}@Overridepublic void close() {}
}
打包:
将打包好的带依赖的jar包传入hadoop102 的/opt/module/flume/lib 目录下:
过滤查找是否存在带依赖的jar包flume-interceptor-1.0-SNAPSHOT-jar-with-dependencies.jar:
[xiaobai@hadoop102 lib]$ ls | grep interceptor
flume-interceptor-1.0-SNAPSHOT-jar-with-dependencies.jar
- 分发jar包至hadoop103、hadoop104:
[xiaobai@hadoop102 lib]$ xsync flume-interceptor-1.0-SNAPSHOT-jar-with-dependencies.jar
- 分别在 hadoop102、hadoop103 上启动 Flume:
[xiaobai@hadoop102 flume]$ bin/flume-ng agent --name a1 --conf-file conf/file-flume-kafka.conf &
[xiaobai@hadoop103 flume]$ bin/flume-ng agent --name a1 --conf-file conf/file-flume-kafka.conf &
4.4.5 测试Flume-Kafka通道
- 生成日志:
[xiaobai@hadoop102 kafka]$ lg.sh
- 消费Kafka数据,观察控制台是否获取到数据:
[xiaobai@hadoop102 kafka]$ bin/kafka-console-consumer.sh \--bootstrap-server hadoop102:9092 --from-beginning --topic topic_log
如图所示就是已经获取到数据了!我这里用两个远程工具同时开了好几个远程端口进行不同操作,所以这个端口看起来会不一样。
注⚠️:
这里获取不到数据的话,后面会很麻烦!!!!
前车之鉴,一定要认真检查!配置文件!少个字母多个字母 包名不正确之类的都会引起错误!!!若是配置文件都没错的话 就检查Kafka、Flume、Zookeeper是否正确启动,仔细检查状态!!!再检查Flume的拦截器代码是否正常!!所引用的包名是否正确!!!!!!!!试图引起注意!!!!!!!!n多个感叹号❕足以证明会有多重要 我是当时不以为然 没在意 结果到后面进行不下去了 又返回来重新检查了一遍的
数据仓库之电商数仓-- 1、用户行为数据采集相关推荐
- 数据仓库之电商数仓-- 2、业务数据采集平台
目录 一.电商业务简介 1.1 电商业务流程 1.2 电商常识(SKU.SPU) 1.3 电商系统表结构 1.3.1 活动信息表(activity_info) 1.3.2 活动规则表(activity ...
- 31 大数据项目之电商数仓(用户行为数据采集)
文章目录 第1章 大数据项目之电商数仓(用户行为数据采集) 第2章 项目需求 2.1 项目需求分析 2.2 项目框架 2.2.1 技术选型 2.2.2 系统架构图设计 2.2.3 系统数据流程设计 2 ...
- 大数据项目之电商数仓(用户行为数据采集)
第1章 数据仓库概念 第2章 项目需求 2.1 项目需求分析 2.2 项目框架 2.2.1 技术选型 2.2.2 系统架构图设计 2.2.3 系统数据流程设计 2.2.4 框架版本选型 产品 版本 H ...
- 数据仓库之电商数仓-- 4、可视化报表Superset
目录 一.Superset入门 1.1 Superset概述 1.2 Superset应用场景 二.Superset安装及使用 2.1 安装Python环境 2.1.1 安装Miniconda 2.1 ...
- 数据仓库之电商数仓-- 3.4、电商数据仓库系统(ADS层)
目录 九.数仓搭建-ADS层 9.1 建表说明 9.2 访客主题 9.2.1 访客统计 9.2.2 路径分析 9.3 用户主题 9.3.1 用户统计 9.3.2 用户变动统计 9.3.3 用户行为漏斗 ...
- 数据仓库之电商数仓-- 3.3、电商数据仓库系统(DWT层)
目录 八.数仓搭建-DWT层 8.1 访客主题 8.2 用户主题 8.3 商品主题 8.4 优惠券主题 8.5 活动主题 8.6 地区主题 8.7 DWT层首日数据导入脚本 8.8 DWT层每日数据导 ...
- 数据仓库之电商数仓-- 3.2、电商数据仓库系统(DWS层)
目录 七.数仓搭建-DWS层 7.1 系统函数 7.1.1 nvl函数 7.1.2 日期处理函数 7.1.3 复杂数据类型定义 7.2 DWS层 7.2.1 访客主题 7.2.2 用户主题 7.2.3 ...
- 数据仓库之电商数仓-- 5、即席查询Kylin
目录 一.Kylin 1.1 Kylin简介 1.1.1 Kylin定义 1.1.2 Kylin相关术语 1.1.3Kylin架构 1.1.4 Kylin特点 1.2 Kylin安装 1.2.1 Ky ...
- 1、电商数仓(用户行为采集平台)
数据仓库概念 数据仓库( Data Warehouse ),是为企业制定决策,提供数据支持的.可以帮助企业,改进业务流程.提高产品质量等. 数据仓库的输入数据通常包括:业务数据.用户行为数据和爬虫数据 ...
最新文章
- tt桌球瞄准器手机版_新年换台新手机!各价位段哪些机型值得入手?
- 四则运算APP最后阶段
- postgresql网站翻译
- Android Textview控件
- mysql6.5 操作日志
- iOS开发日记4-第三方登录(ShareSDK)
- Adding Applications for JavaScript Storefronts in SAP 电商云
- Lync Server 2010所需媒体网络流量带宽详解和计算
- PHP memory_get_usage()管理内存
- python列表数据类型(一分钟读懂)
- 【附源码】手写一个Ico生成器
- 日语学习网站分类汇总
- 读书笔记(第五周)之魔方的创新
- 从最新的技术趋势看前端的未来
- 从零入门开源框架---若依(前后端分离版)
- 网络安全入门(黑客)学习路线-2023最新版
- Linux 系统管理没有 netstat ,不惆怅! 拥抱 ss ,事半功倍
- 医疗器械经营与服务类毕业论文文献有哪些?
- 第一章 卡耐基应付对手的方法 二 正视别人的批评
- 激光雷达和相机的联合标定(Camera-LiDAR Calibration)
热门文章
- windbg 常用查看锁以及互斥量
- 面试题17. 打印从1到最大的n位数
- Ubuntu apt update(apt-get update)报错、失败
- phpstudy下载、安装、配置、网站部署、卸载(windows下php、apache、nginx环境测试)
- QTCreator2.8.0+Qt Open source 4.8.5环境配置(Win7x64)
- Kali aircrack-ng wifi密码破解(暴力)(1)
- Python黑客编程3网络数据监听和过滤
- ubuntu16.04caffe训练mnist数据集
- MyBatis从入门到精通:update用法、delete用法
- android jni与java之间数据传输时怎么转换