全链路数据治理-2

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介: 全链路数据治理-2

3. 加工数据

您本步骤将指导您如何通过DataWorks计算和分析已采集的数据。

  1. 新建三张数据表,分别为数据运营层表(ods_log_info_d)、数据仓库层表(dw_user_info_all_d)和数据产品层表(rpt_user_info_d)。

1.1 在临时查询页面的左侧导航中,单击数据开发。

1.2 在数据开发页面,选择业务流程>MaxCompute,右键单击,单击新建表

1.3 在新建表对话框中,表名输入为ods_log_info_d,单击新建

1.4 在表ods_log_info_d的编辑页面上方,单击DDL

1.5 在DDL模式对话框中,输入如下创建数据运营层表的建表语句,单击生成表结构

CREATE TABLE IF NOT EXISTS ods_log_info_d (
  ip STRING COMMENT 'ip',
  uid STRING COMMENT 'uid',
  time STRING COMMENT 'timeyyyymmddhh:mi:ss',
  status STRING COMMENT 'status',
  bytes STRING COMMENT 'bytes',
  region STRING COMMENT 'region',
  method STRING COMMENT 'method',
  url STRING COMMENT 'url',
  protocol STRING COMMENT 'protocol',
  referer STRING COMMENT 'referer',
  device STRING COMMENT 'device',
  identity STRING COMMENT 'identity'
)
PARTITIONED BY (
  dt STRING
);

1.6 在确认操作对话框中,单击确认

1.7 在表ods_log_info_d的编辑页面,中文名输入为数据运营层表,单击提交到生产环境

1.8 在提交到生产环境对话框中,单击确认

1.9 重复1.2~1.8的步骤,根据如下两个建表语句,新建dw_user_info_all_d表和rpt_user_info_d表,中文名分别输入为数据仓库层表和数据产品层表,然后单击提交到生产环境

CREATE TABLE IF NOT EXISTS dw_user_info_all_d (
  uid STRING COMMENT 'uid',
  gender STRING COMMENT 'gender',
  age_range STRING COMMENT 'age_range',
  zodiac STRING COMMENT 'zodiac',
  region STRING COMMENT 'region',
  device STRING COMMENT 'device',
  identity STRING COMMENT 'identity',
  method STRING COMMENT 'method',
  url STRING COMMENT 'url',
  referer STRING COMMENT 'referer',
  time STRING COMMENT 'timeyyyymmddhh:mi:ss'
)
PARTITIONED BY (
  dt STRING
);
CREATE TABLE IF NOT EXISTS rpt_user_info_d (
  uid STRING COMMENT 'uid',
  region STRING COMMENT 'uid',
  device STRING COMMENT 'device',
  pv BIGINT COMMENT 'pv',
  gender STRING COMMENT 'gender',
  age_range STRING COMMENT 'age_range',
  zodiac STRING COMMENT 'zodiac'
)
PARTITIONED BY (
  dt STRING
);
  1. 设计业务流程。

2.1 在数据开发页面左侧,双击您的业务流程。

2.2 在业务流程开发面板,单击ODPS SQL并拖拽至右侧的编辑页面。

2.3 在新建节点对话框中,节点名称输入为ods_log_info_d,单击提交

2.4 在业务流程开发面板,单击ODPS SQL并拖拽至右侧的编辑页面。

2.5 在新建节点对话框中,节点名称输入为dw_user_info_all_d,单击提交

2.6 在业务流程开发面板,单击ODPS SQL并拖拽至右侧的编辑页面。

2.7 在新建节点对话框中,节点名称输入为rpt_user_info_d,单击提交

2.8 在右侧的编辑页面,通过拖拽连线,配置如下图所示的依赖关系。

  1. 创建用户自定义函数。

3.1 复制下方地址,在Chromium浏览器打开新页签,粘贴并访问,下载ip2region.jar。

https://docs-aliyun.cn-hangzhou.oss.aliyun-inc.com/assets/attach/85298/cn_zh/1532163718650/ip2region.jar?spm=a2c4g.11186623.0.0.43df4d0dwSRLzd&file=ip2region.jar

3.2 切换回数据开发页面,选择业务流程>您的业务流程>MaxCompute,右键单击资源,选择新建资源>JAR

3.3 在新建资源对话框中,单击点击上传

3.4 在打开文件面板中,单击下载目录,选择ip2region.jar,单击选择

3.5 在新建资源对话框中,单击新建

3.6 在上方工具栏中,单击图标提交。

3.7 在提交新版本对话框中,单击提交

3.8 在数据开发页面,选择业务流程>您的业务流程>MaxCompute,右键单击函数,单击新建函数

3.9 在新建函数对话框中,函数名称输入为getregion,单击新建

3.10 在注册函数页签,配置如下参数,其他配置保持默认,单击图标保存。

参数说明:

  • 类名:输入org.alidata.odps.udf.Ip2Region
  • 资源列表:输入ip2region.jar
  • 描述:输入IP地址转换地域。
  • 命令格式:输入getregion(‘ip’)
  • 参数说明:输入IP地址。

3.11在注册函数页签,单击图标提交。

3.12 在提交新版本对话框中,单击确定

  1. 配置ODPS SQL节点。

4.1 在数据开发页面,选择业务流程>您的业务流程>MaxCompute>数据开发,双击ods_log_info_d。

4.2 在ods_log_info_d节点编辑页面,输入如下SQL语句,单击图标保存。

INSERT OVERWRITE TABLE ods_log_info_d PARTITION (dt=${bdp.system.bizdate})
SELECT ip
  , uid
  , time
  , status
  , bytes 
  , getregion(ip) AS region --使用自定义UDF通过IP得到地域。
  , regexp_substr(request, '(^[^ ]+ )') AS method --通过正则把request差分为3个字段。
  , regexp_extract(request, '^[^ ]+ (.*) [^ ]+$') AS url
  , regexp_substr(request, '([^ ]+$)') AS protocol 
  , regexp_extract(referer, '^[^/]+://([^/]+){1}') AS referer --通过正则清晰refer,得到更精准的URL。
  , CASE
    WHEN TOLOWER(agent) RLIKE 'android' THEN 'android' --通过agent得到终端信息和访问形式。
    WHEN TOLOWER(agent) RLIKE 'iphone' THEN 'iphone'
    WHEN TOLOWER(agent) RLIKE 'ipad' THEN 'ipad'
    WHEN TOLOWER(agent) RLIKE 'macintosh' THEN 'macintosh'
    WHEN TOLOWER(agent) RLIKE 'windows phone' THEN 'windows_phone'
    WHEN TOLOWER(agent) RLIKE 'windows' THEN 'windows_pc'
    ELSE 'unknown'
  END AS device
  , CASE
    WHEN TOLOWER(agent) RLIKE '(bot|spider|crawler|slurp)' THEN 'crawler'
    WHEN TOLOWER(agent) RLIKE 'feed'
    OR regexp_extract(request, '^[^ ]+ (.*) [^ ]+$') RLIKE 'feed' THEN 'feed'
    WHEN TOLOWER(agent) NOT RLIKE '(bot|spider|crawler|feed|slurp)'
    AND agent RLIKE '^[Mozilla|Opera]'
    AND regexp_extract(request, '^[^ ]+ (.*) [^ ]+$') NOT RLIKE 'feed' THEN 'user'
    ELSE 'unknown'
  END AS identity
  FROM (
    SELECT SPLIT(col, '##@@')[0] AS ip
    , SPLIT(col, '##@@')[1] AS uid
    , SPLIT(col, '##@@')[2] AS time
    , SPLIT(col, '##@@')[3] AS request
    , SPLIT(col, '##@@')[4] AS status
    , SPLIT(col, '##@@')[5] AS bytes
    , SPLIT(col, '##@@')[6] AS referer
    , SPLIT(col, '##@@')[7] AS agent
  FROM ods_raw_log_d
  WHERE dt = ${bdp.system.bizdate}
) a;

4.3 在数据开发页面,选择业务流程>您的业务流程>MaxCompute>数据开发,双击dw_user_info_all_d。

4.4 在dw_user_info_all_d节点的编辑页面,输入如下SQL语句,单击图标保存。

INSERT OVERWRITE TABLE dw_user_info_all_d PARTITION (dt='${bdp.system.bizdate}')
SELECT COALESCE(a.uid, b.uid) AS uid
  , b.gender
  , b.age_range
  , b.zodiac
  , a.region
  , a.device
  , a.identity
  , a.method
  , a.url
  , a.referer
  , a.time
FROM (
  SELECT *
  FROM ods_log_info_d
  WHERE dt = ${bdp.system.bizdate}
) a
LEFT OUTER JOIN (
  SELECT *
  FROM ods_user_info_d
  WHERE dt = ${bdp.system.bizdate}
) b
ON a.uid = b.uid;

4.5 在数据开发页面,选择业务流程>您的业务流程>MaxCompute>数据开发,双击rpt_user_info_d。

4.6 在rpt_user_info_d节点的编辑页面,输入如下SQL语句,单击图标保存。

INSERT OVERWRITE TABLE rpt_user_info_d PARTITION (dt='${bdp.system.bizdate}')
SELECT uid
  , MAX(region)
  , MAX(device)
  , COUNT(0) AS pv
  , MAX(gender)
  , MAX(age_range)
  , MAX(zodiac)
FROM dw_user_info_all_d
WHERE dt = ${bdp.system.bizdate}
GROUP BY uid;

  1. 提交业务流程。

5.1 在数据开发页面左侧,双击您的业务流程。

5.2 在业务流程的编辑页面上方菜单栏中,单击提交图标,提交业务流程中已配置完成的节点。

5.3 在提交对话框中,选择所有的节点,备注输入提交业务流程,选择忽略输入输出不一致的告警,单击提交

返回如下页面, 等待所有节点提交成功,单击图标关闭即可。

  1. 运行业务流程。

6.1 在业务流程的编辑页面上方菜单栏中,单击图标运行。

返回如下页面,等待3~5分钟,所有节点显示为后,表示任务运行完成。

6.2 在左侧导航栏中,单击临时查询。

6.3 在临时查询面板,右键单击临时查询,选择新建节点>ODPS SQL

6.4 在新建节点对话框中,单击提交

6.5 在SQL查询页签,输入如下SQL语句,单击图标运行,查看rpt_user_info_d数据情况,确认数据产出。

说明 SQL语句中字段dt中的${bdp.system.bizdate}表示业务日期。例如,任务运行的日期为20180717,则业务日期为20180716,即任务运行日期的前一天。

select * from rpt_user_info_d where dt=${bdp.system.bizdate} limit 10;

6.6 在参数对话框中,单击确定

6.7 在MaxCompute计算成本估计对话框中,单击运行

返回如下结果,表示数据已产出。

  1. 在生产环境运行任务。

7.1在页面上方,单击运维中心

7.2 在运维中心页面,选择周期任务运维>周期任务

7.3 在周期任务页面,单击workshop_start业务流程。

7.4 在DAG图中,右键单击workshop_start节点,选择补数据>当前节点及下游节点

7.5 在补数据对话框中,选择所有任务,单击确定

7.6 在确认框对话框中,单击确认

返回如下页面,单击刷新,等待3~5分钟,直至所有任务运行成功即可。


相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
SQL 分布式计算 监控
全链路数据治理
本场景主要介绍以常见的真实的海量日志数据分析任务为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
|
SQL 存储 安全
浅谈数据治理
浅谈数据治理
135 0
|
SQL 运维 关系型数据库
带你读《全链路数据治理-全域数据集成》之31:5. 任务运维
带你读《全链路数据治理-全域数据集成》之31:5. 任务运维
204 0
|
数据采集 存储 机器学习/深度学习
数据治理的三度修炼
所有企业都需要计划如何使用数据,以便在整个业务中一致地处理和使用数据,以支持业务结果。
数据治理的三度修炼
|
SQL DataWorks 数据可视化
全链路数据治理-4
全链路数据治理-4
207 0
|
数据采集 SQL 分布式计算
全链路数据治理-3
全链路数据治理-3
160 0
|
分布式计算 DataWorks 数据建模
全链路数据治理-全域数据集成
全链路数据治理-全域数据集成
840 0
|
存储 数据采集 数据管理
说说数据治理中常见的20个问题
数据治理是一项战略计划,用于优化企业处理数据的方式。它旨在组织和改进公司用于定义、收集、存储、保护、管理和货币化业务数据的政策和程序。
|
数据采集 数据管理 数据挖掘
数据治理的一疑乙易
在数据爆炸式增长的时代,数据又成为重要的生产要素之一,数据治理就成为很多企业关注的重点。
|
存储 数据采集 传感器
关于数据治理需要知道的六件事
许多组织希望在整个企业中共享数据集,但如何迈出第一步可能很困难。这些挑战包括从纯技术问题(如数据格式和API)到组织文化(管理者拒绝共享他们认为自己拥有的数据)。
关于数据治理需要知道的六件事
下一篇
DataWorks