ODS层及DWD层构建
01：课程回顾
- 一站制造项目的数仓设计为几层以及每一层的功能是什么？
- ODS：原始数据层：存放从Oracle中同步采集的所有原始数据
- DW：数据仓库层
- DWD：明细数据层：存储ODS层进行ETL以后的数据
- DWB：轻度汇总层：对DWD层的数据进行轻度聚合：关联和聚合
- 基于每个主题构建主题事务事实表
- DWS：维度数据层：对DWD层的数据进行维度抽取
- 基于每个主题的维度需求抽取所有维度表
- ST：数据应用层
- 基于DWB和DWS的结果进行维度的聚合
- DM：数据集市层
- 用于归档存储公司所有部门需要的shuju
- 一站制造项目的数据来源是什么，核心的数据表有哪些？
- 数据来源：业务系统
- ERP：公司资产管理系统、财务数据
- 工程师信息、零部件仓储信息
- CISS：客户服务管理系统
- 工单信息、站点信息、客户信息
- 呼叫中心系统
- 来电受理信息、回访信息
- 一站制造项目中在数据采集时遇到了什么问题，以及如何解决这个问题？
- 技术选型：Sqoop
- 问题：发现采集以后生成在HDFS上文件的行数与实际Oracle表中的数据行数不一样，多了
- 原因：Sqoop默认将数据写入HDFS以普通文本格式存储，一旦遇到数据中如果包含了特殊字符\n，将一行的数据解析为多行
- 解决
- 方案一：Sqoop删除特殊字段、替换特殊字符【一般不用】
- 方案二：更换其他数据文件存储类型：AVRO
- 数据存储：Hive
- 数据计算：SparkSQL
- 什么是Avro格式，有什么特点？
- 二进制文本：读写性能更快
- 独立的Schema：生成文件每一行所有列的信息
- 对列的扩展非常友好
- Spark与Hive都支持的类型
- 如何实现对多张表自动采集到HDFS？
- 需求
- 读取表名
- 执行Sqoop命令
- 效果：将所有增量和全量表的数据采集到HDFS上
- 全量表路径：维度表：数据量、很少发生变化
/data/dw/ods/one_make/ full_imp /表名/分区/数据
- 增量表路径：事实表：数据量不断新增，整体相对较大
/data/dw/ods/one_make/ incr_imp /表名/分区/数据
- Schema文件的存储目录
/data/dw/ods/one_make/avsc
- Shell：业务简单，Linux命令支持
- Python：业务复杂，是否Python开发接口
- 调用了LinuxShell来运行
- Python面向对象的基本应用
- 语法
- 定义类
class 类名: # 属性：变量 # 方法：函数
- 定义变量
key = value
- 定义方法
def funName(参数): 方法逻辑 return
- 面向对象：将所有事物以对象的形式进行编程，万物皆对象
- 对象：是类的实例
- 对象类：专门用于构造对象的，一般称为Bean，代表某一种实体Entity
- 类的组成
class 类名: # 属性：变量 # 方法：函数
- 业务：实现人购买商品
- 人
class Person: # 属性 id = 1 name = zhangsan age = 18 gender = 1 …… # 方法 def eat(self,something): print(f"{self.name} eating {something}") def buy(self,something) print(f"{self.name} buy {something}")
- 每个人都是一个Person类的对象
- 商品
class Product: # 属性 id = 001 price = 1000.00 size = middle color = blue …… # 方法 def changePrice(self,newPrice): self.price = newPirce
- 工具类：专门用于封装一些工具方法的，utils，代表某种操作的集合
- 类的组成：一般只有方法
class 类名: # 方法：函数
- 字符串处理工具类：拼接、裁剪、反转、长度、转大写、转小写、替换、查找
class StringUtils: def concat(split,args*): split.join(args) def reverse(sourceString) return reverse(sourceString) ……
- 日期处理工具类：计算、转换
class TimeUitls: def computeTime(time1,time2): return time1-time2 def transTimestamp(timestamp): return newDateyyyy-MM-dd HH:mm:ss) def tranfData(date) return timestamp
- 常量类：专门用于定义一些不会发生改变的变量的类
- 类的组成：一般只有属性
class 类名: # 属性：不发生变化的属性
- 定义一个常量类
class Common: ODS_DB_NAME = "one_make_ods" ……
- file1.py：创建数据库
create database if not exists Common.ODS_DB_NAME; • 1
- file2.py：创建表
``` create table if not exists Common.ODS_DB_NAME.tbname ```
- file3.py：插入数据到表中
insert into table Common.ODS_DB_NAME.tbname
- 问题1：容易写错
- 问题2：不好修改
02：课程目标
- 目标：自动化的ODS层与DWD层构建
- 实现
- 掌握Hive以及Spark中建表的语法规则
- 实现项目开发环境的构建
- 自己要实现所有代码注释
- ODS层与DWD层整体运行测试成功
03：数仓分层回顾
- 目标：回顾一站制造项目分层设计
- 实施
- ODS层 ：原始数据层
- 来自于Oracle中数据的采集
- 数据存储格式：AVRO
- ODS区分全量和增量
- 实现
- 数据已经采集完成
/data/dw/ods/one_make/full_imp /data/dw/ods/one_make/incr_imp
- step1：创建ODS层数据库：one_make_ods
- step2：根据表在HDFS上的数据目录来创建分区表
- step3：申明分区
- DWD层
- 来自于ODS层数据
- 数据存储格式：ORC
- 不区分全量和增量的
- 实现
- step1：创建DWD层数据库：one_make_dwd
- step2：创建DWD层的每一张表
- step3：从ODS层抽取每一张表的数据写入DWD层对应的表中
- 小结
- 回顾一站制造项目分层设计
04：Hive建表语法
- 目标：掌握Hive建表语法
- 实施
CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name ( col1Name col1Type [COMMENT col_comment], co21Name col2Type [COMMENT col_comment], co31Name col3Type [COMMENT col_comment], co41Name col4Type [COMMENT col_comment], co51Name col5Type [COMMENT col_comment], …… coN1Name colNType [COMMENT col_comment] ) [PARTITIONED BY (col_name data_type ...)] [CLUSTERED BY (col_name...) [SORTED BY (col_name ...)] INTO N BUCKETS] [ROW FORMAT row_format] row format delimited fields terminated by lines terminated by [STORED AS file_format] [LOCATION hdfs_path] TBLPROPERTIES
- EXTERNAL：外部表类型（删除表的时候，不会删除hdfs中数据）
- 内部表、外部表、临时表
- PARTITIONED BY：分区表结构
- 普通表、分区表、分桶表
- CLUSTERED BY：分桶表结构
- ROW FORMAT：指定分隔符
- 列的分隔符：\001
- 行的分隔符：\n
- STORED AS：指定文件存储类型
- ODS：avro
- DWD：orc
- LOCATION：指定表对应的HDFS上的地址
- 默认：/user/hive/warehouse/dbdir/tbdir
- TBLPROPERTIES：指定一些表的额外的一些特殊配置属性
- 小结
- 掌握Hive建表语法
05：Avro建表语法
- 目标：掌握Hive中Avro建表方式及语法
- 路径
- step1：指定文件类型
- step2：指定Schema
- step3：建表方式
- 实施
- Hive官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL#LanguageManualDDL-CreateTable
- DataBrics官网：https://docs.databricks.com/spark/2.x/spark-sql/language-manual/create-table.html
- Avro用法：https://cwiki.apache.org/confluence/display/Hive/AvroSerDe
- 指定文件类型
- 方式一：指定类型
stored as avro
- 方式二：指定解析类
--解析表的文件的时候，用哪个类来解析 ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.avro.AvroSerDe' --读取这张表的数据用哪个类来读取 STORED AS INPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' --写入这张表的数据用哪个类来写入 OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat'
- 指定Schema
- 方式一：手动定义Schema
CREATE TABLE embedded COMMENT "这是表的注释" ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED AS INPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' TBLPROPERTIES ( 'avro.schema.literal'='{ "namespace": "com.howdy", "name": "some_schema", "type": "record", "fields": [ { "name":"string1","type":"string"}] }' );
- 方式二：加载Schema文件
CREATE TABLE embedded COMMENT "这是表的注释" ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED as INPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' TBLPROPERTIES ( 'avro.schema.url'='file:///path/to/the/schema/embedded.avsc' );
- 建表语法
- 方式一：指定类型和加载Schema文件
create external table one_make_ods_test.ciss_base_areas comment '行政地理区域表' PARTITIONED BY (dt string) stored as avro location '/data/dw/ods/one_make/full_imp/ciss4.ciss_base_areas' TBLPROPERTIES ('avro.schema.url'='/data/dw/ods/one_make/avsc/CISS4_CISS_BASE_AREAS.avsc');
- 方式二：指定解析类和加载Schema文件
create external table one_make_ods_test.ciss_base_areas comment '行政地理区域表' PARTITIONED BY (dt string) ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED AS INPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' location '/data/dw/ods/one_make/full_imp/ciss4.ciss_base_areas' TBLPROPERTIES ('avro.schema.url'='/data/dw/ods/one_make/avsc/CISS4_CISS_BASE_AREAS.avsc');
create external table 数据库名称.表名 comment '表的注释' partitioned by ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.avro.AvroSerDe' STORED AS INPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat' location '这张表在HDFS上的路径' TBLPROPERTIES （'这张表的Schema文件在HDFS上的路径'）
- 小结
- 掌握Hive中Avro建表方式及语法
