kng32f3vbngrm_社区达人页

2024年05月

• 05.26 11:21:55
  发表了文章 2024-05-26 11:21:55

  DolphinScheduler 调度工作流报错 Host key verification failed.

  DolphinScheduler调度任务失败，错误显示"Host key verification failed."。问题可能在于SSH免密登录配置失效或租户不存在于Linux系统中。解决方案：检查SSH配置并确保调度用户有管理员权限；确认DolphinScheduler租户与Linux用户对应。如果日志仅显示主机键验证失败，可能忽略了租户与操作系统用户的对应关系。创建具备管理员权限的新租户可解决。此外，当失败策略设为"继续"时，可能无法查看失败日志，建议使用"结束"策略。
• 05.26 11:19:59
  发表了文章 2024-05-26 11:19:59

  数仓常用分层与维度建模

  本文介绍了数据仓库的分层结构和维度建模。数仓通常分为ODS、DIM、DWD、DWS和ADS五层，各层负责不同的数据处理阶段。维度建模是数据组织方法，包括星型和雪花模型。星型模型简单直观，查询性能高，适合简单查询；雪花模型则通过规范化减少冗余，提高数据一致性和结构复杂性，但可能影响查询效率。选择模型需根据业务需求和数据复杂性来定。
• 05.26 11:17:44
  发表了文章 2024-05-26 11:17:44

  ClickHouse 数据类型、表引擎与TTL

  ClickHouse数据类型包括UInt8、Int64等，对应Java的Short、Long等，支持数字、字符串、日期时间、数组、枚举、UUID和IP地址等多种类型。建表时需确定好数据类型，避免后期转换影响效率。不要使用Nullable类型，因其低效。合理设置分区和索引，避免轻量删除和修改操作。表引擎如TinyLog适合小规模数据，MergeTree适用于有序时间序列，ReplacingMergeTree用于替换更新数据，AggregatingMergeTree和SummingMergeTree做聚合计算，CollapsingMergeTree保留最新状态。
• 05.26 11:12:34
  发表了文章 2024-05-26 11:12:34

  ClickHouse 高可用之副本

  ClickHouse 使用副本机制增强数据可用性，复制数据到多个节点以备故障转移。仅MergeTree系列引擎支持副本，需使用`Replicated`前缀。副本是表级别，需先创建对应表结构。配置高可用副本需借助Zookeeper协调。在三台机器上部署，每台有三份数据。创建副本表时，需指定Zookeeper路径和唯一副本名称。通过`CREATE TABLE`语句在每个节点创建副本表并插入数据，然后验证数据同步。还可以使用工具如PrettyZoo查看Zookeeper中的副本表元数据。
• 05.26 11:09:09
  发表了文章 2024-05-26 11:09:09

  索引！索引！！索引！！！到底什么是索引？

  **索引是数据库中的数据结构，类似书籍目录，加速数据查找和访问。优点包括提升查询性能、数据检索速度、支持唯一性约束及优化排序和连接操作。缺点在于增加写操作开销、占用存储空间、高维护成本和过多索引可能降低性能。常见的索引类型有单值、复合、唯一、聚集和非聚集索引等，实现方式涉及B树、B+树和哈希表。B树和B+树适合磁盘存储，B+树尤其适用于范围查询，哈希索引则适用于快速等值查询。**
• 05.26 11:06:52
  发表了文章 2024-05-26 11:06:52

  ClickHouse 如何实现数据一致性

  本文探讨了在 ClickHouse 中实现数据一致性的方法，主要关注 `ReplacingMergeTree` 引擎。该引擎允许更新已有数据，通过定期合并操作删除重复并保持最终一致性。然而，由于合并时间不可预测，单纯依赖此引擎无法确保实时一致性。为解决此问题，文章提出了四种策略：1）手动触发合并，但不建议频繁使用；2）使用 `FINAL` 查询，但在查询时合并数据，效率较低；3）通过标记和 `GroupBy` 查询实现一致性；4）在允许一定偏差的情况下，直接使用 `ReplacingMergeTree` 保持最终一致性。在实践中，推荐结合标记列和 `GroupBy` 以保证数据一致性。
• 05.26 11:05:28
  发表了文章 2024-05-26 11:05:28

  Spark 为什么比 Hive 快

  Spark与Hive在数据处理上有显著区别。Spark以其内存计算和线程级并行提供更快的速度，但稳定性受内存限制。相比之下，Hive虽较慢，因使用MapReduce，其稳定性更高，对内存需求较小。在Shuffle方式上，Spark的内存 Shuffle 比Hive的磁盘 Shuffle 更高效。综上，Spark在处理速度和Shuffle上占优，Hive则在稳定性和资源管理上更胜一筹。
• 05.26 11:04:11
  发表了文章 2024-05-26 11:04:11

  Hive 特殊的数据类型 Array、Map、Struct

  在Hive中，`Array`、`Map`和`Struct`是三种特殊的数据类型。`Array`用于存储相同类型的列表，如`select array(1, "1", 2, 3, 4, 5)`会产生一个整数数组。`Map`是键值对集合，键值类型需一致，如`select map(1, 2, 3, "4")`会产生一个整数到整数的映射。`Struct`表示结构体，有固定数量和类型的字段，如`select struct(1, 2, 3, 4)`创建一个无名结构体。这些类型支持嵌套使用，允许更复杂的结构数据存储。例如，可以创建一个包含用户结构体的数组来存储多用户信息
• 05.26 10:57:27
  发表了文章 2024-05-26 10:57:27

  HiveOnSpark 报错：java.lang.IllegalStateException(Connection to remote Spark driver was lost)‘ Last kno

  Hive On Spark 测试时遇到`java.lang.IllegalStateException`和`FileNotFoundException`，问题根源是 Spark 缺少 `hive-exec-3.1.3.jar`。解决方法：从 `$HIVE_HOME/lib/`复制该 jar 到 `$SPARK_HOME/jars/`，并使用 `hdfs dfs -put`命令将其上传至 HDFS 的 `/spark-jars/`（根据实际情况调整路径）。重启 Hive 元数据服务后问题解决。

  
• 05.26 10:54:19
  发表了文章 2024-05-26 10:54:19

  【Hive SQL 每日一题】统计最近1天/7天/30天商品的销量

  这段内容是关于SQL查询的示例，目标是统计`sales`表中最近1天、7天和30天的商品销量和销售次数。表结构包含`id`、`product_id`、`quantity`和`sale_date`字段。初始查询方法通过三个独立的子查询完成，但效率较低。优化后的查询使用了`lateral view explode`将数据炸裂，通过一次查询同时获取所有所需时间段的数据，提高了效率。示例中展示了优化前后的SQL代码及结果对比。
• 05.26 10:52:05
  发表了文章 2024-05-26 10:52:05

  【Hive SQL 每日一题】统计最近7天内连续下单3日的用户量

  创建了一个名为`sales`的测试表，包含`user_id`、`product_id`、`quantity`和`sale_date`字段，插入了多条销售数据。需求是找出最近7天内连续下单3天的用户数量。SQL查询通过分组和窗口函数`row_number()`检查日期连续性，最终计算满足条件的唯一用户数。示例结果显示有3名用户符合条件。
• 05.26 10:50:14
  发表了文章 2024-05-26 10:50:14

  【Hive SQL 每日一题】统计用户留存率

  用户留存率是衡量产品成功的关键指标，表示用户在特定时间内持续使用产品的比例。计算公式为留存用户数除以初始用户数。例如，游戏发行后第一天有10000玩家，第七天剩5000人，第一周留存率为50%。提供的SQL代码展示了如何根据用户活动数据统计每天的留存率。需求包括计算系统上线后的每日留存率，以及从第一天开始的累计N日留存率。通过窗口函数`LAG`和`COUNT(DISTINCT user_id)`，可以有效地分析用户留存趋势。
• 05.26 10:47:50
  发表了文章 2024-05-26 10:47:50

  【Hive SQL 每日一题】行列转换

  该文介绍了如何使用SQL进行数据的行列转换。首先展示了行转列的例子，通过创建一个学生成绩表，利用`IF`和`SUM`函数按学生ID分组，将每个学生的各科成绩转换为独立列。然后，文章讲述了列转行的需求，利用`LATERAL VIEW`和`POSEXPLODE`将已转换的表格恢复为原始行格式，通过索引匹配过滤笛卡尔积避免错误结果。此外，还提到了使用`UNION ALL`的另一种列转行方法。
• 05.26 10:45:29
  发表了文章 2024-05-26 10:45:29

  【Hive SQL 每日一题】分组排名取值

  创建了一个名为`sales_data`的测试表，包含商品ID、销售额和销售日期。展示了部分示例数据。接着，提供了三个SQL查询：1) 查找每个商品销售额最高的记录；2) 获取每个商品最近和最远的销售记录；3) 求每个商品距今第二近的销售记录。每个查询都利用了窗口函数来处理数据，并给出了相应的查询结果图。
• 05.26 10:42:00
  发表了文章 2024-05-26 10:42:00

  【Hive SQL 每日一题】在线课程学生行为数据分析

  该数据分析师任务是分析在线学习平台的学生行为，以优化课程内容和学习体验。提供的数据包括`students`表（含学生ID、姓名、年龄和性别）和`course_activity`表（含活动ID、学生ID、课程ID、活动日期和学习时长）。分析涉及：1) 学生参加的课程数量，2) 课程总学习时长，3) 按性别分组的平均学习时长，4) 学生首次参加的课程及日期，5) 学生最近一次学习的时长，以及6) 参与学生最多的课程。所有查询都使用了SQL，部分涉及窗口函数和分组统计。数据集可在给定链接下载。
• 05.26 10:38:40
  发表了文章 2024-05-26 10:38:40

  【Hive SQL 每日一题】分析电商平台的用户行为和订单数据

  作为一名数据分析师，你需要分析电商平台的用户行为和订单数据。你有三张表：`users`（用户信息），`orders`（订单信息）和`order_items`（订单商品信息）。任务包括计算用户总订单金额和数量，按月统计订单，找出最常购买的商品，找到平均每月最高订单金额和数量的用户，以及分析高消费用户群体的年龄和性别分布。通过SQL查询，你可以实现这些分析，例如使用`GROUP BY`、`JOIN`和窗口函数来排序和排名。
• 05.26 10:34:55
  发表了文章 2024-05-26 10:34:55

  手把手教你解决 Hive 的数据倾斜

  数据倾斜是 Hive 中影响任务执行效率的现象，表现为某些任务处理的数据量或耗时远超其他任务。根本原因是 Shuffle 后 Key 分布不均，导致部分 Reduce 负载过高。常见场景包括空值聚合、不可拆分大文件、数值膨胀、不同数据类型 Join、Count(distinct) 计算以及表 Join 操作。解决方法包括过滤空值、转换数据类型、调整聚合策略、使用 MapJoin 等。通过合理优化，如设置 `hive.groupby.skewindata` 和 `hive.map.aggr` 参数，可以有效缓解数据倾斜问题。