数仓项目中的一些总结_"udfgetsingerinfo(col(\"singer_info\"),lit(\"singe

项目总结

1.sqoop 脚本

1. sqoop import \
2. –connect jdbc:mysql://192.168.58.201:3306/hive?dontTrackOpenResources=true&defaultFetchSizroot \
3. –password hive123\
4. –table song \
5. –target-dir /user/hive/warehouse/data/song/TO_SONG_INFO_D/ \
6. –delete-target-dir \
7. –num-mappers 1 \
8. –hive-import
   9.–hive-database default
   10.–hive-overwrite
   11.–fields-terminated-by ‘\t’ \ 一定要指定分隔符 或者指定成默认”\001”
   12.–hive-table TO_SONG_INFO_D
   13.e=10000&useCursorFetch=true&useUnicode=yes&characterEncoding=utf8 \
9. –username

失败的原因：

1.安装sqoop要细心，按照说明一步一步来
2.jdbc连接 windows的mysql 失败
只能换成连接linux-node1的mysql，这样就成功了

================================================

2 sc.readTextFile( “ ”) 当路径是hdfs://mycluster… 不识别 mycluster

不识别mycluster的解决办法，
2.1.是建resource包，粘贴hadoop的4个xml文件，注意文件中hostname，不要写node1…
要写成192.168.58.201的IP信息。另外，resource包要 mark as rescoure file
操作这一步之后，代码中的路径自动会加”hdfs://mycluster/”，如果本地文件的地址，要在本地文件前边加“file:///”即可解决。
2.2.不识别master 有可能是因为namenodeH。那么我读取的时候，可以写成sc.readTestFiel(“hdfs://192.168.58.201:8020/hello.txt”)
2.3. 还有一个解决方案：不需要把4个xml文件粘贴过来。
在window/system32/Drivers/etc/hosts 里面 写上
192.168.58.201 node1 mycluster
192.168.58.202 node2 mycluster
在代码中 写明 hdfs：//mycluster 这样就能识别了
以上解决方法 我竟然花了半个晚上

======================================================================

3.数据的流向的思路

1.数据源–> flume --> kafka —> flume —> hdfs —>hive—>再清洗 hivesql或者代码

2.数据源—> sparkscore清洗---->hdfs—>hive---->代码清洗—>mysql报表

3.数据源–> flume --> kafka —> sparkstreaming---->大数据可视化平台

=======================================================

4.数据导入

日志数据源由运维同志定时上传到hdfs，日志数据是增量导入，按天分区；

订单数据源-mysql，申请后公司将开放访问权限，sqoop到我们的集群hive。
订单数据每天这么多你为什么选择全量导入？
解释：是全量导入，还是增量导入，要根据项目的实际应用场景来，比如机器学习的个性化推荐系统，就需要全量数据；每天的订单数据分析，可能就需要增量导入。

维度表，直接在hive中创建即可；或者在mysql中做好表之后，映射到hive中，全量导入，因为不排除维度表中数据会有变化的情况；

===========================================================

5.数据从源头sparkcore读取 sc.textFile( )之后，怎么通过SparkCore清洗保存到hdfs?

读取到数据成为RDD1，通过map(split),filter, 过滤长度不够格的，
多数日志数据是Json 数据或者Json数组
Json数据可以在map算子中 alibaba.fastJson.parse(数据) 得到jsonObject对象，
然后jsonObject.getString(key),把想要的数据拿出来，用\t 拼接成字符串,return 即可

save as hadoopFile()
.saveAsHadoopFile(
// s"$hdfsclientlogpath/al{l}_{c}lien{t}_{t}ables/${logDate}",
// classOf[String],
// classOf[String],
// classOf[PairRDDMultipleTextOutputFormat]
// )
class PairRDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any]{}
实现MultipleTextOutputFormat的方法即可

上述方法保证了按天写入hdfs系统

另外一种是flume直接导入hdfs,flume的拦截器中能判断数据是否完整，格式是否正确，分类器可以让不同的数据走不同的channel到kafka，最后flume conf中的配置可以直接按天导入hdfs数据。

sink1

a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /origin_data/gmall/log/topic_start/%Y-%m-%d

6.数据从ODS层读取 进一步实现清洗

sparkSession.sql(s"use $hiveDataBase ")
sparkSession.table(“TO_SONG_INFO_D”)
.withColumn(“ALBUM”, udfGetAlbumName(col(“ALBUM”)))
.withColumn(“POST_TIME”,udfGetPostTime(col(“POST_TIME”)))
.withColumn(“SINGER1”, udfGetSingerInfo(col(“SINGER_INFO”),lit(“singer1”),lit(“name”)))
.withColumn(“SINGER1ID”,udfGetSingerInfo(col(“SINGER_INFO”),lit(“singer1”),lit(“id”)))
.withColumn(“SINGER2”, udfGetSingerInfo(col(“SINGER_INFO”),lit(“singer2”),lit(“name”)))
.withColumn(“SINGER2ID”,udfGetSingerInfo(col(“SINGER_INFO”),lit(“singer2”),lit(“id”)))
.withColumn(“AUTH_CO”, udfGetAuthCompany(col(“AUTH_CO”)))
.withColumn(“PRDCT_TYPE”,udfGetPrdctType(col(“PRDCT_TYPE”)))
.createTempView(“TO_SONG_INFO_D”)
withColumn作用是：覆盖之前的值。 字段值通过UDF进行改造了。

将数据保存到hive中去
sparkSession.sql("""""").write.format(“Hive”).mode(SaveMode.Overwrite).saveAsTable(“TW_SONG_BASEINFO_D”)

====================================================================

7.安装azkaban时激活exec 出现闪退，无法启动的问题

问题：识别了java 1.7 没有识别1.8
解决方法：
export JAVA_HOME=/usr/local/java1.8.0_181
export PATH=$JAV{A}_{H}OME/bin:$PATH
把path写到后面好了 ./ etc/profile。

另外，properties文件 配置内容的时候，千万不要粘贴，不要有空格