数仓（八）从0到1简单搭建加载数仓DWD层（用户行为日志数据解析）

数仓（一）简介数仓，OLTP和OLAP

数仓（二）关系建模和维度建模

数仓（三）简析阿里、美团、网易、恒丰银行、马蜂窝5家数仓分层架构

数仓（四）数据仓库分层

数仓(五)元数据管理系统解析

数仓（六）从0到1简单搭建数仓ODS层(埋点日志 + 业务数据)

数仓（七）从0到1简单搭建加载数仓DIM层以及拉链表处理

上一节我们讲解了数仓DIM维度层的搭建和使用，并且讲解了拉链表的概念和使用。这节我们讲解DWD层关于用户行为日志数据的搭建和使用。下一次分享DWD层关于业务数据的搭建和使用。

一、DWD层用户行为日志解析结构

DWD层是对用户的日志行为进行解析，以及对业务数据采用维度模型的方式重新建模（维度退化）。本节我们先来回顾一下用户行为日志的结构。

1、前端埋点日志信息

前端埋点日志信息都是JSON格式形式，主要包括两方面：

（1）启动日志；（2）事件日志；

我们之前已经把前端埋点的日志信息，写到ODS层ods_log表了，传入的参数是一个String类型字符串即一条日志信息一个String类型字符串。

2、日志解析思路

我们根据ODS层日志数据内容来解析到DWD层分为5个表，也可以根据启动日志和事件日志来解析到DWD层分为2个表。前者是根据内容抽象来解析，颗粒度更细，一般大公司使用。后者比较简单就是根据数据的类型来解析。我们这里采用第一种方式，把页面日志和启动日志信息的数据需要装载到DWD层里面的五张表。所以DWD层就是解析这五张表。

我们下面来依次解析每一张表。

二、DWD层-启动日志表

启动日志表中每一行数据对应一个启动记录，一个启动记录应该包含日志中的公共信息和启动信息。

常规解析思路是：可以先将所有包含start字段的日志过滤出来，然后使用get_json_object函数解析每个字段。

1、启动日志表结构

• 分区：

        dt = 2020-06-14

• 过滤条件：
  

        利用get_json_object函数，解析start内容不为空说明是启动日志信息；

• 范围

        包括：公共信息common、启动信息start、启动app时间ts;

2、创建表结构

DROP TABLE IF EXISTS dwd_start_log;
CREATE EXTERNAL TABLE dwd_start_log(
    `area_code` STRING COMMENT '地区编码',
    `brand` STRING COMMENT '手机品牌',
    `channel` STRING COMMENT '渠道',
    `is_new` STRING COMMENT '是否首次启动',
    `model` STRING COMMENT '手机型号',
    `mid_id` STRING COMMENT '设备id',
    `os` STRING COMMENT '操作系统',
    `user_id` STRING COMMENT '会员id',
    `version_code` STRING COMMENT 'app版本号',
    `entry` STRING COMMENT 'icon手机图标 notice 通知 install 安装后启动',
    `loading_time` BIGINT COMMENT '启动加载时间',
    `open_ad_id` STRING COMMENT '广告页ID ',
    `open_ad_ms` BIGINT COMMENT '广告总共播放时间',
    `open_ad_skip_ms` BIGINT COMMENT '用户跳过广告时点',
    `ts` BIGINT COMMENT '时间'
) COMMENT '启动日志表'
PARTITIONED BY (`dt` STRING) -- 按照时间创建分区
STORED AS PARQUET -- 采用parquet列式存储
LOCATION '/warehouse/gmall/dwd/dwd_start_log' -- 指定在HDFS上存储位置
TBLPROPERTIES('parquet.compression'='lzo') -- 采用LZO压缩;

3、装载数据

首日和每日加载数据分区都是一样的策略，每天DWD层从ODS层获取数据后加载。

SQL实现

insert overwrite table dwd_start_log partition(dt='2020-06-14')
select
    get_json_object(line,'$.common.ar'),
    get_json_object(line,'$.common.ba'),
    get_json_object(line,'$.common.ch'),
    get_json_object(line,'$.common.is_new'),
    get_json_object(line,'$.common.md'),
    get_json_object(line,'$.common.mid'),
    get_json_object(line,'$.common.os'),
    get_json_object(line,'$.common.uid'),
    get_json_object(line,'$.common.vc'),
    get_json_object(line,'$.start.entry'),
    get_json_object(line,'$.start.loading_time'),
    get_json_object(line,'$.start.open_ad_id'),
    get_json_object(line,'$.start.open_ad_ms'),
    get_json_object(line,'$.start.open_ad_skip_ms'),
    get_json_object(line,'$.ts')
from ods_log
where dt='2020-06-14'
and get_json_object(line,'$.start') is not null;

注意：这里hive需要使用HiveInputFormat，而不是CombineHiveInputFormat

SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

后者不能识别lzo.index的索引文件，会把索引文件当做普通文件来处理，并且导致lzo文件无法切片。而ODS层数据我们处理的时候是带lzo索引文件的。

三、DWD层-页面日志表

页面日志表和启动日志表的处理逻辑一样。页面日志表中每一行数据对应一个页面的访问记录，一个页面访问记录应该包含日志中的公共信息和页面信息。

常规解析思路是：也是先将所有包含page字段的日志过滤出来，然后使用get_json_object函数解析每个字段。

1、页面日志表结构

• 分区：

        dt = 2020-06-14

• 过滤条件：
  

        利用get_json_object函数，解析page内容不为空说明是页面日志信息；

• 范围

        包括：公共信息common、页面信息page、启动app时间ts;

3、创建表结构

drop table if exists dwd_page_log;
CREATE EXTERNAL TABLE dwd_page_log(
    `area_code` string COMMENT '地区编码',
    `brand` string COMMENT '手机品牌', 
    `channel` string COMMENT '渠道', 
    `model` string COMMENT '手机型号', 
    `mid_id` string COMMENT '设备id', 
    `os` string COMMENT '操作系统', 
    `user_id` string COMMENT '会员id', 
    `version_code` string COMMENT 'app版本号', 
    `during_time` bigint COMMENT '持续时间毫秒',
    `page_item` string COMMENT '目标id ', 
    `page_item_type` string COMMENT '目标类型', 
    `last_page_id` string COMMENT '上页类型', 
    `page_id` string COMMENT '页面ID ',
    `source_type` string COMMENT '来源类型', 
    `ts` bigint
) COMMENT '页面日志表'
PARTITIONED BY (dt string)
stored as parquet
LOCATION '/warehouse/gmall/dwd/dwd_page_log'
TBLPROPERTIES('parquet.compression'='lzo');

4、装载数据

和启动日志表一样，首日和每日加载数据分区都是一样的策略，每天DWD层从ODS层获取数据后加载。

insert overwrite table dwd_page_log partition(dt='2020-06-14')
select
    get_json_object(line,'$.common.ar'),
    get_json_object(line,'$.common.ba'),
    get_json_object(line,'$.common.ch'),
    get_json_object(line,'$.common.md'),
    get_json_object(line,'$.common.mid'),
    get_json_object(line,'$.common.os'),
    get_json_object(line,'$.common.uid'),
    get_json_object(line,'$.common.vc'),
    get_json_object(line,'$.page.during_time'),
    get_json_object(line,'$.page.item'),
    get_json_object(line,'$.page.item_type'),
    get_json_object(line,'$.page.last_page_id'),
    get_json_object(line,'$.page.page_id'),
    get_json_object(line,'$.page.sourceType'),
    get_json_object(line,'$.ts')
from ods_log
where dt='2020-06-14'
and get_json_object(line,'$.page') is not null;

四、DWD层-动作日志表

动作日志表，比前面启动日志和页面信息表要复杂的多。动作日志表中每行数据对应的是用户的一个动作记录，一个动作记录应当包含公共信息、页面信息以及动作信息。

常规解析思路是：先将包含action字段的日志过滤出来，然后通过UDF、UDTF函数（用户定义表生成函数user-defined table-generating function）将action数组“炸裂”（类似于explode函数的效果），然后使用get_json_object函数解析每个字段。

1、页面日志表结构

根据图示我们可以看到：

(1)需要自定义创建UDTF函数

来完成对actions动作数组的“炸裂”，实现“一行输入，多行输出”的需求。即输入JSON数组字符串actions,输出每一个JSON数组元素action。

(2)然后通过get_json_object(action,$action元素字段)获取信息；

• 分区：

        dt = 2020-06-14

• 过滤条件：
  

      利用get_json_object函数，解析actions内容不为空；

• 范围

        包括：公共信息common、页面信息page、动作信息、启动app时间ts;

2、创建表结构

drop table if exists dwd_action_log;
CREATE EXTERNAL TABLE dwd_action_log(
    `area_code` string COMMENT '地区编码',
    `brand` string COMMENT '手机品牌', 
    `channel` string COMMENT '渠道', 
    `model` string COMMENT '手机型号', 
    `mid_id` string COMMENT '设备id', 
    `os` string COMMENT '操作系统', 
    `user_id` string COMMENT '会员id', 
    `version_code` string COMMENT 'app版本号', 
    `during_time` bigint COMMENT '持续时间毫秒', 
    `page_item` string COMMENT '目标id ', 
    `page_item_type` string COMMENT '目标类型', 
    `last_page_id` string COMMENT '上页类型', 
    `page_id` string COMMENT '页面id ',
    `source_type` string COMMENT '来源类型', 
    `action_id` string COMMENT '动作id',
    `item` string COMMENT '目标id ',
    `item_type` string COMMENT '目标类型', 
    `ts` bigint COMMENT '时间'
) COMMENT '动作日志表'
PARTITIONED BY (dt string)
stored as parquet
LOCATION '/warehouse/gmall/dwd/dwd_action_log'
TBLPROPERTIES('parquet.compression'='lzo');

3、创建UDTF函数

我们通过java代码来实现功能，并且通过MAVEN来打成jar。然后上传到HDFS集群，给hive做关联调用。当然也可以使用hive自带的UDTF函数含来完成解析。但是后者必须是在hive的客户端完成，必须带hive库名，不够灵活。

3.1、编写java代码实现UDTF功能

1、pom.xml文件中hive版本依赖

我这里hive的版本是3.1.2

<dependencies>
    <!--添加hive依赖-->
    <dependency>
        <groupId>org.apache.hive</groupId>
        <artifactId>hive-exec</artifactId>
        <version>3.1.2</version>
    </dependency>
</dependencies>

2、项目工程结构

这个比较简单。

3、ExplodeJSONArray类编写

思路是：

(1)ExplodeJSONArray继承hive的GenericUDTF类；

(2)实现initialize、process、close三个方法；

initialize方法：主要对解析的变量名、变量类型做校验

process方法：完成对“JSON数组炸裂成单一元素”的功能。这里是一行in，多行out，并且forward到元素里面

package com.qiusheng.hive.udtf;
 
 
import org.apache.hadoop.hive.ql.exec.MapredContext;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.PrimitiveObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
import org.json.JSONArray;
 
 
import java.util.ArrayList;
import java.util.List;
 
 
/**
 * @author qiusheng
 * @date 2021年11月04日
 *
 */
public class ExplodeJSONArray extends GenericUDTF
{
 
 
    /**
     *  1、第一步需要自定义的类继承GenericUDTF类
     *      并且重写initialize方法；
     *      返回StructObjectInspector对象
     *
     * @qiusheng
     * @param argOIs
     * @return
     * @throws UDFArgumentException
     */
    @Override
    public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException
{
        //1、判断参数的合法性argOI实际就是actions
        //(1)判断参数的个数（需要传递一个参数）
 
 
        //如果传递的参数个数不是1个，则抛异常；
        if(argOIs.getAllStructFieldRefs().size() != 1)
        {
            throw new UDFArgumentException("参数个数错误！只需要1个参数......");
 
 
        }
        //(2)判断传递的参数类型，必须是String类型
        //如果不是string类型，则抛异常；
        if(!"String".equals(argOIs.getAllStructFieldRefs().get(0).getFieldObjectInspector().getTypeName()))
        {
            throw new UDFArgumentException("参数类型不对！应该是String类型......");
        }
 
 
 
 
        //2、返回StructObjectInspector对象
        //第一个参数:变量名，类型是List<String>数组;
        //第二个参数:检验变量，类型是List<ObjectInspector>;
 
 
        //定义返回值名称
        List<String> fieldNames = new ArrayList<String>();
 
 
        //定义返回值类型
        List<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();
 
 
        //把items添加到返回值名称
        fieldNames.add("items");
 
 
        //调用检验方法对items
        fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
 
 
        //3、返回类型
        return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);
    }
 
 
    /**
     * 2、第二步重写process方法
     *
     * function：炸裂功能
     * @author qiusheng
     * @param objects
     * @throws HiveException
     */
    @Override
    public void process(Object[] objects) throws HiveException
{
        //1、获取传入的数据就是actions
        String jsonArray = objects.toString();
 
 
        //2、把传入的数据（string）类型转化为JSON数组JSONArray类型
        JSONArray actions = new JSONArray(jsonArray);
 
 
        //3、循环取出JSONArray对象中的JSON，并且写出来
        for (int i = 0;i < actions.length();i++)
        {
            //定义一个字符串数组，长度就是1
            String[] result = new String[1];
            //getString(i)把元素取出来，添加到这个数组中
            result[0] = actions.getString(i);
            //写到String数组里面
            forward(result);
        }
    }
 
 
    /**
     * @author qiusheng
     * @throws HiveException
     */
    @Override
    public void close() throws HiveException
{
 
 
  }
}

3.2、通过maven打成jar包

3.3、上传jar包到hadoop集群路径下

(1)先上传jar包到CentOS集群的node1节点

(2)上传到HDFS集群系统

先创建目录functions/hive/jars

[qiusheng@node01 module]$ hadoop fs -mkdir -p /functions/hive/jars

检查查看目录是否已经创建；

上传jar包到这个目录/functions/hive/jars

3.4、创建UDTF和jar包关联

在hive客户端,创建function关联jar包

hive (gmall)>
create function explode_json_array as 'com.qiusheng.hive.udtf.ExplodeJSONArray' using jar 'hdfs://mode01:8020/functions/hive/jars/HiveDWDActionLog-1.0-SNAPSHOT.jar';

4、装载数据

所需要的字段都拼接齐全了，我们来写装载语句。

insert overwrite table dwd_action_log partition(dt='2020-06-14')
select
    get_json_object(line,'$.common.ar'),
    get_json_object(line,'$.common.ba'),
    get_json_object(line,'$.common.ch'),
    get_json_object(line,'$.common.md'),
    get_json_object(line,'$.common.mid'),
    get_json_object(line,'$.common.os'),
    get_json_object(line,'$.common.uid'),
    get_json_object(line,'$.common.vc'),
    get_json_object(line,'$.page.during_time'),
    get_json_object(line,'$.page.item'),
    get_json_object(line,'$.page.item_type'),
    get_json_object(line,'$.page.last_page_id'),
    get_json_object(line,'$.page.page_id'),
    get_json_object(line,'$.page.sourceType'),
    get_json_object(action,'$.action_id'),
    get_json_object(action,'$.item'),
    get_json_object(action,'$.item_type'),
    get_json_object(action,'$.ts')
from ods_log lateral view explode_json_array(get_json_object(line,'$.actions')) tmp as action
where dt='2020-06-14'
and get_json_object(line,'$.actions') is not null;

这里lateral view意思是：为原始表的每行调用UDTF，UTDF会把一行拆分成一或者多行，lateral view再把结果组合，产生一个支持别名表的虚拟表action。

from ods_log lateral view explode_json_array(get_json_object(line,'$.actions')) tmp as action

这样我们动作日志表就完成了。

五、DWD层-曝光日志表

曝光日志表和动作日志表，解析一样。曝光日志表中每行数据对应一个曝光记录，一个曝光记录应当包含公共信息、页面信息以及曝光信息。

常规思路：先将包含display字段的日志过滤出来，然后通过UDTF函数，将display数组“炸开”（类似于explode函数的效果），然后使用get_json_object函数解析每个字段。

1、页面日志表结构

后面建表、做UDTF、一系列操作、装载数据和动作日志表一样。留给读者自行实践一下。

六、DWD层-错误日志表

动作日志表，比前面启动日志和页面信息表要复杂一些。错误日志表中每行数据对应一个错误记录，为方便定位错误，一个错误记录应当包含与之对应的公共信息、页面信息、曝光信息、动作信息、启动信息以及错误信息。先将包含err字段的日志过滤出来，然后使用get_json_object函数解析所有字段。

1、页面日志表结构

含有2个actions 、displays数组的UDTF炸裂。

2、创建表结构

drop table if exists dwd_error_log;
CREATE EXTERNAL TABLE dwd_error_log(
    `area_code` string COMMENT '地区编码',
    `brand` string COMMENT '手机品牌', 
    `channel` string COMMENT '渠道', 
    `model` string COMMENT '手机型号', 
    `mid_id` string COMMENT '设备id', 
    `os` string COMMENT '操作系统', 
    `user_id` string COMMENT '会员id', 
    `version_code` string COMMENT 'app版本号', 
    `page_item` string COMMENT '目标id ', 
    `page_item_type` string COMMENT '目标类型', 
    `last_page_id` string COMMENT '上页类型', 
    `page_id` string COMMENT '页面ID ',
    `source_type` string COMMENT '来源类型', 
    `entry` string COMMENT ' icon手机图标  notice 通知 install 安装后启动',
    `loading_time` string COMMENT '启动加载时间',
    `open_ad_id` string COMMENT '广告页ID ',
    `open_ad_ms` string COMMENT '广告总共播放时间', 
    `open_ad_skip_ms` string COMMENT '用户跳过广告时点',
    `actions` string COMMENT '动作',
    `displays` string COMMENT '曝光',
    `ts` string COMMENT '时间',
    `error_code` string COMMENT '错误码',
    `msg` string COMMENT '错误信息'
) COMMENT '错误日志表'
PARTITIONED BY (dt string)
stored as parquet
LOCATION '/warehouse/gmall/dwd/dwd_error_log'
TBLPROPERTIES('parquet.compression'='lzo');

注意：

对动作数组和曝光数组做处理，如需分析错误与单个动作或曝光的关联，可先使用explode_json_array函数将数组“炸开”，再使用get_json_object函数获取具体字

3、装载表数据

insert overwrite table dwd_error_log partition(dt='2020-06-14')
select
    get_json_object(line,'$.common.ar'),
    get_json_object(line,'$.common.ba'),
    get_json_object(line,'$.common.ch'),
    get_json_object(line,'$.common.md'),
    get_json_object(line,'$.common.mid'),
    get_json_object(line,'$.common.os'),
    get_json_object(line,'$.common.uid'),
    get_json_object(line,'$.common.vc'),
    get_json_object(line,'$.page.item'),
    get_json_object(line,'$.page.item_type'),
    get_json_object(line,'$.page.last_page_id'),
    get_json_object(line,'$.page.page_id'),
    get_json_object(line,'$.page.sourceType'),
    get_json_object(line,'$.start.entry'),
    get_json_object(line,'$.start.loading_time'),
    get_json_object(line,'$.start.open_ad_id'),
    get_json_object(line,'$.start.open_ad_ms'),
    get_json_object(line,'$.start.open_ad_skip_ms'),
    get_json_object(line,'$.actions'),
    get_json_object(line,'$.displays'),
    get_json_object(line,'$.ts'),
    get_json_object(line,'$.err.error_code'),
    get_json_object(line,'$.err.msg')
from ods_log 
where dt='2020-06-14'
and get_json_object(line,'$.err') is not null;

这样我们就完成了最后一张表从ODS层到DWD层的解析。