离线数仓搭建_01_数仓概念与项目框架说明_如何搭建离线数仓

点击右下方：专栏目录查看全文

下文访问：离线数仓搭建_02_服务器配置与数据生产

1.0 数据仓库概念(P1-P13)

​   数据仓库（ Data Warehouse ），是为企业制定决策，提供数据支持的。可以帮助企业，改进业务流程、提高产品质量等。
​   数据仓库的输入数据通常包括：业务数据、用户行为数据和爬虫数据等
​   业务数据：就是各行业在处理事务过程中产生的数据。比如用户在电商网站中登录、下单、支付等 过程中，需要和网站后台数据库进行增删改查交互，产生的数据就是业务数据。业务数据通常存储在MySQL、Oracle等数据库中。

​   用户行为数据：用户在使用产品过程中，通过埋点收集与客户端产品交互过程中产生的数据，并发往日志服务器进行保存。比如页面浏览、点击、停留、评论、点赞、收藏等。用户行为数据通常存储在日志文件中。

​   爬虫数据：通常事通过技术手段获取其他公司网站的数据。

   数据仓库不是数据的最终的目的地，而是为数据最终的目的地做好准备。这些准备包括对数据的：备份，清洗，聚合，统计等

  ODS：备份

  DWD：清洗

  DWS：按天存储

  DWT：累积性存储

  ADS：报表

2.0 项目 需求及架构设计

2.1项目需求

  1、用户行为数据采集平台搭建

  2、业务数据采集平台搭建

  3、数据仓库维度建模(核心)

  4、分析，设备、会员、商品、地区、活动等电商核心主题，统计的报表指标近100个。

  5、采用即席查询工具，随时进行指标分析

  6、对集群性能进行监控，发生异常需要报警。

  7、元数据管理

  8、质量监控

  9、权限管理

2.2项目框架

2.2.1技术选型

​    技术选型主要考虑因素：数据量大小、业务需求、行业内经验、技术成熟度、开发维护成本、总成本预算。

数据采集传输：Flume,.Kafka,Sqoop;Logstash,DataX

数据存储：MySQL,HDFS,HBase,Redis,MongoDB

数据计算：Hive,Tez,Spark,Flink,Storm

数据查询：Presto,Kylin,Impala,Duid,ClickHouse,Doris

数据可视化：Echats,Superset,QuickBI,DataV

任务调度：Azkaban,Oozie.,DolphinScheduler,Airflow

集群监控：Zabbi这，Prometheus

元数据管理：Atlas

权限管理：Ranger,Sentry

2.2.2 系统数据流程设计

2.2.3 框架版本选型

  (1)Apache:运维麻烦，组件间兼容性需要自己调研。（一般大厂使用，技术实力雄厚，有专业的运维人员)（建议使用）

  (2)CDH:国内使用最多的版本，但CM不开源，今年开始收费，一个节点1万美金/年。

  (3)HDP:开源，可以进行二次开发，但是没有CDH稳定，国内使用较少

2)云服务选择

(l)阿里云的EMR、MaxCompute、Data Works

(2)亚马逊云EMR

(3)腾讯云MR

(4)华为云EMR

2.2.4服务器选型

1)物理机：

以128G内存，20核物理CPU,40线程，8THDD和2TSSD硬盘，戴尔品牌
单台报价4W出头。一般物理机寿命5年左右。
需要有专业的运维人员，平均一个月1万。电费也是不少的开销。

2)云主机：

云主机：以阿里云为例，差不多相同配置，每年5W。
很多运维工作都由阿里云完成，运维相对较轻松

3)企业选择

金融有钱公司和阿里没有直接冲突的公司选择阿里云
中小公司、为了融资上市，选择阿里云，拉倒融资后买物理机。
有长期打算，资金比较足，选释物理机。
让天下漫有推学的技

2.2.5 集群规模

1)如何确认集群规模？（假设：每台服务器8T磁盘，128G内存）

  (1)每天日活跃用户100万，每人一天平均100条：100万100条=1亿条
  (2)每条日志1K左右，每天1亿条：100000000/1024/1024=约100G
  (3)半年内不扩容服务器来算：100G180天=约18T
  (4)保存3副本：18T3=54T
  (5)预留20%30%Buf=54T0.7=77T
  (6)算到这：约8T10台服务器

2)如果考虑数仓分层？数据采用压縮？需要重新再计算

2.2.6 集群资源规划设计

​    在企业中通常会搭建一套生产集群和一套测试集群。生产集群运行生产任务，测试集群用于上线前代码编写和测试。

1）生产集群

​ （1）消耗内存的分开

​ （2）数据传输数据比较紧密的放在一起（Kafka 、Zookeeper）

​ （3）客户端尽量放在一到两台服务器上，方便外部访问

​ （4）有依赖关系的尽量放到同一台服务器（例如：Hive和Azkaban Executor）

2）测试集群服务器规划