小丑西瓜9

这个屌丝很懒，什么也没留下！

热门标签

【大数据】Hadoop 体系（五）_finebi连接hive3.1.2

作者：小丑西瓜9 | 2024-04-26 05:15:10

踩

finebi连接hive3.1.2

Hadoop

六、Hadoop生态综合案例(陌陌聊天数据分析)

1. 陌陌聊天数据分析案例需求

1.1 背景介绍

陌陌作为聊天平台每天都会有大量的用户在线，会出现大量的聊天数据，通过对聊天数据的统计分析，可以更好的对用户构建精准的用户画像，为用户提供更好的服务以及实现高ROI的平台运营推广，给公司的发展决策提供精确的数据支撑。

1.2 目标

基于Hadoop和Hive实现聊天数据统计分析，构建聊天数据分析报表

1.3 需求

统计今日总消息量
统计今日每小时消息量、发送和接收用户数
统计今日各地区发送消息数据量
统计今日发送消息和接收消息的用户数
统计今日发送消息最多的Top10用户
统计今日接收消息最多的Top10用户
统计发送人的手机型号分布情况
统计发送人的设备操作系统分布情况

1.4 数据内容

数据大小：两个文件共14万条数据
列分隔符：制表符 \t
数据字典及样例数据

2. 基于Hive数仓实现需求开发

2.1 建库建表、加载数据

--如果数据库已存在就删除
drop database if exists db_msg cascade ;
--创建数据库
create database db_msg ;
--切换数据库
use db_msg ;
--列举数据库
show databases ;
--如果表已存在就删除
drop table if exists db_msg.tb_msg_source ;
--建表
create table db_msg.tb_msg_source(
msg_time string comment "消息发送时间"
, sender_name string comment "发送人昵称"
, sender_account string comment "发送人账号"
, sender_sex string comment "发送人性别"
, sender_ip string comment "发送人ip地址"
, sender_os string comment "发送人操作系统"
, sender_phonetype string comment "发送人手机型号"
, sender_network string comment "发送人网络类型"
, sender_gps string comment "发送人的GPS定位"
, receiver_name string comment "接收人昵称"
, receiver_ip string comment "接收人IP"
, receiver_account string comment "接收人账号"
, receiver_os string comment "接收人操作系统"
, receiver_phonetype string comment "接收人手机型号"
, receiver_network string comment "接收人网络类型"
, receiver_gps string comment "接收人的GPS定位"
, receiver_sex string comment "接收人性别"
, msg_type string comment "消息类型"
, distance string comment "双方距离"
, message string comment "消息内容"
)
--指定分隔符为制表符
row format delimited fields terminated by '\t' ;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

2.2 加载数据

HDFS上创建目录
- hdfs dfs -mkdir -p /momo/data
上传到HDFS
- hdfs dfs -put /export/data/data1.tsv /momo/data/
- hdfs dfs -put /export/data/data2.tsv /momo/data/
加载到Hive表中
- load data inpath ‘/momo/data/data1.tsv’ into table db_msg.tb_msg_source;
- load data inpath ‘/momo/data/data2.tsv’ into table db_msg.tb_msg_source;
验证结果
- select msg_time,sender_name,sender_ip,sender_phonetype,receiver_name,receiver_network from tb_msg_source limit 10;

2.3 ETL数据清洗

2.3.1 原始数据内容

数据来源：聊天业务系统中导出的2021年11月01日一天24小时的用户聊天数据，以TSV文本形式存储在文件中

2.3.2 数据问题

问题1：当前数据中，有一些数据的字段为空，不是合法数据

select
	msg_time,
	sender_name,
	sender_gps
from db_msg.tb_msg_source
where length(sender_gps) = 0
limit 10;
1
2
3
4
5
6
7

在这里插入图片描述

问题2：需求中，需要统计每天、每个小时的消息量，但是数据中没有天和小时字段，只有整体时间字段，不好处理

select
	msg_time
from db_msg.tb_msg_source
limit 10;
1
2
3
4

在这里插入图片描述

问题3：需求中，需要对经度和维度构建地区的可视化地图，但是数据中GPS经纬度为一个字段，不好处理

select
	sender_gps
from db_msg.tb_msg_source
limit 10;
1
2
3
4

在这里插入图片描述

2.3.3 ETL需求

需求1：对字段为空的不合法数据进行过滤
- Where过滤
需求2：通过时间字段构建天和小时字段
- Substr函数
需求3：从GPS的经纬度中提取经度和维度
- Split函数
需求4：将ETL以后的结果保存到一张新的Hive表中
- Create table …… as select ……

2.3.4 ETL实现

--如果表已存在就删除
drop table if exists db_msg.tb_msg_etl;
--将Select语句的结果保存到新表中
create table db_msg.tb_msg_etl as
select
	*,
	substr(msg_time,0,10) as dayinfo, substr(msg_time,12,2) as hourinfo, --获取天和小时
	split(sender_gps,",")[0] as sender_lng, split(sender_gps,",")[1] as sender_lat --提取经度纬度
from db_msg.tb_msg_source
--过滤字段为空的数据
where length(sender_gps) > 0 ;
1
2
3
4
5
6
7
8
9
10
11

2.3.5 查看结果

select
	msg_time,dayinfo,hourinfo,sender_gps,sender_lng,sender_lat
from db_msg.tb_msg_etl
limit 10;
1
2
3
4

在这里插入图片描述

2.4 需求指标统计

2.4.1 思路

正确解读业务需求，避免歧义
确定待查询的数据表–>from 表
找出分析的维度–>group by 分组的字段
找出计算的指标–>聚合的字段
其他细节点（过滤、排序等）

2.4.2 查询类SQL编写思路举例

表：t_user(id，name，age，sex，city)
需求：统计每个城市男女人数与男女平均年龄
分组字段：每个城市、男女
- 也就意味着同一个城市，性别相同的人应该分到同一组，因此这里需要根据两个字段进行分组
聚合字段：人数、平均年龄
- count(id)就是统计每个分组中的条数–>人数
- avg(age)就是统计每个分组中年龄的平均值–>平均年龄

2.4.3 需求指标统计

指标1：统计今日消息总量

--保存结果表
create table if not exists tb_rs_total_msg_cnt 
comment "今日消息总量"
as
select 
	dayinfo,
	count(*) as total_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo;
1
2
3
4
5
6
7
8
9

在这里插入图片描述

指标2：统计每小时消息量、发送和接收用户数

--保存结果表
create table if not exists tb_rs_hour_msg_cnt 
comment "每小时消息量趋势"
as
select 
	dayinfo,
	hourinfo,
	count(*) as total_msg_cnt,
	count(distinct sender_account) as sender_usr_cnt,
	count(distinct receiver_account) as receiver_usr_cnt
from db_msg.tb_msg_etl
group by dayinfo,hourinfo;
1
2
3
4
5
6
7
8
9
10
11
12

在这里插入图片描述

指标3：统计今日各地区发送消息总量

--保存结果表
create table if not exists tb_rs_loc_cnt
comment "今日各地区发送消息总量"
as
select 
	dayinfo,
	sender_gps,
	cast(sender_lng as double) as longitude,
	cast(sender_lat as double) as latitude,
	count(*) as total_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo,sender_gps,sender_lng,sender_lat;
1
2
3
4
5
6
7
8
9
10
11
12

在这里插入图片描述

指标4：统计今日发送和接收用户人数

--保存结果表
create table if not exists tb_rs_usr_cnt
comment "今日发送消息人数、接受消息人数"
as
select 
	dayinfo,
	count(distinct sender_account) as sender_usr_cnt,
	count(distinct receiver_account) as receiver_usr_cnt
from db_msg.tb_msg_etl
group by dayinfo;
1
2
3
4
5
6
7
8
9
10

在这里插入图片描述

指标5：统计发送消息条数最多的Top10用户

--保存结果表
create table if not exists tb_rs_susr_top10
comment "发送消息条数最多的Top10用户"
as
select 
	dayinfo,
	sender_name as username,
	count(*) as sender_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo,sender_name
order by sender_msg_cnt desc
limit 10;
1
2
3
4
5
6
7
8
9
10
11
12

在这里插入图片描述

指标6：统计接收消息条数最多的Top10用户

--保存结果表
create table if not exists tb_rs_rusr_top10
comment "接受消息条数最多的Top10用户"
as
select 
	dayinfo,
	receiver_name as username,
	count(*) as receiver_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo,receiver_name
order by receiver_msg_cnt desc
limit 10;
1
2
3
4
5
6
7
8
9
10
11
12

在这里插入图片描述

指标7：统计发送人的手机型号分布情况

--保存结果表
create table if not exists tb_rs_sender_phone
comment "发送人的手机型号分布"
as
	select 
	dayinfo,
	sender_phonetype,
	count(distinct sender_account) as cnt
from tb_msg_etl
group by dayinfo,sender_phonetype;
1
2
3
4
5
6
7
8
9
10

在这里插入图片描述

指标8：统计发送人的操作系统分布

--保存结果表
create table if not exists tb_rs_sender_os
comment "发送人的OS分布"
as
select 
	dayinfo,
	sender_os,
	count(distinct sender_account) as cnt
from tb_msg_etl
group by dayinfo,sender_os;
1
2
3
4
5
6
7
8
9
10