[Hadoop]Hadoop生态综合案例_hadoop生态圈的子项目非常庞大的例子

陌陌聊天数据分析案例需求

• 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。

• 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

• 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

• 数据内容

基于Hive数仓实现需求开发

建库建表、加载数据

建库建表

--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;
​
--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';

加载数据

--上传数据文件到node1服务器本地文件系统（HS2服务所在机器）
--shell:  mkdir -p /root/hivedata
​
--加载数据到表中
load data local inpath '/root/hivedata/data1.tsv' into table db_msg.tb_msg_source;
load data local inpath '/root/hivedata/data2.tsv' into table db_msg.tb_msg_source;
​
--查询表 验证数据文件是否映射成功
select * from tb_msg_source limit 10;
​
--统计行数
select count(*) as cnt from tb_msg_source;

ETL数据清洗

数据问题

1. 当前数据中，有一些数据的字段为空，不是合法数据

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

3. 需求中，需要对经度和纬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

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 ……

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,    --获取天
       substr(msg_time, 12, 2)   as hourinfo,   --获取小时
       split(sender_gps, ",")[0] as sender_lng, --提取经度
       split(sender_gps, ",")[1] as sender_lat  --提取纬度
from db_msg.tb_msg_source
--过滤字段为空的数据
where length(sender_gps) > 0;

查看结果

select msg_time,
       dayinfo,
       hourinfo,
       sender_gps,
       sender_lng,
       sender_lat
from db_msg.tb_msg_etl
limit 10;

需求指标统计

1. 正确解读业务需求，避免歧义

2. 确定待查询的数据表-->from表

3. 找出分析的维度-->group by 分组的字段

4. 找出计算的指标-->聚合的字段

5. 其他细节点（过滤、排序等）

• 指标1：统计今日消息总量

--需求：统计今日总消息量
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;
​
select *
from tb_rs_total_msg_cnt;
--结果验证

• 指标2：统计每小时消息量、发送和接收用户数

--需求：统计今日每小时消息量、发送和接收用户数
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;
​
select *
from tb_rs_hour_msg_cnt;
--结果验证

• 指标3：统计今日各地区发送消息总量

--需求：统计今日各地区发送消息数据量
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;
​
select *
from tb_rs_loc_cnt;
--结果验证

注意：出现在select中的字段，要么是分组的字段，要么是被聚合函数应用的字段。

• 指标4：统计今日发送和接收用户人数

--需求：统计今日发送消息和接收消息的用户数
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;
​
select *
from tb_rs_usr_cnt;
--结果验证

• 指标5：统计发送消息条数最多的Top10用户

--需求：统计今日发送消息最多的Top10用户
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;
​
select *
from tb_rs_susr_top10;
--结果验证

• 指标6：统计接收消息条数最多的Top10用户

--需求：统计今日接收消息最多的Top10用户
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;
​
select *
from tb_rs_rusr_top10;
--结果验证

• 指标7：统计发送人的手机型号分布情况

--需求：统计发送人的手机型号分布情况
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;
​
select *
from tb_rs_sender_phone;
--结果验证

• 指标8：统计发送人的操作系统分布

--需求：统计发送人的设备操作系统分布情况
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;
​
select *
from tb_rs_sender_os; --结果验证