赞
踩
目录
2.4、step4:编辑标题文本框(注意字体大小、居中、文本框位置可调整)
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。 我们将基于一个社交平台App的用户数据,完成相关指标的统计分析并结合BI工具对指标进行可视化展现。
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。
- 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"
- );
将数据文件上传到/home/hadoop目录下,随后上传到HDFS中,加载数据到表中。
问题一:当前数据中,有一些数据的字段为空,不是合法数据。
问题二: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。分离出年月日、小时字段
问题三: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。需要把经纬度分离出来。
将数据添加到新的列。
- SELECT *,
- date(msg_time) as msg_day,
- HOUR (msg_time) as msg_hour,
- split(sender_gps,',')[0] as sender_lng,
- split(sender_gps,',')[1] as sender_lat
- from tb_msg_soure
- where LENGTH (sender_gps) > 0;
先创建一个新的表用于存储清洗过的数据
- create table db_msg.tb_msg_et1(
- 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",
- msg_day string comment "消息日",
- msg_hour string comment "消息小时",
- sender_lng double comment "经度",
- sender_lat double comment "纬度"
- );
将清洗的数据导入新建的表
- INSERT overwrite table tb_msg_et1
- SELECT *,
- date(msg_time) as msg_day,
- HOUR (msg_time) as msg_hour,
- split(sender_gps,',')[0] as sender_lng,
- split(sender_gps,',')[1] as sender_lat
- from tb_msg_soure
- where LENGTH (sender_gps) > 0;
在导入数据时,多次报错我的yarn资源不足,导致每次都导入不成功,这里我修改了/export/server/hadoop/etc/hadoop目录下的yarn配置文件yarn-site.xml,添加以下代码:
- <property>
- <name>yarn.scheduler.minimum-allocation-mb</name>
- <value>2048</value>
- <description>default value is 1024</description>
- </property>
数据导入成功
其实我们刚刚完成了从表tb_msg_source查询数据进行数据过滤和转换,并将结果写入到:tb_msg_etl表中的操作,本质上是一种简单的ETL行为。
ETL:
从A抽取数据(E),进行数据转换过滤(T),将结果加载(L)到B,就是ETL啦。
回顾一下我们的需求
- --需求1:统计今日消息总量
- CREATE table db_msg.tb_rs_total_msg_cnt
- comment '每日消息总量' as
- SELECT msg_day,COUNT(*) as total_msg_cnt
- from db_msg.tb_msg_et1 group by msg_day ;
- ---需求2:统计每小时消息量、发送量和接收用户数
- CREATE table db_msg.tb_rs_hour_msg_cnt comment '每日消息总量' as
- SELECT
- msg_hour ,
- COUNT(*) as total_msg_cnt,
- count(distinct sender_account) as sender_user_cnt,
- count(distinct receiver_account) as receiver_user_cnt
- from db_msg.tb_msg_et1 group by msg_hour ;
- --需求3:统计今日各地区发送消息总量
- create table db_msg.tb_rs_loc_cnt comment '每日各地区发消息总量' as
- SELECT
- msg_day ,sender_lng ,sender_lat ,COUNT(*) as total_msg_cnt
- from db_msg.tb_msg_et1
- group by msg_day ,sender_lng, sender_lat
- --指标4:统计今日发送和接收用户人数
- create table db_msg.tb_rs_user_cnt comment '今日发送和接收消息的人数' as
- SELECT
- msg_day ,
- count(DISTINCT sender_account) as sender_user_cnt,
- COUNT(distinct receiver_account) as receiver_user_cnt
- from db_msg.tb_msg_et1
- group by msg_day;
- --指标5:统计发送消息条数最多的top10用户
- create table db_msg.tb_rs_user_top10 comment '发送消息最多的10个用户' as
- SELECT
- sender_name ,
- COUNT(*) as sender_msg_cnt
- FROM db_msg.tb_msg_et1
- group by sender_name
- order by sender_msg_cnt DESC
- limit 10;
- --指标6:统计接收消息条数最多的top10用户
- create table db_msg.tb_rs_r_user_top10 comment '接收消息最多的10个用户' as
- SELECT
- receiver_name ,
- COUNT(*) as receiver_msg_cnt
- FROM db_msg.tb_msg_et1
- group by receiver_name
- order by receiver_msg_cnt DESC
- limit 10;
- --指标7:统计发送人的手机型号分布情况
- CREATE table db_msg.tb_rs_sender_phone comment '发送人的手机型号' as
- SELECT
- sender_phonetype ,
- count(*) as cnt
- from db_msg.tb_msg_et1
- group by sender_phonetype
- CREATE table db_msg.tb_rs_sender_os comment '发送人的os分布' as
- SELECT
- sender_os ,
- count(*) as cnt
- from db_msg.tb_msg_et1
- group by sender_os
BI:Business Intelligence,商业智能。
指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行分析以实现商业价值。
简单来说,就是借助BI工具,可以完成复杂的数据分析、数据统计等需求,为公司决策带来巨大的价值。
所以,一般提到BI,我们指代的就是工具软件。常见的BI软件很多,比如:
详细的finebi的介绍与安装可跳转到【Hadoop】-FineBI的介绍及安装[16] 阅读。
同理添加总发送消息人数和总接收消息人数
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。