当前位置: 首页>数据库>正文

hadoop数据清洗的方法 hadoop 数据清洗

  网站日志流量分析系统之(日志收集)已将数据落地收集并落地至HDFS,根据网站日志流量分析系统中架构图,接下来要做的事情就是做离线分析,编写MR程序或通过手写HQL对HDFS中的数据进行清洗;由于清洗逻辑比较简单,这里我选择用Hive来对HDFS中的数据进行清洗(当然也可以用MR来清洗)。数据清洗处理过程相对较长,所以:Be patient,please!

二、服务器规划

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_数据库,第1张

三、数据清洗

  由于本次测试数据清洗逻辑较为简单,所以采用Hive来进行清洗(当然你也可以选择手写MR程序),下面操作是在hadoopalone主机操作(即安装有hadoop伪分布式)

(1)进入hive命令行模式,创建库logdb



hive> create database logdb;



(2)创建外部分区表管理数据(HDFS)



hive>use logdb;



hive> create external table logdemo
    > (url string,urlname string,title string,chset string,
    > scr string,col string,lg string,je string,ec string,
    > fv string,cn string,ref string,uagent string,
    > stat_uv string,stat_ss string,cip string)
    > partitioned by (reportTime string)  row format delimited fields 
    > terminated by '|' location '/logdemo';



(3)增加今日分区



hive> alter table logdemo add partition(reportTime='2019-09-07')  location '/logdemo/reportTime=2019-09-07';  //这里关联hdfs



(4)查看数据



hive> select * from logdemo;



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_ci_02,第2张

Hadoop中hdfs中的数据如下图:

  

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hadoop数据清洗的方法_03,第3张

 

 (5)创建数据清洗表



hive> create table dataclear 
    > (url string,urlname string,ref string,uagent string,
    > uvid string,ssid string,sscoutn string,sstime string,cip string) 
    > partitioned by (reportTime string) row format delimited fields terminated by '|';



(6)将logdemo表中数据导入数据清洗表(dataclear)



hive> insert into dataclear partition(reportTime='2019-09-07') 
    > select split(url,'-')[2],urlname,ref,uagent,stat_uv,split(stat_ss,'_')[0],
    > split(stat_ss,'_')[1],split(stat_ss,'_')[2],cip from logdemo 
    > where reportTime = '2019-09-07';



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hive_04,第4张

 

 (7)查看数据清洗表(dataclear)



hive> select * from dataclear;



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hadoop数据清洗的方法_05,第5张

 

   至此,数据清洗已经完成!下面就是对清洗结果进行处理,计算相关的业务需求指标。

四、数据处理

  利用Hive数据仓库工具实现业务指标的计算。

(1)pv(点击量)计算

一条日志代表一次点击量,Hql语句也就好写了,如下:



hive> select count(*) as pv from dataclear where reportTime='2019-09-07';



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_数据库_06,第6张

 

 (2)uv(独立访客数)计算

当天日志uvid去重计算即可



hive> select count(distinct uvid) as uv from dataclear where reportTime='2019-09-07';



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hive_07,第7张

 

 (3)vv(会话总数)计算

当天日志ssid去重计算即可



hive> select count(distinct ssid) as vv from dataclear where reportTime='2019-09-07';



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_大数据_08,第8张

 

 (4)br(跳出率)计算

  br:跳出率,一天之内跳出的会话占总会话的比率。跳出会话:一个会话内只看过一个页面成为跳出会话。

  总会话sql:select count(distinct ssid) as vv_count from dataclear where reportTime='2019-09-07'

HQL计算逻辑:跳出会话数/总会话数



hive> select round(br_left_tab.br_count / br_right_tab.vv_count,4) as br from   
    > (select count(br_tab.ssid) as br_count from (select ssid from dataclear where reportTime='2019-09-07' group by ssid having count(*) = 1) as br_tab) as br_left_tab, 
    > (select count(distinct ssid) as vv_count from dataclear where reportTime='2019-09-07') as br_right_tab;



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hadoop数据清洗的方法_09,第9张

 (5)newip(新增ip)

当天所有的ip去重后在历史数据中从未出现过的数量。



hive> select count(distinct dataclear.cip) as newip from dataclear 
    > where dataclear.reportTime='2019-09-07' 
    > and dataclear.cip not in 
    > (select distinct inner_dataclear_tab.cip from dataclear as inner_dataclear_tab 
    > where datediff('2019-09-07',inner_dataclear_tab.reportTime)>0)



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_数据库_10,第10张

 

 (6)newcust(新增客户总数)计算

今天所有uvid去重后在历史数据中从未出现过的数量



hive> select count(distinct dataclear.uvid) as newcust from dataclear 
    > where dataclear.reportTime='2019-09-07' 
    > and dataclear.uvid not in 
    > (select inner_dataclear_tab.uvid from dataclear as inner_dataclear_tab 
    > where datediff('2019-09-07',inner_dataclear_tab.reportTime)>0);



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_ci_11,第11张

 

 (7)avgtime(平均访问时长)

  avgtime:平均访问时长,一天内所有会话的访问时长的平均值。一个会话的访问时长:这个会话最后一个页面的访问时间-第一个页面的访问时间



hive> select avg(avgtime_tab.use_time) as avgtime from 
    > (select max(sstime) - min(sstime) as use_time from dataclear 
    > where reportTime='2019-09-07' group by ssid) as avgtime_tab;



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hive_12,第12张

 

 (8)avgdeep(平均访问深度)计算

  avgdeep:一天内所有会话访问深度的平均值。一个会话的访问深度指的是所有地址去重后计数

  

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hadoop数据清洗的方法_13,第13张

 五、业务指标计算结果写入目标表

  我们的目标是将计算的8个指标(pv,uv,vv,br,newip,newcust,avgtim,avgdeep)写入目标表(tongji1表),这里有两套方案如下可以选择:

方案一:将每个指标的计算hql当成一个表来处理,也就是这个8个表做笛卡儿积查询,将结果写入tongji1表,大概hql模样如下:  



insert into tongji1 
select  '2019-09-07',tab1.pv,tab2.uv,tab3.vv,tab4.br,tab5.newip,tab6.newcust,tab7.avgtime,tab8.avgdeep from 
(select count(*) as pv from dataclear where reportTime='2019-09-07') as tab1, 
(select count(distinct uvid) as uv from dataclear where reportTime='2019-09-07') as tab2, 
(select count(distinct ssid) as vv from dataclear where reportTime='2019-09-07') as tab3, 
(select round(br_left_tab.br_count / br_right_tab.vv_count,4) as br from   
(select count(br_tab.ssid) as br_count from (select ssid from dataclear 
where reportTime='2019-09-07' group by ssid having count(*) = 1) as br_tab) as br_left_tab, 
(select count(distinct ssid) as vv_count from dataclear where reportTime='2019-09-07') as br_right_tab) as tab4, 
(select count(distinct dataclear.cip) as newip from dataclear 
where dataclear.reportTime='2019-09-07' and dataclear.cip not in 
(select distinct inner_dataclear_tab.cip from dataclear as inner_dataclear_tab 
where datediff('2019-09-07',inner_dataclear_tab.reportTime)>0)) as tab5, 
(select count(distinct dataclear.uvid) as newcust from dataclear 
where dataclear.reportTime='2019-09-07' and dataclear.uvid not in 
(select inner_dataclear_tab.uvid from dataclear as inner_dataclear_tab 
where datediff('2019-09-07',inner_dataclear_tab.reportTime)>0)) as tab6, 
(select avg(avgtime_tab.use_time) as avgtime from (select max(sstime) - min(sstime) as use_time from dataclear 
where reportTime='2019-09-07' group by ssid) as avgtime_tab) as tab7, 
(select round(avg(avgdeep_tab.deep),4) as avgdeep from 
(select count(distinct url) as deep from dataclear 
where reportTime='2019-09-07' group by ssid) as avgdeep_tab) as tab8;



  这种方式通过连接查询,将多个查询结果插入一张tongji1表,虽然实现了效果,但是过多的表连接效率低下,且任何一个MR程序出错,整个程序都要重新计算,可靠性比较低。所以采用以下第二种方案。

方案二:借助中间临时表过渡,存储中间数据,最终将数据写入目标表(tongji1表),实现如下:

(1)创建统计表(tongji1)



hive> create table tongji1 (reportTime string,pv int,uv int,vv int,br double,newip int,newcust int,avgtime double,avgdeep double) row format delimited fields terminated by '|';



(2)创建中间表(tongji1_temp)



hive> create table tongji1_temp (reportTime string,field string,value double) row format delimited fields terminated by '|';



(3)依次将各个业务指标写入中间表(tongji1_temp)


hive> insert into tongji1_temp  select '2019-09-07','pv',t1.pv from (select count(*) as pv from dataclear where reportTime='2019-09-07') as t1;
hive> insert into tongji1_temp  select '2019-09-07','uv',t2.uv from (select count(distinct uvid) as uv from dataclear where reportTime='2019-09-07') as t2;
hive> insert into tongji1_temp  select '2019-09-07','vv',t3.vv from (select count(distinct ssid) as vv from dataclear where reportTime='2019-09-07') as t3;
hive> insert into tongji1_temp  select '2019-09-07','br',t4.br from (select round(br_left_tab.br_count / br_right_tab.vv_count,4) as br from   (select count(br_tab.ssid) as br_count from (select ssid from dataclear where reportTime='2019-09-07' group by ssid having count(*) = 1) as br_tab) as br_left_tab, (select count(distinct ssid) as vv_count from dataclear where reportTime='2019-09-07') as br_right_tab) as t4;
hive> insert into tongji1_temp  select '2019-09-07','newip',t5.newip from (select count(distinct dataclear.cip) as newip from dataclear where dataclear.reportTime='2019-09-07' and dataclear.cip not in (select distinct inner_dataclear_tab.cip from dataclear as inner_dataclear_tab where datediff('2019-09-07',inner_dataclear_tab.reportTime)>0)) as t5; 
hive> insert into tongji1_temp  select '2019-09-07','newcust',t6.newcust from (select count(distinct dataclear.uvid) as newcust from dataclear where dataclear.reportTime='2019-09-07' and dataclear.uvid not in (select inner_dataclear_tab.uvid from dataclear as inner_dataclear_tab where datediff('2019-09-07',inner_dataclear_tab.reportTime)>0)) as t6; 
hive> insert into tongji1_temp  select '2019-09-07','avgtime',t7.avgtime from (select avg(avgtime_tab.use_time) as avgtime from (select max(sstime) - min(sstime) as use_time from dataclear where reportTime='2019-09-07' group by ssid) as avgtime_tab) as t7; 
hive> insert into tongji1_temp  select '2019-09-07','avgdeep',t8.avgdeep from (select round(avg(avgdeep_tab.deep),4) as avgdeep from (select count(distinct url) as deep from dataclear where reportTime='2019-09-07' group by ssid) as avgdeep_tab) as t8;


(4)将中间表数据(tongji1_temp)数据导入最终目标表(tongji1表)




hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hive_14,第14张

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hadoop数据清洗的方法_15,第15张

hive> insert into tongji1 select '2019-09-07',t1.pv,t2.uv,t3.vv,t4.br,t5.newip, t6.newcust, t7.avgtime, t8.avgdeep from  
    > (select value as pv from tongji1_temp where field='pv' and reportTime='2019-09-07') as t1, 
    > (select value as uv from tongji1_temp where field='uv' and reportTime='2019-09-07') as t2, 
    > (select value as vv from tongji1_temp where field='vv' and reportTime='2019-09-07') as t3, 
    > (select value as br from tongji1_temp where field='br' and reportTime='2019-09-07') as t4, 
    > (select value as newip from tongji1_temp where field='newip' and reportTime='2019-09-07') as t5, 
    > (select value as newcust from tongji1_temp where field='newcust' and reportTime='2019-09-07') as t6, 
    > (select value as avgtime from tongji1_temp where field='avgtime' and reportTime='2019-09-07') as t7, 
    > (select value as avgdeep from tongji1_temp where field='avgdeep' and reportTime='2019-09-07') as t8;


View Code


(5)查看目标表(tongji1)



hive> select * from tongji1



hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_数据库_16,第16张

 (6)方案总结

  采用第二种方案,分别计算各个业务指标,借助中间表存放中间临时数据,再从临时表向tongji1表导入数据,降低了sql的复杂度,提升效率,此外任何一个hql语句出错,只需重新跑一遍该hql语句,无需重跑整个程序。但是这种方案也有一些缺点,比如浪费空间等。

 当然,还有第三种方案,比如利用Hive的事务表,这里由于鄙人能力有限,未作了解。

六、通过Sqoop工具将数据清洗处理结果写入MySQL

(1)在mysql数据库中创建数据库logdb,表名tongji1,关键sql如下:




hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hive_14,第14张

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hadoop数据清洗的方法_15,第15张

create database logdb;
use logdb;
create table tongji1(
        reportTime date,
        pv int,
        uv int,
        vv int,
        br double,
        newip int,
        newcust int,
        avgtime double,
        avgdeep double
);


View Code


(2)进入sqoop的bin目录执行以下操作(参考sqoop的安装和基本命令使用)




hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hive_14,第14张

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hadoop数据清洗的方法_15,第15张

[root@hadoopalone bin]# ./sqoop export --connect jdbc:mysql://hadoopalone:3306/logdb --username root --password root --export-dir '/user/hive/warehouse/logdb.db/tongji1' --table tongji1 -m 1 --fields-terminated-by '|'


View Code


注:如果提示没有mysql的驱动包,则上传一份mysql-connector-java-5.1.38-bin.jar至对应sqoop的lib目录下重新运行该脚本即可。

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_数据库_21,第21张

 

 (3)查看mysql中tongji1表的数据

hadoop数据清洗的方法 hadoop 数据清洗,hadoop数据清洗的方法 hadoop 数据清洗_hive_22,第22张

 七、总结

   至此,我们已经完成了离线分析中的数据清洗处理,并将结果通过sqoop导出至MySQL中,通过此案例方知:数据提取、清洗、处理(ETL)是大数据处理中一个非常重要的阶段,由该博文的篇章可以看出来,感谢大家能看到结束。下面就是对离线分析处理的结果进行可视化展示:网站日志流量分析系统之数据可视化展示

  不知道大家有没有发现,在整篇文章中,我写到的日期都是写死的,也就是reportTime='2019-09-07',但是在实际开发中,肯定不会写的,让程序自动执行的,所以由此就会有Hql的自动化执行脚本,博主已经写好相关博文,网站日志流量分析系统之离线分析(自动化脚本),希望大家可以和我一起讨论!谢谢



https://www.xamrdz.com/database/6sp1961952.html

相关文章: