Hadoop+Hive数据分析综合案例

2024-07-06 1396阅读

Hadoop+Hive数据分析综合案例(超级详细)

1.1. 需求分析

1.1.1. 背景介绍

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。

1.1.2. 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

1.1.3. 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
1.1.4. 数据内容
- 数据大小：30万条数据
- 列分隔符：Hive默认分隔符‘\001’
- 数据字典及样例数据
- 数据获取地址
```
链接：https://pan.baidu.com/s/1Nx69z4YU2DgKb3YA8xbFqA?pwd=ut3v 
提取码：ut3v
```
  1.2. 加载数据
  
  1、创建库表
```
-- 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;
-- 选择数据库
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"
);
```
  2、数据导入
  将课程资料中的chat_data-30W.csv文件上传到node1服务器的/home/hadoop目录下；
  
  在Linux系统内执行以下命令：
```
# 切换工作目录
cd /home/hadoop
# 在HDFS系统中创建/chatdemo/data目录
hadoop fs -mkdir -p /chatdemo/data
# 将chat_data-30W.csv文件从Linux上传到HDFS系统中
hadoop fs -put chat_data-30W.csv /chatdemo/data
```
  在DBeaver中执行以下命令：
```
-- 从HDFS系统中加载数据到Hive表
load data inpath '/chatdemo/data/chat_data-30W.csv' into table tb_msg_source;
-- 验证数据加载
SELECT * FROM tb_msg_source tablesample(100 rows);
-- 验证表中的数据条数
SELECT COUNT(*) from tb_msg_source tms ; 
```
  1.3. ETL数据清洗转换
  
  由于原始数据中存在部分不合规的数据，所以需要对数据进行清洗。
  1、原始数据存在的问题
  - 问题1：当前数据中，有一些数据的字段（如sender_gps）为空，不是合法数据；
  - 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；
  - 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；
    2、数据清洗需求
    - 需求1：对字段为空的不合法数据进行过滤；
    - 需求2：通过时间字段构建天和小时字段；
    - 需求3：从GPS的经纬度中提取经度和维度；
    - 需求4：将ETL以后的结果保存到一张新的Hive表中。
```
-- 创建存储清洗后数据的表
create table db_msg.tb_msg_etl(
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"
);
-- 按照需求对原始数据表中的数据进行过滤，然后插入新建的表中
INSERT OVERWRITE TABLE db_msg.tb_msg_etl
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 db_msg.tb_msg_source
WHERE LENGTH(sender_gps) > 0;
```
      执行完毕后，打开tb_msg_etl表，可以看到以下数据
      
      
      扩展知识：ETL
      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。这种操作，本质上是一种简单的ETL行为。
      ETL：
      - E，Extract，抽取
      - T，Transform，转换
      - L，Load，加载
        从A抽取数据(E)，进行数据转换过滤(T)，将结果加载到B(L)，就是ETL。
        
        1.4. 指标统计
        
        1、指标1：统计每日发送的消息总量
        
        -- 统计每日消息总量 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_etl GROUP BY msg_day; 123
        
        2、指标2：统计每小时消息量、发送和接收用户数
        
        -- 统计每小时消息量、发送和接收用户数 CREATE table db_msg.tb_rs_hour_msg_cnt comment '每小时消息量情况' 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_etl GROUP BY msg_hour;
        
        3、指标3：统计每日各地区发送消息总量
        
        -- 每日各地区发送消息总量 CREATE table db_msg.tb_rs_loc_cnt comment '每日各地区发送消息总量' as SELECT msg_day, sender_lng, sender_lat, COUNT(*) as total_msg_cnt FROM db_msg.tb_msg_etl GROUP BY msg_day, sender_lng, sender_lat;
        
        4、指标4：统计每日发送和接收用户数
        
        -- 每日发送和接收用户数 CREATE table db_msg.tb_rs_user_cnt comment '每日发送消息和接收消息人数' 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_etl GROUP BY msg_day;
        
        5、指标5：统计发送消息条数最多的TOP10用户
        
        -- 发送消息条数最多的前10个用户 CREATE table db_msg.tb_rs_sneder_user_top10 comment '发送消息条数最多的10个用户' as SELECT sender_name, COUNT(*) as sender_msg_cnt FROM db_msg.tb_msg_etl GROUP BY sender_name SORT BY sender_msg_cnt DESC LIMIT 10;
        
        6、指标6：统计接收消息条数最多的TOP10用户
        
        -- 接收消息条数最多的10个用户 CREATE table db_msg.tb_rs_receiver_user_top10 comment '接收消息条数最多的10个用户' as SELECT receiver_name, COUNT(*) as receiver_msg_cnt FROM db_msg.tb_msg_etl GROUP BY receiver_name SORT BY receiver_msg_cnt DESC LIMIT 10;
        
        7、指标7：统计发送人的手机型号
        
        -- 统计发送人的手机型号 CREATE table db_msg.tb_rs_sender_phone comment '发送人手机型号分布' as SELECT sender_phonetype, COUNT(*) as cnt FROM db_msg.tb_msg_etl GROUP BY sender_phonetype;
        
        8、指标8：统计发送人的设备操作系统分布情况
        
        -- 统计发送人的设备操作系统分布情况 CREATE table db_msg.tb_rs_sender_os comment '发送人设备操作系统分布' as SELECT sender_os, COUNT(*) as cnt FROM db_msg.tb_msg_etl tme GROUP BY sender_os;
        
        1.5. FineBI安装&配置
        
        1.5.1. FineBI的下载和安装
        
        1、打开FineBI官方https://www.finebi.com/，注册并下载FineBI个人试用版本客户端；
        
        2、在本地物理机上安装刚才下载的客户端（和安装其他软件一样的操作），安装完成之后，启动FineBI客户端；
        
        3、启动之后，输入FineBI官网提供的激活码，然后点击“使用BI”按钮，此时FineBI客户端开始启动（这个过程可能较长，需要耐心等待，过程中可能会弹出openJDK请求防火墙的权限，需要同意）；
        4、FineBI客户端启动成功后，会自动打开浏览器，并打开http://localhost:37799/webroot/decision/login/initialization网页，进入配置页面，此时可以配置BI软件的管理员账号、密码；
        5、账号设置完毕后，需要配置FineBI的数据库，FineBI类似于Hive也有元数据需要管理，对于个人使用来说，可以使用FineBI的内置数据库，若是生产环境使用，则建议使用外接数据库；
        6、点击“直接登录”之后，BI系统会自动跳转到登录界面，输入刚才设置的管理员账号和密码进行登录；
        7、登录FineBI系统后，可以在其目录内发现一些内置的模板和样例数据，以及新手入门指引等，可以作为配置个人所需模板的参考；
        至此，FineBI客户端已安装完毕。
        
        1.5.2. 配置FineBI与Hive的连接
        
        1、接下来需要配置FineBI连接Hive的隔离插件。进入FineBI系统中，在“管理系统-插件管理-我的插件-从本地安装”，然后选择课程资料中，FineBI文件夹中的fr-plugin-hive-driver-loader-3.0.zip，然后系统会安装Hive隔离插件；
        2、然后，使用记事本打开FineBI安装目录下webapps\webroot\WEB-INF\embed\finedb目录下的db.script文件，将其中的INSERT INTO FINE_CONF_ENTITY VALUES('SystemConfig.driverUpload','false')修改为INSERT INTO FINE_CONF_ENTITY VALUES('SystemConfig.driverUpload','true')。这样才能安装Hive驱动。
        
        3、然后，重启FineBI客户端，先关闭FineBI客户端，然后再在桌面重新打开FineBI的客户端；
        4、重新登录系统后，需要先安装Hive驱动，打开FineBI官方帮助手册，Hadoop Hive数据连接章节：https://help.fanruan.com/finebi/doc-view-301.html，根据其指示下载对应版本的驱动包和日志jar包；
        5、下载完成后，将两个压缩包里的所有jar文件解压到一个文件夹中；
        6、在系统中，依次点击“管理系统-数据连接-数据连接管理-驱动管理”，进入驱动管理界面；
        7、在驱动管理界面点击“新建驱动”按钮，填写驱动名称，然后点击“确定”按钮；
        8、然后点击“上传文件”按钮，将刚才解压的所有jar文件选中上传；
        9、上传完成后，在“驱动”栏选择Hive驱动，然后点击右上角的“保存”按钮，完成Hive驱动的添加。添加成功后，点击左上角的“退出驱动管理”按钮；
        10、点击数据连接管理界面的“新建数据连接”按钮，打开新建数据连接界面；
        11、在打开的页面中选择“所有”选项卡，然后点击“Hadoop Hive”；
        12、在Hadoop Hive页面填写虚拟机Hive服务（即hiveserver2服务）的相关信息，填写完毕后，点击右上角的“测试连接”按钮，看到“连接成功”提示代表配置成功，然后点击右上角的“保存”按钮，Hive连接创建完毕。
        
        至此，FineBI到Hive的数据连接配置完成。后续将进行可视化面板的配置。
        
        1.6. 可视化展示
        
        本节的目标是使用FineBI配置出如下的可视化看板。
        1、创建报表。登录系统后，依次点击“公共数据-新建文件夹”，创建本案例中所使用的文件夹，然后给文件夹命名为“Hive数据分析”。
        2、选择刚才新建的“Hive数据分析”文件夹，然后点击上方的“新建数据集”按钮，选择“数据库表”。
        3、然后将前面章节所创建的8个指标的数据表选中，然后点击右上角的“确定”按钮；
        4、点击“确定”后，可以看到在“Hive数据分析”文件夹下出现了前面选中的表（以表注释命名）；
        5、依次点开每张表，然后点击“更新数据”按钮，将Hive中的数据拉取过来；
        6、依次点击“我的分析-新建文件夹”，将新建的文件夹命名为“Hive数据分析”；
        7、选择“Hive数据分析”，然后点击“新建分析主题”，会在另一个浏览器窗口打开分析主题页面；
        8、在分析主题页面选择“公共数据”-刚才新建的Hive数据分析数据集中的“每日发送消息和接收消息人数”，然后点击“确定”按钮，将该数据构建进来；
        9、构建好后，点击下方的“组件”Tab，进入组件配置中，选择“KPI指标卡”，然后将左侧的“sender_user_cnt”字段拖动到“文本”栏中，然后点击文本栏的配置按钮；
        10、在弹出的文本栏配置中，取消“固定字体大小”，然后编辑内容，将内容的前缀改为“发送消息人数：”即可；
        11、对组件Tab进行重命名，改为“发送消息人数”，然后点击页面下部的“添加仪表板”按钮，添加一个仪表板；
        12、然后在仪表板中，将刚才配置好的“发送消息人数”组件拖动到仪表板上，并调整好位置和大小，点击组件旁边的下拉按钮，取消“显示标题”的勾选；
        13、然后点击右上角的“仪表板样式”，选择“默认暗黑”就可以修改整个数据看板的背景；
        14、然后相同的方式，新建“接收消息人数”的组件，并摆放在该仪表板上；
        15、选择“数据”Tab，然后点上面的“+”按钮，然后选择“公共数据-Hive数据分析-每日消息总量”，然后点击确定；
        16、然后添加“总消息数”组件，参考上面完成组件配置，并摆放在仪表板上；
        17、按照类似方法创建“发送消息最多的用户TOP10”组件；
        18、按照类似方法创建“发送用户操作系统占比”组件；
        19、按照类似方法创建地图组件；
        20、按照类似方法创建“接收消息最多的用户TOP10”组件；
        21、按照类似方法创建“发送用户手机型号分布”组件；
        22、按照类似方法创建“每小时消息量趋势”组件；
        至此，所有内容结束。

VPS购买请点击我

免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理! 部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理! 图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库和百度，360，搜狗等多加搜索引擎自动关键词搜索配图，如有侵权的图片，请第一时间联系我们，邮箱：ciyunidc@ciyunshuju.com。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!

Hadoop+Hive数据分析综合案例