基于Hadoop的数据仓库

1 什么是数据仓库

数据仓库是面向主题的、集成的、具有时间特征的、稳定的数据集合，用以支持经营管理中的决策制定过程

• 典型应用:

  • 报表生成
  • 数据分析
  • 数据挖掘

• 数据仓库其他特征

  • 数据量非常大（TB 以上）
  • 是数据库的一种新型应用
  • 使用人员较少

• 商用数据仓库

  • 典型代表: db2, teradata, vertica
  • 价格昂贵，支持数据量通常 TB 或以下

• 大数据时代数据仓库

  • 数据量非常大
  • 扩展性和容错性很重要
  • 成本考量

不了解的数据仓库基本概念的，可以参考之前《了解一下数据仓库》这篇文章。

2 基于 Hadoop 数据仓库的基本架构

• 技术手段

  • 通常使用 Hive 作为数据仓库

    • 超大数据集设计的计算扩展能力
    • 支持 HQL 查询 — 简单，学习代价低
    • 统一的元数据管理

• 基本特点

  • 支持海量数据
  • 多维数据分析
  • 使用人员较少
  • 数据延迟较高

2.1 基于 Hadoop 的数据仓库: 第一版

• 优点

  • 满足了数据仓库的基本要求
  • 能够处理海量数据
  • 系统扩展性和容错性极好

• 缺点

  • 性能较低，实时性不好

2.2 基于 Hadoop 的数据仓库: 第二版

• 改进

  • 使用 MPP(Presto) 系统提高查询性能

• 优点

  • 满足了数据仓库的基本要求
  • 能够处理海量数据
  • 系统扩展性和容错性极好
  • 实时性较好

• 缺点

  • 数据延迟高（数据从产生到入库，再到查询，整个周期长）

2.3 基于 Hadoop 的数据仓库: 第三版（增加实时 pipeline）

• 改进

  • 使用 Spark Streaming 系统降低数据延迟

• 优点

  • 满足了数据仓库的基本要求
  • 能够处理海量数据
  • 系统扩展性和容错性极好
  • 实时性较好
  • 数据延迟低

3 数据仓库具体实例

网站报表系统

• 基本作用

  • 按照业务要求生成报表
  • 报表可实时产生或按天产生

• 数据规模

  • 数据量: TB 级
  • 表数目: 100+

• 用户量

  • 约几十个

3.1 收集数据

3.2 ETL

• ETL

  • Extract, Transform, Load
  • 可使用 MapReduce/Spark/Pig 实现
  • 存储格式: 行式存储与列式存储
• 行存储与列存储

如何创建带压缩的 ORC 表

• ETL 后日志格式（文本格式）如下:

• 临时表（文本格式）定义如下:

    CREATE EXTERNAL TABLE tmp_logs (
        domain_id INT,
        log_time STRING,
        log_date STRING,
        log_type INT,
        uin BIGINT
    )
    ROW FORMAT DELIMITED
    FIELDS TERMINATED BY ','
    STORED AS TEXTFILE
    LOCATION '/user/hivetest/logs';

• 将数据导入临时表 tmp_logs:

LOAD DATA INPATH '/nginx/logs/2016011206' OVERWRITE INTO TABLE tmp_logs;

• 将临时表中数据导入到 orc 格式的表中:

    CREATE TABLE logs (
        domain_id INT,
        log_time STRING,
        log_date STRING,
        log_type INT,
        uin BIGINT
    )
    PARTITION BY(log_time STRING)
    STORED AS ORC
    tblproperties("orc.compress"="SNAPPY");

    INSERT INTO TABLE logs PARTITION(dt='2016-01-12-06') SELECT * FROM tmp_logs;

• 压缩算法

• 查询

    SELECT domain_id, sum(log_type) FROM logs WHERE
    log_time>'2016-01-12-06' GROUP BY domain_id;

3.3 参数化报表与可视化

• 参数化报表

  • 根据用户定制的数据要求，生成 SQL

• 可视化工具

  • Echarts: http://echarts.baidu.com/
  • D3.js: https://d3js.org/
  • Tableau: 商用可视化软件

4 Summary

• 基于 Hadoop 构建数据仓库的好处

  • 开源免费
  • 支持海量数据
  • 周边工具成熟

• 基于 Hadoop 构建数据仓库的流程

  • 数据收集
  • 数据 ETL
  • 参数化报表与可视化