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