大數(shù)據(jù)離線分析項目(Hadoop)

1、一、 項目總體需求、具體設計1、 總體需求：捕獲用戶每天的行為數(shù)據(jù)，生成業(yè)務日志文件，根據(jù)日志文件清洗、分析、提取出需要的價值信息（pv：頁面瀏覽量 uv：獨立訪客數(shù) 獨立IP 會話時長等），對網(wǎng)站的良好運營提供有價值的指標。2、 具體設計2.1捕獲（JsSDK）用戶行為數(shù)據(jù)（launch事件、pageView事件、event事件、chargerequet事件）2.2將捕獲的數(shù)據(jù)發(fā)送給web服務器，生成日志文件（Nginx）2.3將日志文件上傳至文件存儲系統(tǒng)中（Shell腳本、Flume）2.4在文件存儲系統(tǒng)中對日志文件進行清洗，過濾掉臟數(shù)據(jù)和不需要的字段（MapReuce job任務）2.5

2、將過濾后的日志文件導入到數(shù)據(jù)庫中（HBase）2.6通過MapReduce程序或Hive進行統(tǒng)計分析（Hive）2.7將統(tǒng)計分析后的結果導入到本地數(shù)據(jù)庫中進行永久儲存（Mysql）2.8在前端進行展示（SpringMVC+Highcharts）二、 項目架構（畫圖）具體分為三個部分（如下圖所示）：數(shù)據(jù)收集層 hadoop、hive、flume、kafka、shell數(shù)據(jù)分析層 hive、MapReduce、spark數(shù)據(jù)展示層 springmvc + highcharts三、 技術選型、特點、為什么1. JsSDK捕獲前端頁面數(shù)據(jù)。Javascript 編寫頁面日志生成與發(fā)送工具（原則： 保持

3、對業(yè)務代碼最小影響）特點：采用原生的JavaScript編寫，以js文件嵌入到前端，頁面觸發(fā)業(yè)務所關注的事件（按照收集數(shù)據(jù)的不同分為不同的事件）時調用相關方法。2. Java sdk 后臺服務日志生成與發(fā)送工具JavaSDK代碼很簡單，可以打成jar包或者直接拷貝類到具體的項目中，正常邏輯處理到JavaSDK所關注的事件后，調用JavaSDK提供的api即可。3.Nginx web服務器，產生日志文件 特點：Nginx是一個小巧而高效的Linux下的web服務器軟件，相比較Apache它不僅有穩(wěn)定性、豐富的功能集、示例配置文件，更重要的是Nginx是基于事件的，它的內存使用很低，系統(tǒng)資源消耗小

4、很多。3. shell腳本上傳日志文件（數(shù)據(jù)量一般比較小的場景，不會立即進行分析）分割日志，每天定時分割成昨天的日志文件。（vi split.sh）上傳到HDFS。（vi put2hdfs.sh）flume上傳（數(shù)據(jù)量一般比較大的場景，需要實時處理。）5. HBase數(shù)據(jù)庫 數(shù)據(jù)解析以后，我們把它存入HBase表。因為：不同的事件，最后上傳到HDFS里面每行數(shù)據(jù)的字段數(shù)量是不一樣的；而且HBase中，單表數(shù)據(jù)量相對比較大6.MySql 最終結果存儲Mysql是關系型數(shù)據(jù)庫，結構十分清晰，能夠與JavaWeb中的SpringMVC進行很好的對接；而且SQL語句是結構化的查詢語言，方便運營頁面查詢

5、數(shù)據(jù)7.SpringMVC+Highcharts 進行報表顯示四、 具體實現(xiàn)需求（分析了哪些功能pv、uv）主要實現(xiàn)需求：Pv：頁面的瀏覽次數(shù)，衡量網(wǎng)站用戶訪問的網(wǎng)頁數(shù)量；用戶每打開一個頁面就記錄一次，多次打開同一個頁面則瀏覽量累計。描述用戶訪問網(wǎng)站信息，應用于基本的各個不同計算任務Uv：獨立訪客數(shù)1天內訪問某站點的人數(shù)（以cookie為依據(jù)）1天內同一訪客的多次訪問只計為1個訪客S_time：會話時長詳細需求：五、 項目中遇到了哪些問題，怎么解決1、日志格式有點混亂，以至于給后面的數(shù)據(jù)清洗帶來困擾辦法：最后調整數(shù)據(jù)格式，并重新定義了分隔符2、對日志文件進行分析時，建立Hive外部表與Hbase表的鏈接字段搞錯，以至于HBase與Hive整合不成功辦法： 查看數(shù)據(jù)字典，查找字段，并將hive外部表的字段名和HBase表的列名一樣。六、 項目總結通過本次項目搭建，我對大數(shù)據(jù)的實際應用，以及客戶需求的具體實現(xiàn)有了更為清晰的認識，同時也對之前所學到的知識進行了溫故與整合。同時看到了自己的很多不足，究其原因，是對Hadoop以及諸多協(xié)作