【Hadoop】四、Hadoop生态综合案例 ——陌陌聊天数据分析

文章目录

四、Hadoop生态综合案例 ——陌陌聊天数据分析

md笔记

1、陌陌聊天数据分析案例需求

1.1、背景介绍

背景介绍

陌陌作为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。

1.2、目标需求

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

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To p 1 0用户
• 统计今日接收消息最多的To p 1 0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

1.3、数据内容

• 数据大小：两个文件共14万条数据
• 列分隔符：制表符 \t
• 数据字典及样例数据

2、基于Hive数仓实现需求开发

2.1、建库建表、加载数据

建库建表

--------------1、建库---------------------如果数据库已存在就删除dropdatabaseifexists db_msg cascade;--创建数据库createdatabase db_msg;--切换数据库use db_msg;--------------2、建表---------------------如果表已存在就删除droptableifexists db_msg.tb_msg_source;--建表createtable 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")--指定分隔符为制表符row format delimited fieldsterminatedby'\t';

加载数据

• HDFS上创建目录hdfs dfs -mkdir -p /momo/data
• 上传到HDFShdfs dfs -put /export/data/data1.tsv /momo/data/ hdfs dfs -put /export/data/data2.tsv /momo/data/
• 加载到Hive表中load data inpath '/momo/data/data1.tsv' into table db_msg.tb_msg_source;load data inpath '/momo/data/data2.tsv' into table db_msg.tb_msg_source;
• 验证结果--查询表 验证数据文件是否映射成功select*from tb_msg_source limit10;--统计行数selectcount(*)as cnt from tb_msg_source;

2.2、ETL数据清洗

原始数据内容

• 数据来源：聊天业务系统中导出的2021年11月01日一天24小时的用户聊天数据，以TSV文本形式存储在文件中
• 数据问题- 问题1：当前数据中，有一些数据的字段为空，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

ETL需求

• 需求1：对字段为空的不合法数据进行过滤 •Where过滤
• 需求2：通过时间字段构建天和小时字段substr函数
• 需求3：从GPS的经纬度中提取经度和维度Split函数
• 需求4：将ETL以后的结果保存到一张新的Hive表中

ETL数据清洗

--------------4、ETL数据清洗---------------------问题1：当前数据中，有一些数据的字段为空，不是合法数据select
   msg_time,
   sender_name,
   sender_gps
from db_msg.tb_msg_source
where length(sender_gps)=0limit10;--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select
   msg_time
from db_msg.tb_msg_source
limit10;--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select
   sender_gps
from db_msg.tb_msg_source
limit10;--ETL实现--如果表已存在就删除droptableifexists db_msg.tb_msg_etl;--将Select语句的结果保存到新表中createtable db_msg.tb_msg_etl asselect*,
  substr(msg_time,0,10)as dayinfo,--获取天
  substr(msg_time,12,2)as hourinfo,--获取小时
  split(sender_gps,",")[0]as sender_lng,--提取经度
  split(sender_gps,",")[1]as sender_lat --提取纬度from db_msg.tb_msg_source
--过滤字段为空的数据where length(sender_gps)>0;--验证ETL结果select
    msg_time,dayinfo,hourinfo,sender_gps,sender_lng,sender_lat
from db_msg.tb_msg_etl
limit10;

2.3、需求指标统计

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To p 1 0用户
• 统计今日接收消息最多的To p 1 0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

思路

1. 正确解读业务需求，避免歧义
2. 确定待查询的数据表–>from 表
3. 找出分析的维度–>group by 分组的字段
4. 找出计算的指标–>聚合的字段
5. 其他细节点（过滤、排序等）

需求指标统计

--------------5、需求指标统计分析---------------------需求：统计今日总消息量createtableifnotexists tb_rs_total_msg_cnt
comment"今日消息总量"asselect
  dayinfo,count(*)as total_msg_cnt
from db_msg.tb_msg_etl
groupby dayinfo;select*from tb_rs_total_msg_cnt;--结果验证--需求：统计今日每小时消息量、发送和接收用户数createtableifnotexists tb_rs_hour_msg_cnt
comment"每小时消息量趋势"asselect
  dayinfo,
  hourinfo,count(*)as total_msg_cnt,count(distinct sender_account)as sender_usr_cnt,count(distinct receiver_account)as receiver_usr_cnt
from db_msg.tb_msg_etl
groupby dayinfo,hourinfo;select*from tb_rs_hour_msg_cnt;--结果验证--需求：统计今日各地区发送消息数据量createtableifnotexists tb_rs_loc_cnt
comment"今日各地区发送消息总量"asselect
  dayinfo,
  sender_gps,
  cast(sender_lng asdouble)as longitude,
  cast(sender_lat asdouble)as latitude,count(*)as total_msg_cnt
from db_msg.tb_msg_etl
groupby dayinfo,sender_gps,sender_lng,sender_lat;select*from tb_rs_loc_cnt;--结果验证--需求：统计今日发送消息和接收消息的用户数createtableifnotexists tb_rs_usr_cnt
comment"今日发送消息人数、接受消息人数"asselect
  dayinfo,count(distinct sender_account)as sender_usr_cnt,count(distinct receiver_account)as receiver_usr_cnt
from db_msg.tb_msg_etl
groupby dayinfo;select*from tb_rs_usr_cnt;--结果验证--需求：统计今日发送消息最多的Top10用户createtableifnotexists tb_rs_susr_top10
comment"发送消息条数最多的Top10用户"asselect
  dayinfo,
  sender_name as username,count(*)as sender_msg_cnt
from db_msg.tb_msg_etl
groupby dayinfo,sender_name
orderby sender_msg_cnt desclimit10;select*from tb_rs_susr_top10;--结果验证--需求：统计今日接收消息最多的Top10用户createtableifnotexists tb_rs_rusr_top10
comment"接受消息条数最多的Top10用户"asselect
  dayinfo,
  receiver_name as username,count(*)as receiver_msg_cnt
from db_msg.tb_msg_etl
groupby dayinfo,receiver_name
orderby receiver_msg_cnt desclimit10;select*from tb_rs_rusr_top10;--结果验证--需求：统计发送人的手机型号分布情况createtableifnotexists tb_rs_sender_phone
comment"发送人的手机型号分布"asselect
  dayinfo,
  sender_phonetype,count(distinct sender_account)as cnt
from tb_msg_etl
groupby dayinfo,sender_phonetype;select*from tb_rs_sender_phone;--结果验证--需求：统计发送人的设备操作系统分布情况createtableifnotexists tb_rs_sender_os
comment"发送人的OS分布"asselect
  dayinfo,
  sender_os,count(distinct sender_account)as cnt
from tb_msg_etl
groupby dayinfo,sender_os;select*from tb_rs_sender_os;--结果验证

3、FineBI实现可视化报表

3.1、FineBI的介绍及安装

• FineBI的介绍：https://www.finebi.com/
• FineBI 是帆软软件有限公司推出的一款 商业智能 （Business I ntelligence）产品。FineBI 是定位于自助大数据分析的BI 工具，能够帮助企业的业务人员和数据分析师，开展以问题导向的探索式分析。

FineBI的特点

• 通过多人协作来实现最终的可视化构建
• 不需要通过复杂代码来实现开发，通过可视化操作实现开发
• 适合于各种数据可视化的应用场景
• 支持各种常见的分析图表和各种数据源
• 支持处理大数据

FineBI的安装

下载对应版本

Windows版本安装

第一次启动配置FineBI

3.2、FineBI配置数据源及数据准备

• FineBI与Hive集成的官方文档：https://help.fanruan.com/finebi/doc-view-301.html
• 驱动配置 - 问题：如果使用FineBI连接Hive，读取Hive的数据表，需要在FineBI中添加Hive的驱动jar包- 解决：将Hive的驱动jar包放入FineBI的lib目录下

FineBI配置数据源及数据准备

• step1：找到提供的【Hive连接驱动】
• step2：将这些文件放入FineBI的安装目录下的：webapps\webroot\WEB-INF\lib目录中

插件安装

• 问题：我们自己放的Hive驱动包会与FineBI自带的驱动包产生冲突，导致FineBI无法识别我们自己的驱动包
• 解决：安装FineBI官方提供的驱动包隔离插件

构建连接

• 新建连接
• 配置连接
• 测试连接
• 保存连接

数据准备

• 新建分组
• 添加业务包
• 添加表
• 更新业务包

3.3、FineBI构建可视化报表

报表预览（步骤太多，懒得截图，放最终效果图）