大数据离线分析项目(Hadoop)

大数据离线分析项目(Hadoop)

一、项目总体需求、具体设计

1、总体需求：捕获用户每天的行为数据，生成

业务日志文件，根据日志文件清洗、分析、提取出需要的价值信息（pv：页面浏览量uv：独立访客数独立IP 会话时长等），对网站的良好运营提供有价值的指标。

2、具体设计

2.1捕获（JsSDK）用户行为数据（launch

事件、pageView事件、event事件、

chargerequet事件）

2.2将捕获的数据发送给web服务器，生

成日志文件（Nginx）

2.3将日志文件上传至文件存储系统中

（Shell脚本、Flume）

2.4在文件存储系统中对日志文件进行清

洗，过滤掉脏数据和不需要的字段

（MapReuce job任务）

2.5将过滤后的日志文件导入到数据库中

（HBase）

2.6通过MapReduce程序或Hive进行统

计分析（Hive）

2.7将统计分析后的结果导入到本地数据

库中进行永久储存（Mysql）

2.8在前端进行展示

（SpringMVC+Highcharts）

二、项目架构（画图）

具体分为三个部分（如下图所示）：

数据收集层

hadoop、hive、flume、kafka、shell

数据分析层

hive、MapReduce、spark

数据展示层

springmvc + highcharts

三、技术选型、特点、为什么

1.JsSDK捕获前端页面数据。Javascript 编写

页面日志生成与发送工具（原则：保持对业务代码最小影响）

特点：采用原生的JavaScript编写，以

js文件嵌入到前端，页面触发业务所关注

的事件（按照收集数据的不同分为不同的

事件）时调用相关方法。

2.Java sdk后台服务日志生成与发送工具

JavaSDK代码很简单，可以打成jar包

或者直接拷贝类到具体的项目中，正常逻

辑处理到JavaSDK所关注的事件后，调

用JavaSDK提供的api即可。

3. Nginx web服务器，产生日志文件

特点：Nginx是一个小巧而高效

的Linux下的web服务器软件，

相比较Apache它不仅有稳定性、

丰富的功能集、示例配置文件，更

重要的是Nginx是基于事件的，

它的内存使用很低，系统资源消耗

小很多。

3.shell脚本上传日志文件（数据量一般比较小

的场景，不会立即进行分析）

分割日志，每天定时分割成昨天的日志文件。（vi split.sh）

上传到HDFS。（vi put2hdfs.sh）

flume上传（数据量一般比较大的

场景，需要实时处理。）

5. HBase数据库

数据解析以后，我们把它存入

HBase表。因为：不同的事件，最

后上传到HDFS里面每行数据的字

段数量是不一样的；而且HBase

中，单表数据量相对比较大

6. MySql 最终结果存储

Mysql是关系型数据库，结构十

分清晰，能够与JavaWeb中的

SpringMVC进行很好的对接；而

且SQL语句是结构化的查询语言，

方便运营页面查询数据

7. SpringMVC+Highcharts 进行报表显示

四、具体实现需求（分析了哪些功能pv、uv）

主要实现需求：

Pv：页面的浏览次数，衡量网站用户访问的网页数量；用户每打开一个页面就记录一次，多次打开同一个页面则浏览量累计。描述用户访问网站信息，应用于基本的各个不同计算任务

Uv：独立访客数

1天内访问某站点的人数（以cookie为依据）

1天内同一访客的多次访问只计为1个访客

S_time：会话时长

详细需求：

五、项目中遇到了哪些问题，怎么解决

1、日志格式有点混乱，以至于给后面的数据清洗带来困扰

办法：最后调整数据格式，并重新定义了分隔符

2、对日志文件进行分析时，建立Hive 外部表与Hbase表的链接字段搞错，以至于

HBase与Hive整合不成功

办法：查看数据字典，查找字段，并将hive外部表的字段名和HBase表的列名

一样。

六、项目总结

通过本次项目搭建，我对大数据的实际应用，以及客户需求的具体实现有了更为

清晰的认识，同时也对之前所学到的知识进

行了温故与整合。

同时看到了自己的很多不足，究其原因，是对Hadoop以及诸多协作框架的理

解应用仅限于皮毛，缺乏透彻的研究，实

际开发能力仍大有欠缺，需要更多的实战来

历练。

总之，通过本次项目搭建我收获颇丰，

受益匪浅，并清楚了自己以后学习的重点，努力的方向。