Spark + Hbase 百亿级流量实时分析统计 之 数据结构

背景

靠文章生存的大厂们简书/小红书/CSDN(PS:好吧你们仨记得给我广告费)，对优秀的文章进行大数据分析的工作必不可以少了，本系列文章将会从关于文章的各个维度进行实战分析，这系列文章新手可借着踏入大数据研发的大门，至于大数据的大佬们可以一起来相互伤害，至少为什么取名为 ''百亿级流量实时分析统计'' 看完后整个系列的文章你就知道了，相信大家都是会举一反三的孩子们。

Spark + Hbase 百亿级流量实时分析统计 系列文章 之 数据结构设计

作者

网名：大猪佩琪
姓名：不晓
年龄：不知
身高：不祥
性别：男

日志结构

日志存储结构设计如下，肯定很多小伙伴要问为什么设计成JSON形式？多占空间？多...
统一回复：可读、易排查

{
    "time": 1553269361115,
    "data": {
        "type": "read",
        "aid": "10000",
        "uid": "4229d691b07b13341da53f17ab9f2416",
        "tid": "49f68a5c8493ec2c0bf489821c21fc3b",
        "ip": "22.22.22.22"
    }
}

参数

名称	值	说明
time	精确到毫秒	时间
type	read:阅读/like:喜欢/comment:评论/share:分享/reward:赞赏/publish:发布文章/update:发布更新/private:设置私密/delete:删除
aid	数字	文章编号
uid	uuid	用户编号
tid	uuid	用户临时缓存编号
ip	ip	IP地扯

Hbase结构

日志表

create 'LOG_TABLE',{NAME => 'info',TTL => '30 DAYS',
CONFIGURATION => {'SPLIT_POLICY' => 'org.apache.hadoop.hbase.regionserver.KeyPrefixRegionSplitPolicy','KeyPrefixRegionSplitPolicy.prefix_length'=>'2'},
COMPRESSION=>'SNAPPY'},
SPLITS => ['20', '40', '60', '80', 'a0', 'c0', 'e0']

1. rowkey --------> 49|20190101000000|f68a5c (时间+用户ID)
   设计原则：能按时间维度查询,而且还能打散数据。
2. 过期时间 30天 --------> 够长的了,反正日志源文件还在
   设计原则：其实就是为了不占用那么多的存储资源。
3. 预分区 -------->使用rowkey前两位，00~ff=256 个region，表示现在的业务已经可以满足要求。
   设计原则：是为了能尽量打散数据到各台Region Server。

用户表

create 'USER_TABLE',{NAME => 'info',
CONFIGURATION => {'SPLIT_POLICY' => 'org.apache.hadoop.hbase.regionserver.KeyPrefixRegionSplitPolicy','KeyPrefixRegionSplitPolicy.prefix_length'=>'2'},
COMPRESSION=>'SNAPPY'},
SPLITS => ['20', '40', '60', '80', 'a0', 'c0', 'e0']

1. rowkey --------> 49f68a5c8493ec2c0bf489821c21fc3b (用户ID)
   设计原则：唯一性,通过ID能直接找到用户信息。

现在还没涉及到程序设计与实现篇章，后续将会在 "百亿级流量实时分析统计" 系列文章中逐一实现。

百亿级流量实时分析统计

下篇文章 [ 百亿级流量实时分析统计 - 数据结构设计 ]