前言

大数据处理技术应用：

• [x] 电信运营商
• 数据营销：房地产营销、运营商时代（汇聚用户行为）
• [x] 互联网用户行为分析
• 数据驱动运营：漏斗模型、反作弊
• [x] P2P风控系统
• 个人征信（人民银行）、各大银行贷款记录

我们正在做的：

离线:

image image

三、数据导出（sqoop）

hive导入mysql脚本

#下载HDFS文件到本地目录
hadoop fs -get $basedir/$hive_table/dt=$year-$month-$day/ $resultDir
#进入本地文件目录
cd $resultDir/dt=$year-$month-$day
pwd
#合并文件
cat ./* > data.txt
#exit
#加载数据至mysql数据库
mysql -u root -p123456 -h$server -e "use '$mysql_database';
delete from $mysql_table where data_dt='$year-$month-$day';
load data local infile '$resultDir/dt=$year-$month-$day/data.txt' into table $mysql_table FIELDS TERMINATED BY ',' LINES TERMINATED BY '\n';"

四、商业化hadoop平台CDH应用

hadoop是一个开源项目，所以很多公司在这个基础进行商业化，Cloudera对hadoop做了相应的改变

image

首页有四个菜单

• projects：最重要的部分，创建一个工程，所有flows将在工程中运行。
• scheduling:显示定时任务
• executing:显示当前运行的任务
• history:显示历史运行任务

主要介绍projects部分
首先创建一个工程，填写名称和描述，比如o2olog。

image

Flows：工作流程，有多个job组成
Permissions:权限管理
Project Logs:工程日志

1. 创建工程：

创建之前我们先了解下之间的关系，一个工程包含一个或多个flows，一个flow包含多个job。job是你想在azkaban中运行的一个进程，可以是简单的linux命令，可是java程序，也可以是复杂的shell脚本，当然，如果你安装相关插件，也可以运行插件。一个job可以依赖于另一个job，这种多个job和它们的依赖组成的图表叫做flow。
job创建

创建job很简单，只要创建一个以.job结尾的文本文件就行了,例如我们创建一个工作，用来将日志数据导入hive中（关于大数据方面的东西，不在重复，可以理解为，将日志所需数据导入的mysql中），我们创建o2o_2_hive.job

type=command
command=echo "data 2 hive"

一个简单的job就创建好了，解释下，type的command，告诉azkaban用unix原生命令去运行，比如原生命令或者shell脚本，当然也有其他类型，后面说。

一个工程不可能只有一个job，我们现在创建多个依赖job，这也是采用azkaban的首要目的。

2、Flows创建

我们说过多个jobs和它们的依赖组成flow。怎么创建依赖，只要指定dependencies参数就行了。比如导入hive前，需要进行数据清洗，数据清洗前需要上传，上传之前需要从ftp获取日志。
定义5个job：

• o2o_2_hive.job：将清洗完的数据入hive库
• o2o_clean_data.job：调用mr清洗hdfs数据
• o2o_up_2_hdfs.job：将文件上传至hdfs
• o2o_get_file_ftp1.job：从ftp1获取日志
• o2o_get_file_fip2.job：从ftp2获取日志
  依赖关系：
  3依赖4和5，2依赖3，1依赖2，4和5没有依赖关系。

o2o_2_hive.job

type=command
# 执行sh脚本，建议这样做，后期只需维护脚本就行了，azkaban定义工作流程
command=sh /job/o2o_2_hive.sh
dependencies=o2o_clean_data

o2o_clean_data.job

type=command
# 执行sh脚本，建议这样做，后期只需维护脚本就行了，azkaban定义工作流程
command=sh /job/o2o_clean_data.sh
dependencies=o2o_up_2_hdfs

o2o_up_2_hdfs.job

type=command
#需要配置好hadoop命令，建议编写到shell中，可以后期维护
command=hadoop fs -put /data/*
#多个依赖用逗号隔开
dependencies=o2o_get_file_ftp1,o2o_get_file_ftp2

o2o_get_file_ftp1.job

type=command
command=wget "ftp://file1" -O /data/file1

o2o_get_file_ftp2.job

type=command
command=wget "ftp:file2" -O /data/file2

3. 将上述job打成zip包。上传：

image
image

点击o2o_2_hive进入流程，azkaban流程名称以最后一个没有依赖的job定义的。

image
右上方是配置执行当前流程或者执行定时流程。
image

Flow view：流程视图。可以禁用，启用某些job
Notification:定义任务成功或者失败是否发送邮件
Failure Options:定义一个job失败，剩下的job怎么执行
Concurrent：并行任务执行设置
Flow Parametters：参数设置。
1.执行一次
设置好上述参数，点击execute。

image
绿色代表成功，蓝色是运行，红色是失败。可以查看job运行时间，依赖和日志，点击details可以查看各个job运行情况。
image
2.定时执行
image

五、报表平台

image
image
image

参看文章：

1. HDFS深入浅析：http://www.cnblogs.com/linuxprobe/p/5594431.html

2. Hive SQL编译过程：http://tech.meituan.com/hive-sql-to-mapreduce.html

3. Hadoop 新 MapReduce 框架 Yarn 详解:http://www.ibm.com/developerworks/cn/opensource/os-cn-hadoop-yarn/

4. Sqoop安装配置及演示:http://www.micmiu.com/bigdata/sqoop/sqoop-setup-and-demo/

5. Hue安装配置实践:http://shiyanjun.cn/archives/1002.html

6. Hadoop Hive sql语法详解:http://blog.csdn.net/hguisu/article/details/7256833

7. Azkaban－开源任务调度程序（安装篇）:http://www.jianshu.com/p/cc680380ca34

8. Azkaban－开源任务调度程序（使用篇）:http://www.jianshu.com/p/484564beda1d

9. Hive高级查询(group by、 order by、 join等) ：http://blog.csdn.net/scgaliguodong123_/article/details/46944519