数据仓库-易错点
来源:互联网 发布:sql server union all 编辑:程序博客网 时间:2024/06/05 19:16
转自:博客园-liuweiqiang2v
最近在搞关于数据分析的项目,做了一点总结。
下图是系统的数据流向。
容易出现错误的地方。
1、数据进入hadoop仓库
有四种来源,这四种是最基本的数据,简称ods,original data source,后续 的数据都是有这些组合而来
a、日志文件
b、http接口
c、DB查询
d、建表指向
最后数据都是以hadoop文件的形式存放在hadoop中。
日志文件:
- 新增机器没有通知数据分析组抓日志
- 根据约定获取日志是遇到错误,例如:约定获取gz的压缩日志,结果没有
- 数据提供方rsync日志出现问题
http接口:
- 接口不稳定,经常500
- 接口提供的数据本来就是错误的
DB:
- 数据结构的变化没有及时通知数据分析组
建表指向:
- 过了约定的时间,还没有提供
2、hadoop文件
hadoop.apache.org
3、hive
参考资料hive.apache.org
hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供完整的sql查询功能,可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低,可以通过类SQL语句快速实现简单的MapReduce统计,不必开发专门的MapReduce应用,十分适合数据仓库的统计分析。
通过建立hive表,将数据load进入hive表。
drop table if exists rpt_crm_cube_kpi_reserve_room_gb_seq;create external table rpt_crm_cube_kpi_reserve_room_gb_seq ( report_date string, area_name string, manager_name string, manager_user_id string, assistant_name string, hotel_seq string, hotel_name string, hotel_grade string, tree_code string, city_name string, confirmed bigint, reserve_room bigint, instant_confirmed bigint) partitioned by (dt string)*ROW FORMAT DELIMITED** FIELDS TERMINATED BY '\001'** COLLECTION ITEMS TERMINATED BY '\002'** MAP KEYS TERMINATED BY '\003'** LINES TERMINATED BY '\n'**STORED AS INPUTFORMAT** 'com.hadoop.mapred.DeprecatedLzoTextInputFormat'**OUTPUTFORMAT** 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'*location '/user/qhstats/rpt/rpt_crm_cube_kpi_reserve_room_gb_seq';* *标记的地方为约定好的,不能出错,否则数据载入就会出错 *
insert overwrite table rpt_crm_cube_kpi_gb_sales partition (dt = '$DATE', kpi = 'all_lose') select 3 as target_id, peer.report_date, peer.area_name, peer.tree_code, peer.manager_name, peer.manager_user_id, peer.object, peer.completed, rank() over (partition by peer.tree_code order by if(peer.object = 0, -1, 1 - peer.completed * 1.0 / peer.object) desc) as peer_rank, count(1) over (partition by peer.tree_code) as peer_count, parent.peer_rank as parent_rank, parent.peer_count as parent_count from ( select report_date, area_name, manager_name, manager_user_id, tree_code, sum(1) as object, sum(if(is_lose = 1, 0, 1)) as completed from rpt_crm_cube_kpi_lose_gb_seq where dt = '$DATE' and type='ALL' group by report_date, area_name, manager_name, manager_user_id, tree_code ) peer inner join ( select * from rpt_crm_cube_kpi_gb_tree_code where dt = '$DATE' and kpi = 'all_lose' ) parent on peer.tree_code = parent.tree_code;EOF}
容易出错的地方:
- 列的数据类型需要明确,否则有字符串到hive表转换的时候会发生错误。例如在文件里边是 ‘xiaoqiang’,列类型却设置为bigint,最后数据会为null。
4、hive表导入到DB
hive的数据可以导入到DB
function export_to_crm_cube { $HIVE -e "select * from rpt_crm_cube_kpi_gb_sales where dt = '$DATE' and kpi = 'all_lose' " > $TMP_FILE $crm_cube_DEV_STR << EOF delete from crm_cube_kpi_gb_sales where report_date = '$FORMAT_DATE' and target_id = 3; load data local infile '$TMP_FILE' into table crm_cube_kpi_gb_sales ( target_id, report_date, area, tree_code, manager_name, manager_user_id, object_cnt, completed_cnt, peer_rank, peer_cnt, parent_rank, parent_cnt );EOF}
容易出错的地方:
- 数据类型的转换,数据分析组统计有50%多的概率出现数据类型转换的问题
5、DB到app
DB到App中,数据已经固化在DB了,剩下的就是把数据呈献给用户,这时候数据的准确性就需要保证了。
数据的准确性保证需要依赖一下几点:
取数的正确性,从那些地方取数据。
数据逻辑的正确性,产品提供的数据逻辑是否正确。
数据的准确性,数据逻辑翻译为代码是否正确
前端的呈现,数据都吐正确了,前端是否正确的展现给用户。
总结了数据从hadoop到用户过程中,如意出错的地方,知道那可以出错了,就知道该怎么应对了。
- 数据仓库-易错点
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 数据仓库
- 用DirectShow写一个“合并左右声道”的Filter实现小结
- linux centos7.2 下配置网络yum 的问题
- luci 学习相关的地址
- POI自定义表头(合并列)导出Excel工具类
- android 6.0调用拨打电话所出现的问题
- 数据仓库-易错点
- tensorflow的官方python的API地址
- Flask 部署 heroku
- 对于如何让u盘考入大于4G的单个文件的问题
- 手动修改vip所在主机
- clipToPadding和clipChildren
- HTML5 基础(003_Web SQL Database_1)
- 按键截屏功能源码流程讲解
- C#入门经典第6版学习 三