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（MapReucejob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.Javasdk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.Nginxweb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。（visplit.sh）上传到HDFS。（viput2hdfs.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。