Hive 数仓及数仓设计方案

数仓(Data Warehouse)

数据仓库存在的意义在于对企业的所有数据进行汇总，为企业各个部门提供一个统一、规范的出口。做数仓就是做方案，是用数据治理企业的方案。

数据仓库的特点

面向主题集成
- 公司中不同的部门都会去数据仓库中拿数据，把独立从数据仓库中拿数据的单元，称为一个主题。
- 数据仓库中的数据是从各个分散的数据库中抽取出来的，需要进行完整集合，还要进行数据处理。
涉及的数据操作主要是查询

数仓的本质

能够完整记录某个对象在一段时期内的变化情况的存储空间。随着时间变化不断增加新的数据内容，不断删去旧的数据内容。

数仓设计方案

1. 需求分析

找谁了解需求？
- 老板：大方向
- 运营人员：具体，多问几个运营人员
- 行业标准规范，行业运营(搜索能力)
- 行业专家

2. 确定主题指标体系

典型领域指标

电商：转化
新闻：浏览
社交媒体：活跃度
多媒体：转化、活跃

数据挖掘、人工智能

确定历史事实数据间的因果关系
筛选出不必要的重复指标

命题：主题

事实数据

Who + When + Where + How + What
谁何时何地方式做了什么

电商示例

传统订单：
- Who + When + Where
- order_id, user_id, purchase_time, store_id
订单详情：
- order_detail_id, order_id, product_id, purchase_count, price
订单支付：
- pay_id, pay_type, pay_account, pay_time
大数据订单(着重对HOW扩展)：
- How:
  - 搜索直接来源
    - 关键词搜索
    - 分类检索
    - 主页推荐
    - 外链引流
  - 分析商品搜索过程：
    - 在哪些商品处停留？
    - 有哪些同样感兴趣的商品？
    - 什么时候就开始关注这个商品？
    - 是否存在其他行为(收藏、加入购物车、下单、购买)？
  - 处理其他行为：
    - 定时提醒"XXX商品已被您收藏30天但还没有购买…"

3. 确定数据标准

原始数据：行为数据(因) RDMBS(果)
基于原始数据预聚合数据

4. 数仓设计

数据规模，成本核算

数据埋点获得埋点数据

前端埋点：类似于视频浏览过程数据，只能通过前端埋点
后端埋点：类似于支付，后端才是直接和第三方支付接口交互的。
能用后端埋点就用后端埋点，前端埋点是不得已采用

埋点数据格式与容量

公共数据格式
事件数据

服务器集群配置

买/租

技术选型与服务器环境搭建

hdfs
yarn
hive
hbase
zk
spark

5. 数据采集

行为日志 -> flume -> hdfs
RDBMS -> sqoop -> hbase

6. 操作数仓

plsql

declare 变量名 数据类型 = 初值;
	set 变量 = 值;
	print '常量' || 变量
	
	vim ~/pl_demo.ql
	------------------------------------------------------------
	create function FUNC_NAME(name TYPE,...) returns RETURN_TYPE
	begin
		declare VAR = INIT_VALUE;
		...
		print 'CONSTANTS' || VAR;
	end;
	
	call FUNC_NAME(...);
	------------------------------------------------------------
	
	--案例：自定义函数生成日期维度表
		vim pl_demo.ql
		----------------------------------------------------------------------------------------------------------
		-- 定义存储过程
		create procedure getSumAmount()
        begin
            declare sum_amount decimal(10,2) = 0.0;
            select sum(order_amount) into sum_amount from yb12211_2.hive_internal_par_cluster_regex_test1w;
            print 'sum of order amount : ' || sum_amount;
        end;

		-- 调用存储过程
		call getSumAmount();
		----------------------------------------------------------------------------------------------------------
		
		执行plsql文件
		hplsql -f FILE_PATH

hive -e “SHOW DATABASES”
hive -f QL_FILE_PATH