在线教育项目回顾
01：在线教育项目需求
- **目标**：掌握在线教育项目需求
- **实施**
- **常规的需求**：通过对数据进行数据分析处理，得到一些指标，来反映一些事实，支撑运营决策
- **行业**：在线教育行业
- **产品：课程**
- **需求**：**提高学员报名的转换率**，实现**可持续化的运营发展**
- 需求1：分析学员从访问到报名每个环节的留存率和流失率，发现每个环节存在的问题，解决问题，提高报名率
- 访问分析
- 咨询分析
- 意向分析
- 报名分析
- 通过各个环节的分析，来发现每个环节流失原因，解决问题，实现提高每一步转化率
- 需求2：持续化发展需要构建良好的产品口碑，把控学员学习质量：通过对考试、考勤、作业做管理和把控
- 考勤分析
02：需求主题划分
- **目标**：**掌握在线教育中需求主题的划分**
- **实施**
- **数据仓库的数据管理划分**
- 数据仓库【DW】：存储了整个公司所有数据
- 数据集市/主题域【DM】：按照一定的业务需求进行划分：部门、业务、需求
- 主题：每一个主题就面向最终的一个业务分析需求
- **在线教育中的需求主题**
- 数据仓库：业务系统数据【客服系统、CRM系统、学员管理系统】
- 业务数据仓库：结构化数据
- 数据集市/主题域
- 运营管理集市/运营域
- 销售管理集市/销售域
- 学员管理集市/用户域
- 产品管理集市/产品域
- 广告域
- ……
- 数据主题
- 来源分析主题、访问分析主题、咨询分析主题
- 销售分析主题、线索分析主题、意向分析主题、报名分析主题
- 考勤分析主题、考试分析主题、作业分析主题
- 产品访问主题、产品销售主题、产品付费主题
- 表名：层 _ 【域】 _ 主题 _ 维度表
03：数据来源
- **目标**：**掌握在线教育平台的数据来源**
- **实施**
- **访问分析主题、咨询分析主题**
- ==客服系统==：**客服系统数据库**
- 需求：统计不同维度下的访问用户数、咨询用户数
- 指标：UV、PV、IP、Session、跳出率、二跳率
- 维度：时间、地区、来源渠道、搜索来源、来源页面
- web_chat_ems
- web_chat_text_ems
- **线索分析主题、意向分析主题、报名分析主题**
- ==CRM系统==：**营销系统数据库**
- 需求：统计不同维度下意向用户个数、报名用户个数、有效线索个数
- 维度：时间、地区、来源渠道、线上线下、新老学员、校区、学科、销售部门
- customer_relationship：意向与报名信息表
- customer_clue：线索信息表
- customer：学员信息表
- itcast_school：校区信息表
- itcast_subject：学科信息表
- employee：员工信息表
- scrm_deparment：部门信息表
- itcast_clazz：报名班级信息表
- **考勤分析主题**
- 数据来源：**==学员管理系统==**
- 需求：统计不同维度下学员考勤指标：出勤人数、出勤率、迟到、请假、旷课
- tbh_student_signin_record：学员打卡信息表
- student_leave_apply：学员请假信息表
- tbh_class_time_table：班级作息时间表
- course_table_upload_detail：班级排课表
- class_studying_student_count：班级总人数表
04：数仓设计
- **目标**：**掌握业务分析主题中每个主题数仓的实现流程**
- **实施**
- **访问分析主题**
- ODS：web_chat_ems、web_chat_text_ems
- DWD：将两张表进行合并，并且实现ETL
- DWS：基于不同维度统计所有访问数据的用户个数、会话个数、Ip个数
- **咨询分析主题**
- ODS：web_chat_ems、web_chat_text_ems
- DWD：直接复用了访问分析的DWD
- DWS：基于不同维度统计所有咨询【msg_count > 0】数据的用户个数、会话个数、Ip个数
- **意向分析主题**
- ODS：customer_relationship、customer_clue
- DIM：customer、employee、scrm_department、itcast_shcool、itcast_subject
- DWD：对customer_relationship实现ETL
- DWM：实现所有表的关联，将所有维度和事实字段放在一张表中
- DWS：实现基于不同维度的聚合得到意向人数
- **报名分析主题**
- ODS：customer_relationship
- DIM：customer、employee、scrm_department、itcast_clazz
- DWD：对customer_relationship实现ETL并且过滤报名数据
- DWM：实现四张表的关联，将所有维度和事实字段放在一张表中
- DWS：基于小时维度对其他组合维度进行聚合得到指标
- APP：基于小时的结果累加得到天、月、年维度下的事实的结果
- **考勤管理主题**
- ODS：tbh_student_signin_record、student_leave_apply
- DIM：tbh_class_time_table、course_table_upload_detail、class_studying_student_count
- DWD：没有
- DWM
- 学员出勤状态表：基于学员打卡信息表
- 班级出勤状态表：基于学员出勤状态表
- 班级请假信息表：基于请假信息表得到的
- 班级旷课信息表：总人数 - 出勤人数 - 请假人数
- DWS：基于天构建天+班级维度下的出勤指标：24个
- APP：基于人次进行Sum累加重新计算月、年的出勤指标
- **小结**
- 掌握业务分析主题中每个主题数仓的实现流程
- 面试：分层怎么设计的？
- ODS：原始数据层：存储原始数据
- DWD：明细数据层：ETL以后的明细数据
- DWM：轻度汇总层：对主题的事务事实进行构建，关联所有事实表获取主题事实，构建一些基础指标
- DWS：汇总数据层： 构建整个主题域的事实和维度的宽表
- APP：拆分每个主题不同维度的子表
- DIM ：维度数据层：所有维度表
05：技术架构
- **目标**：**掌握整个项目的技术架构**
- **实施**
- 数据源：MySQL数据库
- 数据采集：Sqoop
- 数据存储：Hive：离线数据仓库
- 数据处理：HiveSQL【MapReduce】 =》 以后简历中要改为SparkSQL等工具来实现
- 数据结果：MySQL
- 数据报表：FineBI
- 协调服务：Zookeeper
- 可视化交互：Hue
- 任务流调度：Oozie
- 集群管理监控：Cloudera Manager
- 项目版本管理：Git
项目优化
- **Hive常用优化**
- 本地模式
hive.exec.mode.local.auto=true;
- JVM重用
mapreduce.job.jvm.numtasks=10
- 推测执行
mapreduce.map.speculative=true
mapreduce.reduce.speculative=true
hive.mapred.reduce.tasks.speculative.execution=true
- Fetch抓取
hive.fetch.task.conversion=more
- 并行执行
hive.exec.parallel=true
hive.exec.parallel.thread.number=16
- 压缩
hive.exec.compress.intermediate=true
hive.exec.orc.compression.strategy=COMPRESSION
mapreduce.map.output.compress=true mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec
- 矢量化查询
hive.vectorized.execution.enabled = true;
hive.vectorized.execution.reduce.enabled = true;
- 零拷贝
hive.exec.orc.zerocopy=true;
- 关联优化
hive.optimize.correlation=true;
- CBO优化器
hive.cbo.enable=true;
hive.compute.query.using.stats=true;
hive.stats.fetch.column.stats=true;
hive.stats.fetch.partition.stats=true;
- 小文件处理
hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
hive.merge.mapfiles=true;
hive.merge.mapredfiles=true;
hive.merge.size.per.task=256000000;
hive.merge.smallfiles.avgsize=16000000;
- 索引优化
hive.optimize.index.filter=true
- 谓词下推PPD
hive.optimize.ppd=true;
- Inner Join和Full outer Join，条件写在on后面，还是where后面，性能上面没有区别
- Left outer Join时 ，右侧的表写在on后面，左侧的表写在where后面，性能上有提高
- Right outer Join时，左侧的表写在on后面、右侧的表写在where后面，性能上有提高
- 如果SQL语句中出现不确定结果的函数，也无法实现下推
- Map Join
hive.auto.convert.join=true
hive.auto.convert.join.noconditionaltask.size=512000000
- Bucket Join
hive.optimize.bucketmapjoin = true;
hive.auto.convert.sortmerge.join=true;
hive.optimize.bucketmapjoin.sortedmerge = true;
hive.auto.convert.sortmerge.join.noconditionaltask=true;
- Task内存
mapreduce.map.java.opts=-Xmx6000m;
mapreduce.map.memory.mb=6096;
mapreduce.reduce.java.opts=-Xmx6000m;
mapreduce.reduce.memory.mb=6096;
- 缓冲区大小
```properties
mapreduce.task.io.sort.mb=100
```
- Spill阈值
mapreduce.map.sort.spill.percent=0.8
- Merge线程
mapreduce.task.io.sort.factor=10
- Reduce拉取并行度
mapreduce.reduce.shuffle.parallelcopies=8
mapreduce.reduce.shuffle.read.timeout=180000
- **SQL优化**
- 核心思想：先过滤后处理
- where和having使用
- join中on和where使用
- 将大表过滤成为小表再join
- **设计优化**
- 分区表：减少了MapReduce输入，避免不需要的过滤
- 分桶表：减少了比较次数，实现数据分类，大数据拆分，构建Map Join
- 文件存储：优先选用列式存储：parquet、orc
项目问题
- **目标**：掌握Hive的常见优化
- **实施**
- **内存问题**：现象程序运行失败
- OOM：out of memory
- 堆内存不足：给Task进程分配更多的内存
```
mapreduce.map.java.opts=-Xmx6000m;
mapreduce.map.memory.mb=6096;
mapreduce.reduce.java.opts=-Xmx6000m;
mapreduce.reduce.memory.mb=6096;
```
- 物理内存不足
- 允许NodeManager使用更多的内存
- 硬件资源可以扩充：扩充物理内存
- 调整代码：基于分区处理、避免Map Join
- 虚拟内存不足：调整虚拟内存的比例，默认为2.1
- **数据倾斜问题**：程序运行时间长，一直卡在99%或者100%
- **现象**
- 运行一个程序，这个程序的某一个Task一直在运行，其他的Task都运行结束了，进度卡在99%或者100%
- **基本原因**
- 基本原因：这个ReduceTask的负载要比其他Task的负载要高
- ReduceTask的数据分配不均衡
- **根本原因**：分区的规则
- 默认分区：根据K2的Hash值取余reduce的个数
- 优点：相同的K2会由同一个reduce处理
- 缺点：可能导致数据倾斜
- **数据倾斜的场景**
- group by / count(distinct)
- join
- **解决方案**
- group by / count(distinct)
- 开启Combiner
```
hive.map.aggr=true
```
- 随机分区
- 方式一：开启参数
```
hive.groupby.skewindata=true
```
- 开启这个参数以后，底层会自动走两个MapReduce
- 第一个MapReduce自动实现随机分区
- 第二个MapReduce做最终的聚合
- 方式二：手动指定
```
distribute by rand()：将数据写入随机的分区中
```
```
distribute by 1 ：将数据都写入一个分区
```
- join
- 方案一：尽量避免走Reduce Join
- Map Join：尽量将不需要参加Join的数据过滤，将大表转换为小表
- 构建分桶Bucket Map Join
- 方案二：skewjoin：避免数据倾斜的Reduce Join过程
```sql
--开启运行过程中skewjoin
set hive.optimize.skewjoin=true;
--如果这个key的出现的次数超过这个范围
set hive.skewjoin.key=100000;
--在编译时判断是否会产生数据倾斜
set hive.optimize.skewjoin.compiletime=true;
--不合并，提升性能
set hive.optimize.union.remove=true;
--如果Hive的底层走的是MapReduce，必须开启这个属性，才能实现不合并
set mapreduce.input.fileinputformat.input.dir.recursive=true;
```
- **小结**
- 掌握Hive中常见的内存溢出及数据倾斜问题
- 面试：数据倾斜怎么解决？
- 调大分区个数：重分区
- Join时候， 可以将小的数据实现广播
- 自定义分区规则:RDD五大特性：对于二元组类型的RDD，可以指定分区器
- reduceByKey(partitionClass = HashPartition)
