【Hadoop】四、Hadoop生态综合案例 ——陌陌聊天数据分析

news2024/11/28 6:28:53

文章目录

    • 四、Hadoop生态综合案例 ——陌陌聊天数据分析
      • 1、陌陌聊天数据分析案例需求
        • 1.1、背景介绍
        • 1.2、目标需求
        • 1.3、数据内容
      • 2、基于Hive数仓实现需求开发
        • 2.1、建库建表、加载数据
        • 2.2、ETL数据清洗
        • 2.3、需求指标统计
      • 3、FineBI实现可视化报表
        • 3.1、FineBI的介绍及安装
        • 3.2、FineBI配置数据源及数据准备
        • 3.3、FineBI构建可视化报表

四、Hadoop生态综合案例 ——陌陌聊天数据分析

1、陌陌聊天数据分析案例需求

1.1、背景介绍

背景介绍

陌陌作为聊天平台每天都会有大量的用户在线，会出现大量的聊天数据，通过对 聊天数据的统计分析 ，可以更好的对用户构建 精准的用户画像 ，为用户提供更好的服务以及实现 高ROI的平台运营推广 ，给公司的发展决策提供精确的数据支撑。

在这里插入图片描述

1.2、目标需求

目标

基于Hadoop和Hive实现聊天数据统计分析，构建聊天数据分析报表

在这里插入图片描述

需求

  • 统计今日总消息量

  • 统计今日每小时消息量、发送和接收用户数

  • 统计今日各地区发送消息数据量

  • 统计今日发送消息和接收消息的用户数

  • 统计今日发送消息最多的To p 1 0用户

  • 统计今日接收消息最多的To p 1 0用户

  • 统计发送人的手机型号分布情况

  • 统计发送人的设备操作系统分布情况

1.3、数据内容

  • 数据大小：两个文件共14万条数据

  • 列分隔符：制表符 \t

  • 数据字典及样例数据

    在这里插入图片描述

2、基于Hive数仓实现需求开发

2.1、建库建表、加载数据

建库建表

--------------1、建库-------------------

--如果数据库已存在就删除
drop database if exists db_msg cascade;
--创建数据库
create database db_msg;
--切换数据库
use db_msg;

--------------2、建表-------------------
--如果表已存在就删除
drop table if exists db_msg.tb_msg_source;
--建表
create table db_msg.tb_msg_source(
  msg_time             string  comment "消息发送时间"
  , sender_name        string  comment "发送人昵称"
  , sender_account     string  comment "发送人账号"
  , sender_sex         string  comment "发送人性别"
  , sender_ip          string  comment "发送人ip地址"
  , sender_os          string  comment "发送人操作系统"
  , sender_phonetype   string  comment "发送人手机型号"
  , sender_network     string  comment "发送人网络类型"
  , sender_gps         string  comment "发送人的GPS定位"
  , receiver_name      string  comment "接收人昵称"
  , receiver_ip        string  comment "接收人IP"
  , receiver_account   string  comment "接收人账号"
  , receiver_os        string  comment "接收人操作系统"
  , receiver_phonetype string  comment "接收人手机型号"
  , receiver_network   string  comment "接收人网络类型"
  , receiver_gps       string  comment "接收人的GPS定位"
  , receiver_sex       string  comment "接收人性别"
  , msg_type           string  comment "消息类型"
  , distance           string  comment "双方距离"
  , message            string  comment "消息内容"
)
--指定分隔符为制表符
row format delimited fields terminated by '\t';

加载数据

  • HDFS上创建目录

     hdfs dfs -mkdir -p /momo/data

  • 上传到HDFS

    hdfs dfs -put /export/data/data1.tsv /momo/data/ 

hdfs dfs -put /export/data/data2.tsv /momo/data/

    在这里插入图片描述

  • 加载到Hive表中

    load data inpath '/momo/data/data1.tsv' into table db_msg.tb_msg_source;
load data inpath '/momo/data/data2.tsv' into table db_msg.tb_msg_source;

  • 验证结果

    --查询表 验证数据文件是否映射成功
select * from tb_msg_source limit 10;

--统计行数
select count(*) as cnt from tb_msg_source;

    在这里插入图片描述

2.2、ETL数据清洗

原始数据内容

  • 数据来源：聊天业务系统中导出的2021年11月01日一天24小时的用户聊天数据，以TSV文本形式存储在文件中

    在这里插入图片描述

  • 数据问题

    • 问题1：当前数据中，有一些数据的字段为空，不是合法数据

    • 问题2：需求中，需要统计每天、每个小时的消息量，但是数据中没有天和小时字段，只有整体时间字段，不好处理

    • 问题3：需求中，需要对经度和维度构建地区的可视化地图，但是数据中GPS经纬度为一个字段，不好处理

ETL需求

  • 需求1：对字段为空的不合法数据进行过滤 •

    Where过滤

  • 需求2：通过时间字段构建天和小时字段

    substr函数

  • 需求3：从GPS的经纬度中提取经度和维度

    Split函数

  • 需求4：将ETL以后的结果保存到一张新的Hive表中

ETL数据清洗

--------------4、ETL数据清洗-------------------
--问题1：当前数据中，有一些数据的字段为空，不是合法数据
select
   msg_time,
   sender_name,
   sender_gps
from db_msg.tb_msg_source
where length(sender_gps) = 0
limit 10;

--问题2：需求中，需要统计每天、每个小时的消息量，但是数据中没有天和小时字段，只有整体时间字段，不好处理
select
   msg_time
from db_msg.tb_msg_source
limit 10;

--问题3：需求中，需要对经度和维度构建地区的可视化地图，但是数据中GPS经纬度为一个字段，不好处理
select
   sender_gps
from db_msg.tb_msg_source
limit 10;

--ETL实现
--如果表已存在就删除
drop table if exists db_msg.tb_msg_etl;
--将Select语句的结果保存到新表中
create table db_msg.tb_msg_etl as
select
  *,
  substr(msg_time,0,10) as dayinfo, --获取天
  substr(msg_time,12,2) as hourinfo, --获取小时
  split(sender_gps,",")[0] as sender_lng, --提取经度
  split(sender_gps,",")[1] as sender_lat --提取纬度
from db_msg.tb_msg_source
--过滤字段为空的数据
where length(sender_gps) > 0 ;

--验证ETL结果
select
    msg_time,dayinfo,hourinfo,sender_gps,sender_lng,sender_lat
from db_msg.tb_msg_etl
limit 10;

2.3、需求指标统计

需求

  • 统计今日总消息量

  • 统计今日每小时消息量、发送和接收用户数

  • 统计今日各地区发送消息数据量

  • 统计今日发送消息和接收消息的用户数

  • 统计今日发送消息最多的To p 1 0用户

  • 统计今日接收消息最多的To p 1 0用户

  • 统计发送人的手机型号分布情况

  • 统计发送人的设备操作系统分布情况

思路

  1. 正确解读业务需求，避免歧义
  2. 确定待查询的数据表–>from 表
  3. 找出分析的维度–>group by 分组的字段
  4. 找出计算的指标–>聚合的字段
  5. 其他细节点（过滤、排序等）

需求指标统计

--------------5、需求指标统计分析-------------------
--需求：统计今日总消息量
create table if not exists tb_rs_total_msg_cnt
comment "今日消息总量"
as
select
  dayinfo,
  count(*) as total_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo;

select * from tb_rs_total_msg_cnt;--结果验证


--需求：统计今日每小时消息量、发送和接收用户数
create table if not exists tb_rs_hour_msg_cnt
comment "每小时消息量趋势"
as
select
  dayinfo,
  hourinfo,
  count(*) as total_msg_cnt,
  count(distinct sender_account) as sender_usr_cnt,
  count(distinct receiver_account) as receiver_usr_cnt
from db_msg.tb_msg_etl
group by dayinfo,hourinfo;

select * from tb_rs_hour_msg_cnt;--结果验证


--需求：统计今日各地区发送消息数据量
create table if not exists tb_rs_loc_cnt
comment "今日各地区发送消息总量"
as
select
  dayinfo,
  sender_gps,
  cast(sender_lng as double) as longitude,
  cast(sender_lat as double) as latitude,
  count(*) as total_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo,sender_gps,sender_lng,sender_lat;

select * from tb_rs_loc_cnt; --结果验证


--需求：统计今日发送消息和接收消息的用户数
create table if not exists tb_rs_usr_cnt
comment "今日发送消息人数、接受消息人数"
as
select
  dayinfo,
  count(distinct sender_account) as sender_usr_cnt,
  count(distinct receiver_account) as receiver_usr_cnt
from db_msg.tb_msg_etl
group by dayinfo;

select * from tb_rs_usr_cnt; --结果验证


--需求：统计今日发送消息最多的Top10用户
create table if not exists tb_rs_susr_top10
comment "发送消息条数最多的Top10用户"
as
select
  dayinfo,
  sender_name as username,
  count(*) as sender_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo,sender_name
order by sender_msg_cnt desc
limit 10;

select * from tb_rs_susr_top10; --结果验证


--需求：统计今日接收消息最多的Top10用户
create table if not exists tb_rs_rusr_top10
comment "接受消息条数最多的Top10用户"
as
select
  dayinfo,
  receiver_name as username,
  count(*) as receiver_msg_cnt
from db_msg.tb_msg_etl
group by dayinfo,receiver_name
order by receiver_msg_cnt desc
limit 10;

select * from tb_rs_rusr_top10;  --结果验证


--需求：统计发送人的手机型号分布情况
create table if not exists tb_rs_sender_phone
comment "发送人的手机型号分布"
as
select
  dayinfo,
  sender_phonetype,
  count(distinct sender_account) as cnt
from tb_msg_etl
group by dayinfo,sender_phonetype;

select * from tb_rs_sender_phone; --结果验证


--需求：统计发送人的设备操作系统分布情况
create table if not exists tb_rs_sender_os
comment "发送人的OS分布"
as
select
  dayinfo,
  sender_os,
  count(distinct sender_account) as cnt
from tb_msg_etl
group by dayinfo,sender_os;

select * from tb_rs_sender_os;  --结果验证

3、FineBI实现可视化报表

3.1、FineBI的介绍及安装

  • FineBI的介绍：https://www.finebi.com/

  • FineBI 是帆软软件有限公司推出的一款 商业智能 （Business I ntelligence）产品。FineBI 是定位于自助大数据分析的BI 工具，能够帮助企业的业务人员和数据分析师，开展以问题导向的探索式分析。

    在这里插入图片描述

FineBI的特点

  • 通过多人协作来实现最终的可视化构建

  • 不需要通过复杂代码来实现开发，通过可视化操作实现开发

  • 适合于各种数据可视化的应用场景

  • 支持各种常见的分析图表和各种数据源

  • 支持处理大数据

FineBI的安装

下载对应版本
在这里插入图片描述

Windows版本安装

在这里插入图片描述

第一次启动配置FineBI

在这里插入图片描述

3.2、FineBI配置数据源及数据准备

  • FineBI与Hive集成的官方文档：https://help.fanruan.com/finebi/doc-view-301.html
  • 驱动配置
    • 问题：如果使用FineBI连接Hive，读取Hive的数据表，需要在FineBI中添加Hive的驱动jar包
    • 解决：将Hive的驱动jar包放入FineBI的lib目录下

FineBI配置数据源及数据准备

  • step1：找到提供的【Hive连接驱动】

    在这里插入图片描述

  • step2：将这些文件放入FineBI的安装目录下的：webapps\webroot\WEB-INF\lib目录中

    在这里插入图片描述

插件安装

  • 问题：我们自己放的Hive驱动包会与FineBI自带的驱动包产生冲突，导致FineBI无法识别我们自己的驱动包

  • 解决：安装FineBI官方提供的驱动包隔离插件

构建连接

  • 新建连接

    在这里插入图片描述

  • 配置连接
    在这里插入图片描述

  • 测试连接

    在这里插入图片描述

  • 保存连接

    在这里插入图片描述

数据准备

  • 新建分组

    在这里插入图片描述

  • 添加业务包

    在这里插入图片描述

  • 添加表

    在这里插入图片描述

    在这里插入图片描述

  • 更新业务包

    在这里插入图片描述

3.3、FineBI构建可视化报表

报表预览（步骤太多，懒得截图，放最终效果图）

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/550929.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

CaDDN 论文学习

CaDDN 论文学习

1. 解决了什么问题？ 单目 3D 目标检测是自动驾驶的重要课题，与一般的多传感器系统相比，它具有简洁、成本低、易部署的优点。单目 3D 检测的主要挑战在于能否准确预测目标的深度。由于缺乏直接的测量手段，我们只能从目标和场景信息…
阅读更多...
JavaWeb15 - 线程数据共享和安全 -ThreadLocal

JavaWeb15 - 线程数据共享和安全 -ThreadLocal

1. 什么是 ThreadLocal ThreadLocal 的作用，可以实现在同一个线程数据共享, 从而解决多线程数据安全问题.ThreadLocal 可以给当前线程关联一个数据(普通变量、对象、数组)set 方法 [源码!]ThreadLocal 可以像 Map 一样存取数据，key 为当前线程, get 方法…
阅读更多...
无屏幕时树莓派连接wifi

无屏幕时树莓派连接wifi

这种方式需要使用到1根网线有线连接，需要提前准备~ 按照以下步骤操作：   找到wifi然后右键选择“属性”，进入配置页面：   勾选“允许其他网络用户通过此计算机的internet连接”，然后确定，它会提示你…
阅读更多...
论文阅读_语音合成_Spear-TTS

论文阅读_语音合成_Spear-TTS

论文信息 number headings: auto, first-level 2, max 4, _.1.1 name_en: Speak, Read and Prompt: High-Fidelity Text-to-Speech with Minimal Supervision name_ch: 说话、阅读和提示：少量监督实现高保真文本转语音 paper_addr: http://arxiv.org/abs/2302.0354…
阅读更多...
操作系统理解 什么事件可以造成进程的产生和消亡呢？当然有很多这样的事件。对于进程产生来说，主要的事件有：造成进程消亡的事件则可以分为四种情况：

操作系统理解 什么事件可以造成进程的产生和消亡呢？当然有很多这样的事件。对于进程产生来说，主要的事件有：造成进程消亡的事件则可以分为四种情况：

目录 什么事件可以造成进程的产生和消亡呢？当然有很多这样的事件。对于进程产生来说，主要的事件有： 造成进程消亡的事件则可以分为四种情况： 好好理解计算机是人造的，这句话的含义，特别是计算机这是西方人…
阅读更多...
【ChatGPT】人工智能发展的背后厉害：跌宕起伏的近百年

【ChatGPT】人工智能发展的背后厉害：跌宕起伏的近百年

文章目录 前言一、麦卡洛克-皮特斯神经元二、赫布式学习三、感知机四、反向传播算法五、卷积神经网络六、递归神经网络七、通用计算GPU芯片八.生成式神经网络与大型语言模型总结 前言 今天，ChatGPT等大型语言预训练神经网络模型已经成为广为人知的名字，…
阅读更多...
算法笔记：A2-A4-RSRQ切换算法

算法笔记：A2-A4-RSRQ切换算法

1 LTE 切换 LTE切换是移动通信网络中的一个过程，移动设备在保持无间断服务的情况下，将其连接从一个基站切换到另一个基站。当移动设备离开当前基站的覆盖范围或网络资源拥塞时，就需要进行切换。LTE切换通常是基于特定的条件触发的&#xff0…
阅读更多...
Ansys Lumerical | FDTD 应用：设计光栅耦合器

Ansys Lumerical | FDTD 应用：设计光栅耦合器

本文将设计一个光栅耦合器，将光子芯片表面上的单模光纤连接到集成波导。内置粒子群优化工具用于最大化耦合效率，并使用组件S参数在 INTERCONNECT 中创建紧凑模型。还演示了如何使用 CML 编译器提取这些参数以生成紧凑模型。（联系我们获取文章…
阅读更多...
第十章 Productions最佳实践 - 路由Production的设计模型

第十章 Productions最佳实践 - 路由Production的设计模型

文章目录 第十章 Productions最佳实践 - 路由Production的设计模型配置项应用规范 第十章 Productions最佳实践 - 路由Production的设计模型 本章介绍了客户成功用于构建接口路由解决方案的设计模型。因此，它可以被认为是开发路由制作的最佳实践的集合。 本章仅介…
阅读更多...
Go colly爬虫框架精简高效【杠杠的】入门到精通

Go colly爬虫框架精简高效【杠杠的】入门到精通

1 前言 1.1 Go Colly 爬虫介绍 爬虫框架中，各中流行的编程语言都有自己热门框架，python中的selenium、Scrapy、PySpider等，Java中的Nutch、Crawler4j、WebMagic、WebCollector等。golang中colly使用Go语言编写的功能强大的爬虫框架&#xf…
阅读更多...
cpp11实现线程池(七)——线程池cached模式设计实现

cpp11实现线程池(七)——线程池cached模式设计实现

用vector::size() 获取当前容器元素数量不是线程安全的，所以采用atomic_int 来实现当前容器元素数量的改变能够保证线程安全 线程池成员变量的修改 添加变量记录当前线程数量、空闲线程数量，以及线程数的上限： int threadSizeThreshHold_; …
阅读更多...
由浅入深Netty源码分析

由浅入深Netty源码分析

目录 1 启动剖析2 NioEventLoop 剖析3 accept 剖析4 read 剖析 1 启动剖析 我们就来看看 netty 中对下面的代码是怎样进行处理的 //1 netty 中使用 NioEventLoopGroup （简称 nio boss 线程）来封装线程和 selector Selector selector Selector.open();…
阅读更多...
Trie与可持久化Trie

Trie与可持久化Trie

Trie Trie，也称为字典树或前缀树，是一种用于高效存储和检索字符串的树形数据结构。它的主要特点是利用字符串的公共前缀来减少存储空间和提高查询效率。下面是对 Trie 的常见操作的介绍： 插入（Insertion）&#xff1a…
阅读更多...
PETRv2 论文学习

PETRv2 论文学习

1. 解决了什么问题？ 过去，一般使用基于单目视觉进行 3D 目标检测。现在进行 3D 任务的方法大致分两类。一类是基于 BEV，将多视角图像映射为 BEV 表征，然后使用 3D 目标检测方法。另一类是基于 DETR，如 DETR3D 和 PETR…
阅读更多...
xhs-xs webmsxywx分析

xhs-xs webmsxywx分析

近期又更新了，先是改了x-s生成，然后又加上了a1校验。 后面可能会全参校验，比如再加上gid、deviceId、profileData、x-s-common、smidV2之类。 估计以后不能写xhs了，大家且看且珍惜吧。之前相关的文章都被下架了 危！…
阅读更多...
K8s日志组件-Loki是如何存储数据的？

K8s日志组件-Loki是如何存储数据的？

文章目录 为什么需要loki为什么不是EFK？Loki是如何存储数据的？底层的LSM treeB tree 和LSM tree的区别？Ref参考链接 为什么需要loki 日志记录本质上是一个事件。大多数语言、应用程序框架或库都支持日志，表现形式可以是字符串这样…
阅读更多...
安卓动画壁纸实战：制作一个星空动态壁纸（带随机流星动画）

安卓动画壁纸实战：制作一个星空动态壁纸（带随机流星动画）

前言 在我之前的文章 羡慕大劳星空顶？不如跟我一起使用 Jetpack compose 绘制一个星空背景（带流星动画） 中，我们使用 Compose 实现了星空背景效果。 并且调用非常方便，只需要一行代码就可以给任意 Compose 组件添加上…
阅读更多...
30多家投递石沉大海，总算上岸了

30多家投递石沉大海，总算上岸了

大家好，我是帅地。 今年的行情，无论是暑假实习还是春招校招，都比往年要难一些，很多人在三月份要嘛简历石沉大海，要嘛面试一轮游，但也有部分人最后都拿到了不错的 Offer，包括我 训练营 里&#…
阅读更多...
企业级信息系统开发——初探Spring-采用Spring配置文件管理Bean

企业级信息系统开发——初探Spring-采用Spring配置文件管理Bean

初探Spring 一、Spring框架（一）Spring框架优点（二）Spring 框架因何而来（三）Spring框架核心概念 二、采用Spring配置文件管理Bean（一）创建Maven项目（二）添加Sp…
阅读更多...
在C++中，怎么把string转换成char*？

在C++中，怎么把string转换成char*？

2023年5月21日，周日中午： 今天在写项目的时候遇到了这个问题，也解决了，所以记录一下 通过string类的copy成员函数就可以解决这个问题 copy函数的函数原型： string& copy(char* s, size_t n, size_t pos 0); 其…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023