大数据离线分析项目(Hadoop).doc

项目总体需求、具体设计 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。 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（MapReuce job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） 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 技术选型、特点、为什么 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。 Java sdk 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. Nginx web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。 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。（vi split.sh） 上传到HDFS。（vi put2hdfs.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 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： 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。 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。 社会实践报告 系 别： 班 级： 学 号： 姓 名： 作为祖国未来的事业的继承人，我们这些大学生应该及早树立自己的历史责任感，提高自己的社会适应能力。假期的社会实践就是很好的锻炼自己的机会。当下，挣钱早已不是打工的唯