Hadoop项目案例－用户行为分析之应用概述（二）

1.概述

　　本节给大家分享的主题如下图所示：

2.内容

　　从本节开始，我们将进入到Hadoop项目的整体概述一节学习，本节课程为大家介绍的主要知识点有一下内容，如下图所示：

　　下面，我们首先来看看项目的整体流程，其流程如下图所示：

　　项目流程可以分为4个模块，他们分别是数据收集，集群存储，分析计算和结果处理。

　　下面我分别为大家讲解这4个模块的作用。我们知道，在做统计时，数据源是前提，有了数据源我们才能在此基础上做相应的计算和分析。收集数据一般都有专门的集群去负责收集这方面的工作。

　　在完成收集工作后，我们需要将这些文件集中起来，这里存储采用的是分布式文件系统（HDFS）。我们将收集的数据按一定的规则分类，并存储在指定的HDFS文件系统中。从收集到存储，数据源的准备阶段就算完成了。接着，我们可以对数据源进行相关指标的分析与计算，在Hadoop 2.x 版本后编程模型有了良好的拓展，除了支持MapReduce，还支持其以外的模型，如：Spark。另外，还有Hive，Pig，Tez 等相关技术，来辅助我们完成分析计算这块，所以在分析，计算这块技术选择很多，本课程选用MapReduce和Hive组合来完成相关工作，其它相关技术大家可以在课下对其做相应的补充学习。

　　完成分析计算后，我们会得到统计后的结果，这些结果是存放在HDFS文件系统上的，如何去处理这些结果，让这些结果变得可视化。这就涉及到最后一个模块－－结果处理。由于这些结果是存储在HDFS文件系统中的，为了及时响应外界请求，我们需要将HDFS的数据导出到关系型数据库（如：Mysql）或非关系型数据库（如：HBase）。在导入到关系型数据库时，我们需要借助一个Hadoop组件－－Sqoop，这是一款开源的工具，主要用于在Hadoop与传统的数据库（如：Mysql）间进行数据的传递，可将一个关系型数据库（如：Mysql）中的数据导入到 Hadoop的HDFS中，也可以将HDFS的数据导入到关系型数据库。在HDFS与HBase之间进行数据传递时，我们可以直接使用 HBase提供的导入与导出工具，这些工具包含在HBase的JAR包中。他们使用MapReduce进行导入导出操作，可以将数据由 HBase导出到HDFS，或者是将HDFS上的数据导出到HBase。最后，我们将数据库中的结果通过Thrift这样的RPC协议，对外提供数据接口。

　　在项目流程中，我讲过数据收集模块，下面为大家详细讲解这些数据源的获取方式。如下图所示：

　　数据源的产生包含：

　　1.Web日志（如Nginx，JBoss，WebLogic等一些Web容器记录产生的日志信息）

　　2.SystemLog（系统日志），这部分日志包含服务端应用记录的日志。

　　3.DB（存于数据库中的数据）

　　在实际业务中，我们一般采用Flume NG集群来收集分发日志，它是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统， Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力，如收集Web日志和SystemLog日志，我们可以分别在Web日志节点和SystemLog节点部署Flume的Agent即可，而DB（如：存在于Mysql数据库中的数据），我们可以使用ETL工程抽取清洗后，在由Agent代理发送到Flume，最后Flume将数据存储到HDFS文件系统上。

3.结束语

　　这就是本节的主要内容，主要就对Hadoop项目的整体流程进行概述，对后续学习Hadoop项目实战做一个准备工作。

　　如果本教程能帮助到您，希望您能点击进去观看一下，谢谢您的支持！

来源：哥不是小萝莉