【Hadoop】--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[17]

avatar
作者
筋斗云
阅读量:2

目录

一、需求分析

1、背景介绍

2、目标

3、需求

4、数据内容

5、建库建表

二、ETL数据清洗

1、数据问题

2、需求

3、实现

4、扩展概念:ETL

三、指标计算

1、指标1:统计今日消息总量

2、指标2:统计每小时消息量、发送量和接收用户数

3、指标3:统计今日各地区发送消息总量

4、指标4:统计今日发送和接收用户人数

5、指标5:统计发送消息条数最多的top10用户

6、指标6:统计接收消息条数最多的top10用户

7、指标7:统计发送人的手机型号分布情况

8、指标8:统计发送人的设备操作系统分布情况

四、可视化展示

1、BI概述

2、可视化展示

2.1、step1:创建报表

2.2、step2:选择仪表板样式

2.3、step3:添加标题

2.4、step4:编辑标题文本框(注意字体大小、居中、文本框位置可调整)

2.5、step5:添加文本内容

2.6、step6:添加地图

2.7、step7:添加雷达图

2.8、step8:添加柱状图

2.9、step9:添加环饼状图

2.10、step10:添加词汇云图

2.11、step11:添加趋势曲线图

2.12、step12:报表预览


一、需求分析

1、背景介绍

         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。 我们将基于一个社交平台App的用户数据,完成相关指标的统计分析并结合BI工具对指标进行可视化展现。

2、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。

3、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Top10用户
  • 统计今日接收消息最多的Top10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

4、数据内容

  • 数据大小:30万条数据
  • 列分隔符:Hive默认分隔符’\001’
  • 数据字典及样例数据

5、建库建表

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" ); 

将数据文件上传到/home/hadoop目录下,随后上传到HDFS中,加载数据到表中。

二、ETL数据清洗

1、数据问题

问题一:当前数据中,有一些数据的字段为空,不是合法数据。

问题二: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。分离出年月日、小时字段

问题三: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。需要把经纬度分离出来。

2、需求

  • 需求1:对字段为空的不合法数据进行过滤
    • where过滤        where length(sender_gps) > 0
  • 需求2:通过时间字段构建天和小时字段
    • date hour函数        date(msg_time)    hour(msg_time)
  • 需求3:从gps的经纬度中提取经度和纬度
    • split函数        split(sender_gps, ',')[0]         split(sender_gps, ',')[1] 
  • 需求4:将ETL以后的结果保存到一张新的Hive表中

3、实现

将数据添加到新的列。

SELECT *, 	date(msg_time) as msg_day,  	HOUR (msg_time) as msg_hour, 	split(sender_gps,',')[0] as sender_lng, 	split(sender_gps,',')[1] as sender_lat from tb_msg_soure  where LENGTH (sender_gps) > 0;

先创建一个新的表用于存储清洗过的数据

create table db_msg.tb_msg_et1( 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", msg_day string comment "消息日", msg_hour string comment "消息小时", sender_lng double comment "经度", sender_lat double comment "纬度" );

将清洗的数据导入新建的表

INSERT overwrite table tb_msg_et1  SELECT *, 	date(msg_time) as msg_day,  	HOUR (msg_time) as msg_hour, 	split(sender_gps,',')[0] as sender_lng, 	split(sender_gps,',')[1] as sender_lat from tb_msg_soure  where LENGTH (sender_gps) > 0;

在导入数据时,多次报错我的yarn资源不足,导致每次都导入不成功,这里我修改了/export/server/hadoop/etc/hadoop目录下的yarn配置文件yarn-site.xml,添加以下代码:

<property>    <name>yarn.scheduler.minimum-allocation-mb</name>    <value>2048</value>    <description>default value is 1024</description> </property> 

数据导入成功

4、扩展概念:ETL

其实我们刚刚完成了从表tb_msg_source查询数据进行数据过滤和转换,并将结果写入到:tb_msg_etl表中的操作,本质上是一种简单的ETL行为。

ETL:

  • E,Extract,抽取
  • T,Transfrom,转换
  • L,Load,加载

从A抽取数据(E),进行数据转换过滤(T),将结果加载(L)到B,就是ETL啦。

三、指标计算

回顾一下我们的需求

  • 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Top10用户
  • 统计今日接收消息最多的Top10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、指标1:统计今日消息总量

--需求1:统计今日消息总量 CREATE table db_msg.tb_rs_total_msg_cnt comment '每日消息总量' as SELECT msg_day,COUNT(*) as total_msg_cnt from db_msg.tb_msg_et1 group by msg_day ;

2、指标2:统计每小时消息量、发送量和接收用户数

---需求2:统计每小时消息量、发送量和接收用户数 CREATE table db_msg.tb_rs_hour_msg_cnt comment '每日消息总量' as SELECT  	msg_hour , 	COUNT(*) as total_msg_cnt, 	count(distinct sender_account) as sender_user_cnt, 	count(distinct receiver_account) as receiver_user_cnt from db_msg.tb_msg_et1 group by msg_hour ;

3、指标3:统计今日各地区发送消息总量

--需求3:统计今日各地区发送消息总量 create table db_msg.tb_rs_loc_cnt comment '每日各地区发消息总量' as SELECT  	msg_day ,sender_lng ,sender_lat ,COUNT(*) as total_msg_cnt  from db_msg.tb_msg_et1  group by msg_day ,sender_lng, sender_lat

4、指标4:统计今日发送和接收用户人数

--指标4:统计今日发送和接收用户人数 create table db_msg.tb_rs_user_cnt comment '今日发送和接收消息的人数' as SELECT  	msg_day , 	count(DISTINCT  sender_account) as sender_user_cnt, 	COUNT(distinct receiver_account) as receiver_user_cnt  from db_msg.tb_msg_et1  group by msg_day;

5、指标5:统计发送消息条数最多的top10用户

--指标5:统计发送消息条数最多的top10用户 create table db_msg.tb_rs_user_top10 comment '发送消息最多的10个用户' as SELECT  	sender_name , 	COUNT(*) as sender_msg_cnt  FROM db_msg.tb_msg_et1  group by sender_name  order by sender_msg_cnt DESC  limit 10;

6、指标6:统计接收消息条数最多的top10用户

--指标6:统计接收消息条数最多的top10用户 create table db_msg.tb_rs_r_user_top10 comment '接收消息最多的10个用户' as SELECT  	receiver_name  , 	COUNT(*) as receiver_msg_cnt  FROM db_msg.tb_msg_et1  group by receiver_name  order by receiver_msg_cnt DESC  limit 10;

7、指标7:统计发送人的手机型号分布情况

--指标7:统计发送人的手机型号分布情况 CREATE table db_msg.tb_rs_sender_phone comment '发送人的手机型号' as SELECT  	sender_phonetype , 	count(*) as cnt from db_msg.tb_msg_et1  group by sender_phonetype

8、指标8:统计发送人的设备操作系统分布情况

CREATE table db_msg.tb_rs_sender_os comment '发送人的os分布' as SELECT   	sender_os , 	count(*) as cnt from db_msg.tb_msg_et1  group by sender_os 

四、可视化展示

1、BI概述

BI:Business Intelligence,商业智能。

指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行分析以实现商业价值。

简单来说,就是借助BI工具,可以完成复杂的数据分析、数据统计等需求,为公司决策带来巨大的价值。

所以,一般提到BI,我们指代的就是工具软件。常见的BI软件很多,比如:

  • FineBI
  • SuperSet
  • PowerBI
  • TableAu

详细的finebi的介绍与安装可跳转到【Hadoop】-FineBI的介绍及安装[16]  阅读。

2、可视化展示

2.1、step1:创建报表

2.2、step2:选择仪表板样式

2.3、step3:添加标题

2.4、step4:编辑标题文本框(注意字体大小、居中、文本框位置可调整)

2.5、step5:添加文本内容

同理添加总发送消息人数和总接收消息人数

2.6、step6:添加地图

2.7、step7:添加雷达图

2.8、step8:添加柱状图

2.9、step9:添加环饼状图

2.10、step10:添加词汇云图

2.11、step11:添加趋势曲线图

2.12、step12:报表预览

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!