大数据离线分析项目hoop精编WORD版

1、一、 项目总体需求、具体设计1、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1P会话时 长等)，对网站的良好运营提供有价值的指标。2、具体设计2.1 捕获(JsSDK)用户行为数据(launch事件、pagcVicw事件、event事件、 chargcrcquct 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 (MapRcucc job 任

2、务)2.5 将过滤后的日志文件导入到数据犀中(HBasc)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 )二、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spriiigmvc + highcharts三、技术选型、特点、为什么1. JsSDK捕获前端页面数据。Javascript编写页面日志生成与发送工具（原

3、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。2. 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. Nginxwcb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

4、统资源消耗小很多。3.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。（Visplii.sh）上传到 HDFS。 （vi put2hdfs.sh）Hume上传（数据量一般比较大的场景，需要实时处理。）5. HBasc数据库数据解析以后，我们把它存入HBasc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HBasc中，单表数据量相 对比较大6. MySql最终结果存储Mysql是关系型数据电 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

5、便运营页面查询数据7. SpringMVC+Highcharts 进行报表显示4、 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Cv：独立访客数1天内访问某站点的人数（以“Okie为依据）1天内同一访客的多次访问只计为1个访客S-timc ：会话时长详细需求：5、 项目中遇到了哪些问题，怎么解决1、日志梏式有点混乱，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Hbasc表的链接字段搞错，以至于 HBasc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HBasc表的列 名一样。六、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下更为清晰的认识，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Hadcop以及诸多协作