工业大数据项目介绍及环境构建
01：专栏目标
- 项目目标
- 项目1：在线教育
- 学习如何做项目，项目中大数据工程师要负责实现的内容和流程
- 学习数仓基础理论：建模、分层
- 项目2：工业大数据
- 企业中项目开发的落地：代码开发
- 代码开发：SQL【DSL + SQL】
- SparkCore
- SparkSQL
- 代码开发：SQL【DSL + SQL】
- 数仓的一些实际应用：分层体系、建模实现
- 企业中项目开发的落地：代码开发
- 项目1：在线教育
- 内容目标
- 项目业务介绍：背景、需求
- 项目技术架构：选型、架构
- 项目环境测试
02：项目背景
-
目标：了解项目应用背景
-
实施
-
工业
- 产业分类
- 第一产业：植业、林业、畜牧业、水产养殖业等直接以自然物为生产对象的产业
- 第二产业：工业、建筑业
- 第三产业：交通运输业、通讯产业、商业、餐饮业、金融业、教育产业
- 定义：属于第二产业，指的是采集原料，并把它们加工成产品的工作和过程
- 划分
- 开采业：对自然资源的开采，对采矿、晒盐、森林采伐等
- 加工业：粮油加工、食品加工、 轧花、缫丝、纺织、制革等
- 制造业：炼铁、炼钢、化工生产、 石油加工、机器制造、木材加工等，以及电力、自来水、煤气的生产和供应等
- 机修业：对工业品的修理、翻新，如机器设备的修理、 交通运输工具的修理等
- 产业分类
-
物理网：IOT（Internet Of Things）
- 定义：指的是互联网、传统电信网等信息承载体，让所有能行使独立功能的普通物体实现互联互通的网络
- 特点
- 物物相连
- 远程监控和设备控制
- 设备自动化，提升用户体验
- 设备故障分析处理
- 场景
- 智能设备：手机、平板、手表、眼镜、汽车
- 智能家居：门、空调、洗衣机、水壶、窗帘、灯具、马桶、牙刷
- 智能机器人：语音助手、家庭管家、工业机器手臂、快递机器人
- ……
-
工业物联网：IIOT（Industrial Internet of Things）
-
定义：指数以亿计的工业设备，在这些设备上装置传感器，连接到网络以收集和共享数据
-
发展
- IDC预测，到2024年全球物联网的联接量将接近650亿，是手机联接量的11.4倍
-
-
-
小结
-
了解项目应用背景
03：项目需求
-
目标：掌握项目业务需求
- 这个项目属于哪个行业？
- 为什么要做这个项目？
- 这个项目的目的是什么？
-
实施
-
项目行业：工业大数据
-
项目名称：加油站服务商数据运营管理平台
- 中石化，中石油，中海油、壳牌，道达尔……
-
整体需求
基于加油站的设备安装、维修、巡检、改造等数据进行统计分析 支撑加油站站点的设备维护需求以及售后服务的呼叫中心数据分析 提高服务商服务加油站的服务质量 保障零部件的仓储物流及供应链的需求 实现服务商的所有成本运营核算 -
具体需求
- 运营分析：呼叫中心服务单数、设备工单数、参与服务工程师个数、零部件消耗与供应指标等
- 设备分析：设备油量监控、设备运行状态监控、安装个数、巡检次数、维修次数、改造次数
- 呼叫中心：呼叫次数、工单总数、派单总数、完工总数、核单次数
- 员工分析：人员个数、接单次数、评价次数、出差次数
- 报销统计分析、仓库物料管理分析、用户分析
-
报表
-
-
小结
-
这个项目属于哪个行业？
- 工业化大数据平台
- 行业：加油站服务商运营数据分析平台
- 为什么要做这个项目？
- 基于所有设备的安装、维修、巡检、改造的工单数据，辅助公司的运营，提高服务质量，做合理的成本预算
- 这个项目具体需求是什么？
- 提高服务质量，做合理的成本预算
- 需求一：对所有工单进行统计分析
- 安装工单、维修工单、巡检工单、改造工单、回访分析
- 需求二：付费分析、报销分析
- 安装人工费用、安装维修材料费用、差旅交通费用
04：业务流程
-
目标：掌握加油站设备维护的主要业务流程
-
实施
- step1：加油站服务商联系呼叫中心，申请服务：安装/巡检/维修/改造加油机
- step2：呼叫中心联系对应服务站点，分派工单：联系站点主管，站点主管分配服务人员
- step3：服务人员确认工单和加油站点信息
- step4：服务人员在指定日期到达加油站，进行设备检修
- step5：如果为安装或者巡检服务，安装或者巡检成功，则服务完成
- step6：如果为维修或者改造服务，需要向服务站点申请物料，物料到达，实施结束，则服务完成
- step7：服务完成，与加油站站点服务商确认服务结束，完成订单核验
- step8：工程师报销过程中产生的费用
- step9：呼叫中心会定期对该工单中的工程师的服务做回访
-
小结
- 掌握加油站设备维护的主要业务流程
- 工单分析、费用分析、物料分析、回访分析
05：技术选型
-
目标：掌握加油站服务商数据运营平台的技术选型
-
实施
-
数据生成：业务数据库系统
- Oracle：工单数据、物料数据、服务商数据、报销数据等
-
数据采集
- Sqoop：离线数据库采集
-
数据存储
- Hive【HDFS】：离线数据仓库【表】
-
数据计算
- SparkCore：类MR开发方式【写代码调用方法函数来处理：面向对象 + 面向函数】
- 对非结构化数据进行代码处理
- 场景：ETL
- SparkSQL：类HiveSQL开发方式【面向表】
- 对数据仓库中的结构化数据做处理分析
- 场景：统计分析
- 开发方式
- DSL：使用函数【DSL函数 + RDD函数】
- SQL：使用SQL语句对表的进行处理
- 功能：离线计算 + 实时计算
- 注意：SparkSQL可以解决所有场景的分布式计算，离线计算的选型不仅仅是SparkSQL
- SparkSQL/Impala/Presto
- 使用方式
- Python/Jar：spark-submit
- ETL
- ThriftServer：SparkSQL用于接收SQL请求的服务端，类似于Hive的Hiveserver2
- PyHive :Python连接SparkSQL的服务端，提交SQL语句
- JDBC：Java连接SparkSQL的服务端，提交SQL语句
- spark-sql -f ：运行SQL文件，类似于hive -f
- beeline：交互式命令行，一般用于测试
- Python/Jar：spark-submit
- SparkCore：类MR开发方式【写代码调用方法函数来处理：面向对象 + 面向函数】
-
数据应用
- MySQL：结果存储
- Grafana：数据可视化工具
-
监控工具
- Prometheus：服务器性能指标监控工具
-
调度工具
- AirFlow：任务流调度工具
-
技术架构
-
-
小结
06：Docker的介绍
-
目标：了解Docker的基本功能和设计
- 为什么要用Docker？
- 什么是Docker？
-
路径
- step1：生产环境的问题
- step2：容器的概念
- step3：Docker的设计
-
实施
-
生产环境的问题
- 运维层面：一台机器上的应用太多，不同的环境，安装过程也不一样，管理麻烦，怎么办？
- 开发层面：不同程序的运行受到环境、资源等因素的干扰，不同的环境，开发的方式也不一样，怎么办？
-
容器的概念
- 硬件容器：将一个硬件虚拟为多个硬件，上层共用硬件
- VMware WorkStation
- 硬件容器：将一个硬件虚拟为多个硬件，上层共用硬件
-
应用容器：将一个操作系统虚拟为多个操作系统，不同操作系统之间互相隔离
-
-
Docker
-
Docker的设计
-
定义：Docker是一个开源的应用容器引擎，使用GO语言开发，基于Linux内核的cgroup，namespace，Union FS等技术，对应用程序进行封装隔离，并且独立于宿主机与其他进程，这种运行时封装的状态称为容器。
-
目标
- 提供简单的应用程序打包工具
-
开发人员和运维人员职责逻辑分离
-
-
多环境保持一致性,消除了环境差异
-
功能：“Build，Ship and Run Any App，Anywhere”
- 通过对应用组件的封装，分发，部署，运行等生命周期的管理，达到应用组件级别的一次封装，多次分发，到处部署
-
架构
-
组成
-
宿主机：安装Docker的那台实际的物理机器
-
docker client 【客户端】：用于连接服务端，提交命令给服务端
#拉取镜像 docker pull …… #启动容器 docker run …… #进入容器 docker exec …… #查看容器 docker ps …… -
docker daemon【服务端】：用于接收客户端请求，实现所有容器管理操作
-
docker image【镜像】：用于安装APP的软件库，简单点理解为软件的安装包
-
docker container 【容器】：用于独立运行、隔离每个APP的单元，相当于每个独立的Linux系统
-
-
-
小结
- 了解Docker的基本功能和设计
07：Docker的网络
-
目标：了解Docker的网络管理设计
- Docker的
-
路径
- step1：问题
- step2：模式
- step3：选型
-
实施
-
问题
- Docker的本质在一个操作上虚拟了多个操作系统出来，那每个操作之间如何进行网络通信呢？
-
模式
-
host模式：每个虚拟系统与主机共享网络，IP一致，用不同端口区分不同虚拟系统
-
container模式：第一个容器构建一个独立的虚拟网络，其他的容器与第一个容器共享网络
-
-
- **none模式**：允许自定义每个容器的网络配置及网卡信息，每个容器独立一个网络
- **bridge模式**：构建虚拟网络桥，所有容器都可以基于网络桥来构建自己的网络配置
-
选型
- 本次项目中使用bridge模式，类似于VM中的Net模式使用
-
管理
-
了解即可，不用操作
-
创建
docker network create --subnet=172.33.0.0/24 docker-bd0 -
查看模式
docker network ls -
删除
docker network rm ……
-
-
小结
- 了解Docker的网络管理设计
08：Docker的使用
-
目标：了解docker的基本使用
-
路径
- step1：docker管理
- step2：image管理
- step3：container管理
-
实施
-
docker管理
-
默认开机自启
-
了解即可，不用操作
-
启动服务
systemctl start docker -
查看状态
systemctl status docker -
关闭服务
systemctl stop docker
-
-
image管理
-
了解即可，不用操作
-
添加镜像
docker pull registry.cn-hangzhou.aliyuncs.com/helowin/oracle_11g -
列举镜像
docker images -
移除镜像
docker rmi ……
-
-
container管理
-
熟悉常用操作
-
创建并启动container：不用做
docker run --net docker-bd0 --ip 172.33.0.100 -d -p 1521:1521 --name oracle 3fa112fd3642- run = create + start
-
列举container
#列举所有的 docker ps -a #列举正在运行的 docker ps -
进入container
docker exec -it Name bash -
退出container
exit -
删除container
docker rm ……
-
-
-
小结
- 了解docker的基本使用
09：Oracle的介绍
-
目标：了解Oracle工具的基本功能和应用场景
-
路径
- step1：数据库分类
- step2：Oracle的介绍
-
实施
-
数据库分类
- RDBMS：关系型数据库管理系统
- 工具：MySQL、Oracle、SQL Server……
- 应用：业务性数据存储系统：事务和稳定性
- 特点：体现数据之间的关系，支持事务，保证业务完整性和稳定性，小数据量的性能也比较好
- 开发：SQL
- NoSQL：Not Only SQL：非关系型数据库
- 工具：Redis、HBASE、MongoDB……
- 分类：KV、文档、时序、图……
- 应用：一般用于高并发高性能场景下的数据缓存或者数据库存储
- 特点：读写速度特别快，并发量非常高，相对而言不如RDBMS稳定，对事务性的支持不太友好
- 开发：每种NoSQL都有自己的命令语法
- RDBMS：关系型数据库管理系统
-
Oracle的介绍
-
概念：甲骨文公司的一款关系数据库管理系统
- Oracle在古希腊神话中被称为“神谕”，指的是上帝的宠儿
- 在中国的商周时期，把一些刻在龟壳上的文字也称为上天的指示，所以在中国Oracle又翻译为甲骨文
- Oracle是现在全世界最大的数据库提供商，编程语言提供商，应用软件提供商，它的地位等价于微软的地位
-
分类：RDBMS，属于大型RDBMS数据库
- 大型数据库：IBM DB2、Oracle、Sybase
- 中型数据库：SQL Server、MySQL、Informix、PostgreSQL
- 小型数据库：Access、Visual FoxPro、SQLite
-
功能：实现大规模关系型数据存储
-
特点
- 功能全面：数据字典、动态性能视图、TRACE跟踪、AWR、ASH、SQL Monitor等
- 性能优越：支持SQL大量的表连接、子查询、集合运算，长度可达上千行
- 数据量大：相比较于其他的数据库，Oracle支持千万级别以上的数据高性能存储
- 高可靠性：基于Oracle自带的RAC架构下，可靠性和稳定性相对比较高
-
综合排名
-
应用
- 中国各大银行、电信、政府单位等机构所有系统
-
趋势
- 去IOE【IBM服务器、Oracle数据库、EMC存储】
-
-
-
小结
- 了解Oracle工具的基本功能和应用场景
10：集群软件规划
-
目标：了解项目的集群软件规划
-
实施
172.33.0.100 oracle.bigdata.cn 172.33.0.110 sqoop.bigdata.cn 172.33.0.121 hadoop.bigdata.cn 172.33.0.131 hive.bigdata.cn 172.33.0.133 spark.bigdata.cn -
小结
- 了解项目的集群软件规划
11：项目环境导入
-
目标：实现项目虚拟机的导入
-
实施
-
step1：导入：找到OneMake虚拟机中以.vmx结尾的文件，使用VMware打开
-
step2：启动：启动导入的虚拟机，选择我已移动该虚拟机
-
-
step3：登陆：登陆到虚拟机内部，或者使用远程工具连接
- 默认IP：192.168.88.100
- 主机名：node1
- 用户名：root
- 密码：123456
-
小结
- 实现项目虚拟机的导入
12：项目环境配置
-
目标：根据需求实现项目环境配置
-
实施
-
注意：所有软件Docker、Hadoop、Hive、Spark、Sqoop都已经装好，不需要额外安装配置，启动即可
-
配置网络：如果你的VM Nat网络不是88网段，请按照以下修改
-
修改Linux虚拟机的ens33网卡，网卡和网关，修改为自己的网段
vim /etc/sysconfig/network-scripts/ifcfg-ens33
-
重启网卡
systemctl restart network -
查看是否修改成功
ifconfig
-
-
配置映射
-
修改Linux映射,修改为自己的网段
vim /etc/hosts -
配置Windows上的映射，方便使用主机名访问【把以前的有冲突的注释掉】
192.168.88.100 oracle.bigdata.cn
192.168.88.100 hadoop.bigdata.cn
192.168.88.100 hive.bigdata.cn
192.168.88.100 mysql.bigdata.cn
192.168.88.100 node1 -
-
-
小结
- 根据需求实现项目环境配置
13：项目环境测试：Oracle
-
目标：实现项目Oracle环境的测试
-
实施
-
启动
docker start oracle -
进入
docker exec -it oracle bash -
连接
#进入客户端命令行：/nolog表示只打开，不登录，不用输入用户名和密码 sqlplus /nolog #登陆连接服务端：/ as sysdba表示使用系统用户登录 conn / as sysdba -
测试
select TABLE_NAME from all_tables where TABLE_NAME LIKE ‘CISS_%’;
- 退出exit
- 远程连接：DG - step1：安装DG - step2：创建连接 - SID：helowin - 用户名：ciss - 密码：123456  -
-
step3：配置驱动包
-
step4：配置JDK
-
step5：测试
-
关闭
docker stop oracle -
小结
- 实现项目Oracle环境的测试
14：项目环境测试：MySQL
-
目标：实现项目MySQL环境的测试
-
实施
-
大数据平台中自己管理的MySQL：两台机器
- 存储软件元数据：Hive、Sqoop、Airflow、Oozie、Hue
- 存储统计分析结果
-
注意：MySQL没有使用Docker容器部署，直接部署在当前node1宿主机器上
-
启动/关闭：默认开启自启动
-
连接：使用命令行客户端、Navicat、DG都可以
- 用户名：root
- 密码：123456
-
查看
-
-
小结
- 实现项目MySQL环境的测试
15：项目环境测试：Hadoop
-
目标：实现项目Hadoop环境的测试
-
实施
-
启动
docker start hadoop -
进入
docker exec -it hadoop bash -
查看进程
jps -
启动进程
start-dfs.sh start-yarn.sh mr-jobhistory-daemon.sh start historyserver -
访问页面
-
node1:50070
-
node1:8088
-
node1:19888
-
-
退出
exit -
关闭
docker stop hadoop
-
-
小结
- 实现项目Hadoop环境的测试
16：项目环境测试：Hive
-
目标：实现项目Hive环境的测试
-
实施
-
启动Hive容器
docker start hive -
进入Hive容器
docker exec -it hive bash source /etc/profile -
连接
beeline !connect jdbc:hive2://hive.bigdata.cn:10000 账号为root，密码为123456 -
SQL测试
select count(1);- Shuffle【分区、排序、分组】三种场景
- 重分区：repartition：分区个数由小变大
- 调用分区器对所有数据进行重新分区
- rdd1
- part0：1 2 3
- part1： 4 5 6
- rdd2：调用分区器【只有shuffle阶段才能调用分区器】
- part0：0 6
- part1：1 4
- part2：2 5
- 全局排序：sortBy
- part0：1 2 5
- part1： 4 3 6
- 方案：将所有数据放入磁盘
- 实现：对数据做了范围分区：将所有数据做了采样：4
- part0：6 5 4
- part1：3 2 1
- 全局分组：groupBy，reduceByKey
-
关闭Hive容器
docker stop hive
-
-
小结
- 实现项目Hive环境的测试
17：项目环境测试：Spark
-
目标：实现项目Spark环境的测试
-
实施
-
启动Spark容器
docker start spark -
进入Spark容器
docker exec -it spark bash source /etc/profile -
启动Thrift Server【默认已经启动】
start-thriftserver.sh \ --name sparksql-thrift-server \ --master yarn \ --deploy-mode client \ --driver-memory 1g \ --hiveconf hive.server2.thrift.http.port=10001 \ --num-executors 3 \ --executor-memory 1g \ --conf spark.sql.shuffle.partitions=2
-
测试
beeline -u jdbc:hive2://spark.bigdata.cn:10001 -n root -p 123456 select count(1); -
关闭Spark容器
docker stop spark
-
-
小结
- 实现项目Spark环境的测试
18：项目环境测试：Sqoop
-
目标：实现项目Sqoop环境的测试
-
实施
-
启动Sqoop容器
docker start sqoop -
进入Sqoop容器
docker exec -it sqoop bash source /etc/profile -
测试
sqoop list-databases \ --connect jdbc:oracle:thin:@oracle.bigdata.cn:1521:helowin \ --username ciss \ --password 123456 -
关闭Sqoop容器
docker stop sqoop
-
-
小结
- 实现项目Sqoop环境的测试
要求
-
Python面向对象
- 类和对象
- 方法
-
Hive中建表语法
create [external] table tbname( 字段 类型 comment, ) comment partitioned by clustered by col into N buckets row format stored as textfile location -
提前预习：EntranceApp.py
转载：https://blog.csdn.net/xianyu120/article/details/128081267