加入收藏 | 设为首页 | 会员中心 | 我要投稿 李大同 (https://www.lidatong.com.cn/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 大数据 > 正文

记一次22亿大数据分析处理踩坑实践

发布时间:2020-12-14 03:14:42 所属栏目:大数据 来源:网络整理
导读:前言 :用最简单最少的语言,分享我的坑,理不理解需求不重要,问题都在shell代码中,看shell极度枯燥,希望能有帮助! 一. 起因 需求,分析hive表中两年内用户XX的所有数据,按照每天早,中,晚三个时间段统计,按照两年内的节假日统计,按照月份的上旬,中

前言:用最简单最少的语言,分享我的坑,理不理解需求不重要,问题都在shell代码中,看shell极度枯燥,希望能有帮助!

一. 起因

需求,分析hive表中两年内用户XX的所有数据,按照每天早,中,晚三个时间段统计,按照两年内的节假日统计,按照月份的上旬,中旬,下旬统计,按照周末,工作日统计等等。
假设现数据形式,手机号代表每一个用户,用户不同时间发送的短信数量作为统计目的!
最后,按照类似mobile,am_count,noon_count,pm_count,springday_count,nationalday_count,weekend_count,weekday_count形式统计为一张表!
说的太抽象,但是,你可以了解的有:

二. 解决方案

方案一

按照需求,将每一个字段对应一条sql的方式求出mobile,count的值,然后将这些字段统计起来(利用mysql的唯一键unique indexduplicate on update方式)。

具体步骤:

  1. hive脚本导出每一列数据
#!/usr/bin/env bash
echo '-----------开始从hive查数----------------'
HIVE_SETTING=" SET mapred.child.java.opts=-Xmx8192m; SET mapreduce.reduce.memory.mb=8192; SET mapreduce.reduce.java.opts='-Xmx8192M'; SET mapreduce.map.memory.mb=8192; SET mapreduce.map.java.opts='-Xmx8192M'; SET mapred.child.map.java.opts='-Xmx8192M'; SET mapred.job.priority=HIGH; SET mapred.map.tasks.speculative.execution=false; SET mapred.reduce.tasks.speculative.execution=false; set hive.exec.dynamic.partition.mode=nonstrict; set hive.exec.dynamic.partition=true; SET hive.exec.max.dynamic.partitions=100000; SET hive.exec.max.dynamic.partitions.pernode=100000; USE xxxdb; set mapred.job.queue.name=wirelessdev; set hive.exec.compress.output=true; set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; set hive.exec.parallel=true; set mapred.job.name = ${0}_xxx; "

#工作日数据查询
HIVE_SQL=" select mobile,count(mobile) from rdb_sms_outbox_financial where delivrd='DELIVRD' and pmod(datediff(optime,'2012-01-01'),7) in (1,2,3,4,5) group by mobile; "
#1. 将hive执行结果赋值给变量
DATA=$(hive -e " ${HIVE_SETTING} ${HIVE_SQL}; ")

#2. 将hive结果输出到文件中
hive -e " ${HIVE_SETTING} ${HIVE_SQL}; " >/home/q/hive_data.txt
echo '-----------结束从hive查数----------------'

查询出来数据22亿,约占45G磁盘空间.

  1. mysql脚本导入数据
#!/usr/bin/env bash
echo "进程Pid: $$"
#将文本文件里面(mobile,count)字段插入到mysql中
insertIntoMysql(){
    #获取参数
    path=${1}
    col=${2}
    TIMESTAMP=$(date +%Y%m%d%H%M%S)
    echo "path:${path},column:${col},time:${TIMESTAMP}"
    #遍历文件每一行
    cat ${path} | while read line
    do
        #获取每一行中的每一列
        mobile=$(echo -e "${line}" | cut -f 1)
        count=$(echo -e "${line}" | cut -f 2)
        #写入myusql
        cmd="INSERT INTO sms.sms_financial(mobile,${col}) VALUES ('${mobile}',${count}) ON DUPLICATE KEY UPDATE ${col}=${count};"
        eval $(mysql -uroot -pxxx --default-character-set=utf8 -e "${cmd}")
        echo "mobile:${mobile},count:${count}"
    done

    TIMESTAMP=$(date +%Y%m%d%H%M%S)
    echo "end time:${TIMESTAMP}"
}

#保存每个字段(mobile,count)的文件目录
path="/home/q/part1"
eval cd ${path}

line=$(find ${path} -type f)
for s in ${line[@]}
do
    #截取文件名,即mysql table中对应的列名!
    col=$(echo ${s} |cut -d "/" -f5)
    insertIntoMysql ${s} ${col}
done
exit;

到此,似乎是完了,多开几个脚本一起往mysql中导数就行了. 但是,这只是开始!

问题

  1. 为什么不用mysql的批量导入?

  2. 一行一行的插入22亿数据,要插入多久?

答: 批量导入的原子操作整行数据,无法做到聚合列! 22亿数据多个脚本,24小时插入量在2000W左右!

改进1: ok单表插入太慢,我分表插入会快一些吧! 改进脚本!

#!/usr/bin/env bash 
#多表插入,根据mobile确定表名
# (sms_financial,sms_financial11,sms_financial0,...,sms_financial9)
getTableName(){
    mobile=${1}
    table="sms_financial"
    if [ ${mobile} -a -n ${mobile} ]
    then
        prefix=$(echo "${mobile:0:5}")
        #861开头的手机号太多,所以又分十张表
        if [ ${prefix:0:3} == "861" ]; then
            model=`expr ${prefix} % 10`
            table=${table}"${model}"
        fi

        #11位手机号的分一张sms_financial11
        if [ ${#mobile} == 11 -a ${mobile:0:1} == "1" ]; then
            table=${table}"11"
        fi
        echo "${table}"
    else
        #国际,其他的分一张sms_financial
        echo "${table}"
    fi
}

#将文本文件里面(mobile,count)字段插入到mysql中
insertIntoMysql(){
    path=${1}
    col=${2}
    echo "path:${path},column:${col}"
    cat ${path} | while read line
    do
        mobile=$(echo -e "${line}" | cut -f 1)
        count=$(echo -e "${line}" | cut -f 2)
        table=`getTableName ${mobile}`
        cmd="INSERT INTO sms.${table}(mobile,${count}) ON DUPLICATE KEY UPDATE ${col}=${count};"
        eval $(mysql -h127.0.0.1 -P3306 -uroot -p'xxx' --default-character-set=utf8 -e "${cmd}")
        echo "table:${table},mobile:${mobile},count:${count}"
    done
}

path="/home/q/data_hive/hive1"
eval cd ${path}
line=$(find ${path} -type f)
for s in ${line[@]}
do
    col=$(echo ${s} |cut -d "/" -f6)
    insertIntoMysql ${s} ${col}
done
exit;

问题

  1. 的确横向分表后插入数据的确快很多,但是会出现数据集中同时插入同一张表的情况,依旧不能容忍!

改进2: ok一条一条的插入不可以,我批量插入!

但是,上面横向分表逻辑不能使用了!因为每一个手机号对应的表不一样,sql语句拼接很困难!既然,横切表不行,为了简单,我选择纵切表(将表的列切开mobile,count1,mobile,count2的形式).

#!/usr/bin/env bash 
echo "进程Pid: $$"
#将文本文件里面(mobile,count)字段插入到mysql中
insertIntoMysql(){
   path=${1}
   col=${2}
   TIMESTAMP=$(date +%Y%m%d%H%M%S)
   echo "path:${path},time:${TIMESTAMP}"
   str1="INSERT INTO sms.sms_financial99(mobile,${col}) VALUES "
   str2=" ON DUPLICATE KEY UPDATE ${col}=VALUES(${col});"
   n=0
   cat ${path} | while read line
   do
       mobile=$(echo -e "${line}" | cut -f 1)
       count=$(echo -e "${line}" | cut -f 2)
       let n++
       if [ `expr ${n} % 5000` == 0 ];
       then
           cmd=${cmd}"('${mobile}',${count})"
           cmd=${str1}${cmd}${str2}
           #echo ${cmd}
           eval $(mysql -h127.0.0.1 -P3306 -uroot -p'xxx' --default-character-set=utf8 -e "${cmd}")
           cmd=" "
       else
           cmd=${cmd}"('${mobile}',${count}),"
       fi
       #echo "mobile:${mobile},count:${count}"
   done
   TIMESTAMP=$(date +%Y%m%d%H%M%S)
   echo "end ${col} time:${TIMESTAMP}"
}
path="/home/q/data_hive/hive2"
eval cd ${path}

line=$(find ${path} -type f)
for s in ${line[@]}
do
   col=$(echo ${s} |cut -d "/" -f6)
   insertIntoMysql ${s} ${col}
done
exit;

其中,一次批量插入5000条,考虑到shell中会限制参数的长度(报错: /usr/bin/mysql: Argument list too long)!
还有mysql提交sql长度默认为4M,我们可以通过show VARIABLES like '%max_allowed_packet%'; set global max_allowed_packet=33554432;查看和修改!


方案二

上面纵切,批量插入虽然基本满足需求,但是会存在两个问题,1. 如果mysql开启了bin-log很可能会导致磁盘报警! 2. 批量插入可能会出现死锁(期间出现过一次,调整批插文件顺序(减少在同一列上操作的机会))!
其实,整个问题一个hive-sql可以搞定将多列进行聚合:

#!/usr/bin/env bash
echo '-----------开始从hive查数----------------'
TIMESTAMP=$(date +%Y%m%d%H%M%S)
echo "PID: $$,start time:${TIMESTAMP}"
HIVE_SETTING=" xxx "
HIVE_SQL=" select a.mobile,if(b1.midnight_msg_no_receive_count>0,b1.midnight_msg_no_receive_count,0) as midnight_msg_no_receive_count,if(b2.am_msg_no_receive_count>0,b2.am_msg_no_receive_count,0) as am_msg_no_receive_count,if(b3.noon_msg_no_receive_count>0,b3.noon_msg_no_receive_count,0) as noon_msg_no_receive_count,... if(e8.last_one_year_normal_msg_no_receive_count>0,e8.last_one_year_normal_msg_no_receive_count,0) as last_one_year_normal_msg_no_receive_count from (select mobile from rdb_sms_outbox_financial where delivrd='UNDELIVRD' group by mobile) a left outer join (select mobile,count(mobile) as midnight_msg_no_receive_count from rdb_sms_outbox_financial where delivrd='UNDELIVRD' and hour(optime) in (0,1,5,23) group by mobile) b1 on a.mobile=b1.mobile left outer join (select mobile,count(mobile) as am_msg_no_receive_count from rdb_sms_outbox_financial where delivrd='UNDELIVRD' and hour(optime) in (6,7,8,9,10) group by mobile) b2 on a.mobile=b2.mobile left outer join ... (select mobile,count(mobile) as last_one_year_normal_msg_no_receive_count from rdb_sms_outbox_financial where delivrd='UNDELIVRD' and ivr=0 and to_date(optime)>='2016-04-01' and to_date(optime)<='2017-03-31' group by mobile) e8 on a.mobile=e8.mobile; "

hive -e " ${HIVE_SETTING} ${HIVE_SQL} " >/home/q/data_to_hive/data_hive/data_hive_undelivrd

TIMESTAMP=$(date +%Y%m%d%H%M%S)
echo "end time:${TIMESTAMP}"
echo '-----------结束从hive查数----------------'
exit;

三. 总结

这里,我认为价值在于我走的弯路上!为了解决mysql插入性能问题,实施的一系列探索上,同时积累了用脚本对mysql这些操作的熟练性. 过程中遇到的问题都轻描淡写了(有google!),从本文你将可以了解以下知识: 1. hive脚本相关操作 2. mysql数据插入,批量插入脚本的使用,及其中我遇到的一些坑. 3. 脚本处理数据的一些操作(遍历目录下的每一个文件,遍历文件的每一行,获取每一行中的每一列,记录shell线程,执行时间,函数传参和返回值) 4. 理解做事情的思路是多么的重要. 5. 这是一次xxx的经历.

(编辑:李大同)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!

    推荐文章
      热点阅读