离线数仓（六）【ODS 层开发】

前言

1、ODS 层开发

ODS层的设计要点如下：

（1）ODS层的表结构设计依托于从业务系统同步过来的数据结构（JSON/CSV/TSV）。

（2）ODS层要保存全部历史数据，故其压缩格式应选择高压缩比的算法，此处选择gzip。

（3）ODS层表名的命名规范为：ods_表名_单分区增量全量标识（inc/full）。

注意：ODS 层的表都是分区表，因为我们每天都会有数据被采集到数仓，所以我们的表是按照日期分区的，每天一张表。

我们当前保存在 HDFS 路径下的数据主要有两类：log 和 db，log 目录下存放是我们从 Flume 传过来的用户行为日志文件，我们已经用 gzip 压缩过了，可以通过下面的命令查看：

hadoop fs -cat /origin_data/gmall/log/topic_log/2020-06-14/* | zcat

        可以看到我们的格式是一个 JSON 格式，那我们要建表的话就得考虑怎么把 JSON 格式的数据映射到我们的 Hive 表中了。

        对于 db 目录下的文件主要有两类：DataX 同步过来的以 "full" 为目录后缀的全量业务数据和 Maxwell 同步过来的首日全量数据和以 "inc" 为目录后缀的增量业务数据。

hadoop fs -cat /origin_data/gmall/db/activity_rule_full/2020-06-14/* | zcat

可以看到 DataX 传输过来的文件是 ".tsv" 文件，我们将来只要拿 "\t" 分隔即可。

hadoop fs -cat /origin_data/gmall/db/comment_info_inc/2020-06-14/* | zcat

可以看到，拿 Maxwell 同步过来的数据和 Flume 一样，都是 JSON 格式的。 

1.1、用户行为日志表

1.1.1、ROW FORMAT 和 STORE AS 

打开 Hive 官网 -> LanguageManual -> DDL -> JSON

​

查看 Hive 3.x 版本支持的通过解析 JSON 映射表的语法：

CREATE TABLE my_table(a string, b bigint, ...)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.JsonSerDe'    -- 声明行的格式
STORED AS TEXTFILE;    -- 声明怎么解析文件

        这里的 ROW FORMAT 和 STORE AS 都是 Hive 建表是所必须指定的，只不过 Hive 帮我们简化了这部分语法：

      ROW FORMAT ：用 DELIMITED 关键字表示对文件中的每个字段按照特定分割符进行分割用 SERDE 关键字来指定 Hive 内置的 SERDE 或者 用户自定义的 SERDE。

       STORE AS ：用 STORED AS + 简写文件格式来指定 InputFormat 和 OutputFormat ，默比如 TextFileInputFormat 和 TextFileOutputFormat 可以用 STORE AS TEXTFILE 来表示。

Hive SerDe

​

        Hive 的 ROW FORMAT 的 SERDE 属性指定了 Hive 的序列化器和反序列化器，映射 HDFS 文件时，使用反序列化器进行解析，写出文件时使用序列化器来封装数据。

1.1.2、复杂数据类型

        对于用户行为日志，它的存储格式是 json 格式，那我们就需要把它的每个字段映射到我们 Hive 表中。首先回顾一下 Hive 的三种复杂类型：

• array
  • 声明：array
  • 取值：arr[0]
  • 构造：array(val1,val2...)，split()，collect_set()
• map
  • 声明：map
  • 取值：map[key]
  • 构造：map(key1,val1,key2,val2...)
• struct
  • 声明：struct
  • 取值：struct.id
  • 构造：named_struct(name1,val1,name2,val2...)

  

          对于上面的 common 字段，它虽然是键值对格式，但是我们不能使用 map ，因为 map 的 value 是同一数据类型，而我们这里的 common 字段不同键的值有的是 int 有的是 string。所以我们使用 struct。

  

          对于 displays 字段，由于它存储的是数组类型，然后数组嵌套键值对，所以我们需要使用 array(struct) 的嵌套类型。

  1.1.3、设计日志表

  DROP TABLE IF EXISTS ods_log_inc;
  CREATE EXTERNAL TABLE ods_log_inc
  (
      `common`   STRUCT COMMENT '公共信息',
      `page`     STRUCT COMMENT '页面信息',
      `actions`  ARRAY COMMENT '动作信息',
      `displays` ARRAY COMMENT '曝光信息',
      `start`    STRUCT COMMENT '启动信息',
      `err`      STRUCT COMMENT '错误信息',
      `ts`       BIGINT  COMMENT '时间戳'
  ) COMMENT '活动信息表'
      PARTITIONED BY (`dt` STRING)
      ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.JsonSerDe'
      LOCATION '/warehouse/gmall/ods/ods_log_inc/';
  

  注意：我们数仓建的基本都是外部表，防止误删数据！

  

  gzip 和 bzip2 格式的文件可以直接以 textfile 的格式来 load ，而不需要在建表时指定压缩格式（其实就是指定 STORE AS ）。

  但是其他压缩格式是不行的，比如 LZO 压缩的话，必须指定 STORE AS 的 InputFormat 和 OutputFormat ：

  CREATE EXTERNAL TABLE IF NOT EXISTS hive_table_name (column_1  datatype_1......column_N datatype_N)
           PARTITIONED BY (partition_col_1 datatype_1 ....col_P  datatype_P)
           ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
           STORED AS INPUTFORMAT  \"com.hadoop.mapred.DeprecatedLzoTextInputFormat\"
                     OUTPUTFORMAT \"org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat\";

  1.1.4、装载脚本

  我们的日志数据每天都要 load 到一张新的分区表中。

  load data inpath '/origin_data/gmall/log/topic_log/2020-06-14' into table ods_log_inc partition(dt='2020-06-14')
  

  剩下的明天补