一 日志采集架构设计原理

数仓存储了一个公司所用到的所有数据，将数据做集中的存储，统一的指标分析，不会涉及后续复杂的分析，但可以为后续复杂的分析做准备，如公司内部的机器学习部门，机器学习所用到的所有数据会来自于数仓。

MySql存储的数据为结构化数据，也可以叫做业务数据，传统的JavaEE项目只有这一种数据。在大数据时代到来后，有了用户画像等需求，所以产生了用户行为数据。

那么这时就需要考虑一个问题，如何将公司的业务数据，导入到大数据的存储体系中，也就是HDFS，对于业务数据的采集和保存，JavaEE有一套自己成熟的体系，在这里不需要考虑。

而对于用户行为数据，需要考虑

• 用户行为数据是什么样子的数据 – json
• 如何收集 --> 埋点
• 如何采集 --> 客户端源源不断地将用户的数据通过APP收集进来，形成文件。使用Flume写入到kafka，再使用kafka写入到HDFS
• 采集完成后如何保存到HDFS --> 使用FLume

1 为什么使用Flume将数据生产进kafka

生产Flume使用Taildir Source，这种Source Flume自动将数据写到HDFS，速率可控，Sink写得慢，Flume采集的就慢，所以添加kafka不是为了增加Flume的采集日志的速率。

kafka作为一个消息队列，最大的特点是可以一对多，如果将logFile直接放到HDFS，那么其他人想要使用这些数据，只能从HDFS读取，HDFS的吞吐量不如kafka高。添加了kafka不只是离线项目可用，实时指标分析也可以从kafka中直接读取数据，真正形成流批一体，在线分析与离线分析使用的都是同一份数据源。

放到kafka中的数据为了后续的分析，还是要写入到HDFS。

2 为什么还需要一个消费的Flume

kafka 是一个消息队列，核心任务是中间的存储消息，临时存储以下，作为临时消息队列。

Flume 根本目的是将消息从A 搬运到 B，核心任务是对于头尾地采集。

如果不用Flume，也可以将数据存储到kafka，开文件流，一行一行放到kafka。

Flume的好处是它有很多插件，无论什么样的Source 和 Sink ，都可以使用Flume连接起来，十分方便。

3 深入细节

生产Flume的结构：Taildir Source – kafka Channel

消费Flume的结构：kafka Channel – File Channel – HDFS Sink

上游Flume结构使用Taildir Source – File Channel – kafka Sink 也可以，但是多了一层 File Channel，复杂度上升，效率也会降低，所以采用了Taildir Source – kafka Channel，这种结构上游的采集速度是十分高的，因为kafka Channel 效率非常高，完全可以覆盖Taildir Source 的读取速度。

下游Flume直接使用 kafka Channel – HDFS Sink不行，因为在下游存在一个拦截器。上游同样存在一个拦截器，ETL拦截器，数据的格式为json，通过ETL将所有不是json格式的数据过滤掉。下游拦截器称为TimeStamp，为了解决“零点漂移“，也就是昨天的日志需要昨天收集。日志产生的时间是23.59分，经过采集日志到达系统的时间为0.01分，系统需要将这条日志当做昨天的日志，以产生时间为准。下游的Flume从kafka消费完数据，变为Event，给Event添加一个TimeStamp时间戳，在向HDFS写的时候，可以写到昨天的文件夹中。

如果不用TimeStamp时间戳，可以不用File Channel。TimeStamp可以放在上游，TimeStamp的作用是在Event 的header部分添加一个时间戳的KV对，如果放在上游，上游Flume产生的所有数据Event都是带Header的，那么在向kafka写的时候，也需要带Header，但是带Header会产生一个问题，上游采集的是json格式数据，是通用的数据，在上游Flume后接一个kafka的作用是方便数仓其他结构使用这个数据，其他人使用数据当然希望这个数据是通用类型数据，方便处理，而event是Flume私有数据格式，所以将TimeStamp放在下游方便数据的处理，放在kafka中的数据一定要是通用格式，不能是event格式。

改进的方案：也可以不使用Flume的拦截器，可以使用kafka的拦截器实现TimeStamp时间戳，但是kafka拦截器的代码十分复杂，且会在执行过程中申请大量的对象，在数据高峰期，可能会导致大量的垃圾回收，性能不一定会比带File Channel的高。使用kafka Channel – File Channel – HDFS Sink 这种结构，代码比较少，比较方便，代价是系统的性能会降低一些，但足够，稳定性也还可以。

4 业务日志采集

业务日志是公司内部成熟的业务系统里面的数据，大部分都是存储在MySQL中，关键问题就是如何将MySQL中的数据存放到HDFS上，使用Sqoop。Sqoop的数据一天采集一次，采集完成后直接放到HDFS。

这时，数仓的其他结构也可能会使用到业务数据，如实时平台，这样就可以直接将MySQL中的数据，暂时存放到kafka，之后通过下游Flume一并写入到HDFS。

二 电商系统表

1 后台管理系统

2 电商业务表

三 数仓分层

1 分为哪几层

• ODS层：原始数据层，存放原始数据，直接加载原始日志、数据，数据保持原貌不做处理。

• DWD层：对ODS层数据进行清洗（去除空值，脏数据，超过极限范围的数据）、脱敏等。对数据进行重新规划和建模，保存业务事实明细，一行信息代表一次业务行为，例如一次下单。

• DIM层：维度层，保存维度数据，主要是对业务事实的描述信息，例如何人，何时，何地等。

• DWS层：以DWD为基础，按天进行轻度汇总。一行信息代表一个主题对象一天的汇总行为，例如

  一个用户一天下单次数。

• DWT层：以DWS为基础，对数据进行累积汇总。一行信息代表一个主题对象的累积行为，例如一个用户从注册那天开始至今一共下了多少次单。

• ADS层：为各种统计报表提供数据。

2 为什么要分层

• 把复杂问题简单化：将复杂的任务分解成多层来完成，每一层只处理简单的任务，方便定位问题。
• 减少重复开发：规范数据分层，通过的中间层数据，能够减少极大的重复计算，增加一次计算结果的复用性。
• 隔离原始数据：不论是数据的异常还是数据的敏感性，使真实数据与统计数据解耦开。

不同的数仓可能分层会不同，但无论怎么分层，主要原因都是以上三点。

3 数据集市与数据仓库区别

数据集市（Data Market），现在市面上的公司和书籍都对数据集市有不同的概念。

数据集市则是一种微型的数据仓库，它通常有更少的数据，更少的主题区域，以及更少的历史数据，因此是部门级的，一般只能为某个局部范围内的管理人员服务。

数据仓库是企业级的，能为整个企业各个部门的运行提供决策支持手段。

4 数仓命名规范

如果数据命名没有一个统一的规范，那么hive在join时，join的字段不一致会出现严重的问题，并且十分不容易排查，如一串String类型数据，只看表面无法分辨出是哪种类型，这时因为数据类型不一致，join就会出现问题，为开发带来阻碍。

（1）表命名

• ODS层命名为ods_表名
• DIM层命名为dim_表名
• DWD层命名为dwd_表名
• DWS层命名为dws_表名
• DWT层命名为dwt_表名
• ADS层命名为ads_表名
• 临时表命名为tmp_表名

（2）脚本命名

• 数据源_to_目标_db/log.sh
• 用户行为脚本以log为后缀；业务数据脚本以db为后缀。

（3）表字段类型

• 数量类型为bigint

• 金额类型为decimal(16, 2)，表示：16位有效数字，其中小数部分2位

  decimal 可以理解为精度很高的浮点数

• 字符串(名字，描述信息等)类型为string

• 主键外键类型为string

• 时间戳类型为bigint

四 数仓理论

1 范式理论

范式：数据库建模需要遵循的规范。

（1）范式概念

• 定义：数据建模必须遵循一定的规则，在关系数建模中，这种规则就是范式。
• 优点：采用范式，可以降低数据的冗余性。
• 为什么要降低数据冗余性
  • 十几年前，磁盘很贵，为了减少磁盘存储。
  • 以前没有分布式系统，都是单机，只能增加磁盘，磁盘个数也是有限的
  • 一次修改，需要修改多个表，很难保证数据一致性
• 缺点：范式的缺点是获取数据时，需要通过Join拼接出最后的数据。
• 分类：目前业界范式有：第一范式(1NF)、第二范式(2NF)、第三范式(3NF)、巴斯-科德范式(BCNF)、第四范式(4NF)、第五范式(5NF)。

（2）函数依赖

想要理解范式，就需要理解什么是函数依赖。

完全函数依赖

设X，Y是关系R的两个属性集合，X’是X的真子集，存在X→Y，但对每一个X’都有X’!→Y，则称Y完全函数依赖于X。记做：

通俗理解：比如通过，(学号，课程) 推出分数 ，但是单独用学号推断不出来分数，那么就可以说：分数
完全依赖于(学号，课程) 。即：通过AB能得出C，但是AB单独得不出C，那么说C完全依赖于AB。

部分函数依赖

假如 Y函数依赖于 X，但同时 Y并不完全函数依赖于 X，那么就称 Y 部分函数依赖于 X，记做：

通俗理解：比如通过，(学号，课程) 推出姓名，因为其实直接可以通过，学号推出姓名，所以：姓名 部分依赖于 (学号，课程)。即：通过AB能得出C，通过A也能得出C，或者通过B也能得出C，那么说C部分依赖于AB。

传递函数依赖

传递函数依赖：设X，Y，Z是关系R中互不相同的属性集合，存在X→Y(Y !→X),Y→Z，则称Z传递函数依赖于X。记做：

通俗理解： 比如：学号 推出 系名 ， 系名 推出 系主任， 但是，系主任推不出学号，系主任主要依赖于系名。这种情况可以说：系主任 传递依赖于 学号。通过A得到B，通过B得到C，但是C得不到A，那么说C传递依赖于A。

（3）三范式区分

第一范式

第一范式1NF核心原则就是：属性不可切割

不符合第一范式设计的表格

商品列中的数据不是原子数据项（3台电脑），是可以进行分割的，因此对表格进行修改，让表格符合第一范式的要求，修改结果如下所示：

实际上，1NF是所有关系型数据库的最基本要求，在关系型数据库管理系统（RDBMS），例如SQL
Server，Oracle，MySQL中创建数据表的时候，如果数据表的设计不符合这个最基本的要求，那么操作一定是不能成功的。也就是说，只要在RDBMS中已经存在的数据表，一定是符合1NF的。

第二范式

第二范式2NF核心原则：不能存在部分函数依赖

以上表格明显存在部分依赖。比如，这张表的主键是(学号，课名），分数确实完全依赖于(学号，课名），但是姓名并不完全依赖于(学号，课名）

将以上表格进行切分，使其满足第二范式原则

以上符合第二范式，去掉部分函数依赖

第三范式

第三范式3NF核心原则：不能存在传递函数依赖

在下面这张表中，存在传递函数依赖：学号->系名->系主任，但是系主任推不出学号。

上面表需要再次拆解，使其满足第三范式原则

范式越高，数据越简洁，越清晰，数据的一致性也更高，冗余度越低，代价是在查找的时候需要join，查询的效率没有那么高，范式理论实际上也体现了以空间换时间的永恒真理。

早期的电脑存储十分紧张，范式的设计理论主要是为了降低数据的冗余度，使其能够存储更多的数据。

目前，HDFS相对地解决了数据的存储问题，但是查询要更加地要去注重效率问题，尽量少的join，对于数据冗余缺失越来越宽容，所以在数仓项目中，表格不像在关系型数据库中严格遵守关系建模、三范式表格，数仓中的表格，范式都没有那么高，一般只遵循一范式。