【Hadoop】--基于hadoop和hive实现聊天数据统计分析，构建聊天数据分析报表[17]

目录

一、需求分析

1、背景介绍

2、目标

3、需求

4、数据内容

5、建库建表

二、ETL数据清洗

1、数据问题

2、需求

3、实现

4、扩展概念：ETL

三、指标计算

1、指标1：统计今日消息总量

2、指标2：统计每小时消息量、发送量和接收用户数

3、指标3：统计今日各地区发送消息总量

4、指标4：统计今日发送和接收用户人数

5、指标5：统计发送消息条数最多的top10用户

6、指标6：统计接收消息条数最多的top10用户

7、指标7：统计发送人的手机型号分布情况

8、指标8：统计发送人的设备操作系统分布情况

四、可视化展示

1、BI概述

2、可视化展示

2.1、step1：创建报表

2.2、step2：选择仪表板样式

2.3、step3：添加标题

2.4、step4：编辑标题文本框（注意字体大小、居中、文本框位置可调整）

2.5、step5：添加文本内容

2.6、step6：添加地图

2.7、step7：添加雷达图

2.8、step8：添加柱状图

2.9、step9：添加环饼状图

2.10、step10：添加词汇云图

2.11、step11：添加趋势曲线图

2.12、step12：报表预览

一、需求分析

1、背景介绍

         聊天平台每天都会有大量的用户在线，会出现大量的聊天数据，通过对聊天数据的统计分析，可以更好的对用户构建精准的用户画像，为用户提供更好的服务以及实现高ROI的平台运营推广，给公司的发展决策提供精确的数据支撑。 我们将基于一个社交平台App的用户数据，完成相关指标的统计分析并结合BI工具对指标进行可视化展现。

2、目标

基于hadoop和hive实现聊天数据统计分析，构建聊天数据分析报表。

3、需求

  • 统计今日总消息量
  • 统计今日每小时消息量、发送和接收用户数
  • 统计今日各地区发送消息数据量
  • 统计今日发送消息和接收消息的用户数
  • 统计今日发送消息最多的Top10用户
  • 统计今日接收消息最多的Top10用户
  • 统计发送人的手机型号分布情况
  • 统计发送人的设备操作系统分布情况

4、数据内容

  • 数据大小：30万条数据
  • 列分隔符：Hive默认分隔符’\001’
  • 数据字典及样例数据

5、建库建表

create table db_msg.tb_msg_source(
msg_time string comment "消息发送时间",
sender_name string comment "发送人昵称",
sender_account string comment "发送人账号",
sender_sex string comment "发送人性别",
sender_ip string comment "发送人ip地址",
sender_os string comment "发送人操作系统",
sender_phonetype string comment "发送人手机型号",
sender_network string comment "发送人网络类型",
sender_gps string comment "发送人的GPS定位",
receiver_name string comment "接收人昵称",
receiver_ip string comment "接收人IP",
receiver_account string comment "接收人账号",
receiver_os string comment "接收人操作系统",
receiver_phonetype string comment "接收人手机型号",
receiver_network string comment "接收人网络类型",
receiver_gps string comment "接收人的GPS定位",
receiver_sex string comment "接收人性别",
msg_type string comment "消息类型",
distance string comment "双方距离",
message string comment "消息内容"
);

将数据文件上传到/home/hadoop目录下，随后上传到HDFS中，加载数据到表中。

二、ETL数据清洗

1、数据问题

问题一：当前数据中，有一些数据的字段为空，不是合法数据。

问题二：需求中，需要统计每天、每个小时的消息量，但是数据中没有天和小时字段、只有整体时间字段、不好处理。分离出年月日、小时字段

问题三：需求中，需要对经度和维度构建地区的可视化地图，但是数据中GPS经纬度为一个字段，不好处理。需要把经纬度分离出来。

2、需求

  • 需求1：对字段为空的不合法数据进行过滤
    • where过滤        where length(sender_gps) > 0
  • 需求2：通过时间字段构建天和小时字段
    • date hour函数        date(msg_time)    hour(msg_time)
  • 需求3：从gps的经纬度中提取经度和纬度
    • split函数        split(sender_gps, ',')[0]         split(sender_gps, ',')[1] 
  • 需求4：将ETL以后的结果保存到一张新的Hive表中

3、实现

将数据添加到新的列。

SELECT *,
	date(msg_time) as msg_day, 
	HOUR (msg_time) as msg_hour,
	split(sender_gps,',')[0] as sender_lng,
	split(sender_gps,',')[1] as sender_lat
from tb_msg_soure 
where LENGTH (sender_gps) > 0;

先创建一个新的表用于存储清洗过的数据

create table db_msg.tb_msg_et1(
msg_time string comment "消息发送时间",
sender_name string comment "发送人昵称",
sender_account string comment "发送人账号",
sender_sex string comment "发送人性别",
sender_ip string comment "发送人ip地址",
sender_os string comment "发送人操作系统",
sender_phonetype string comment "发送人手机型号",
sender_network string comment "发送人网络类型",
sender_gps string comment "发送人的GPS定位",
receiver_name string comment "接收人昵称",
receiver_ip string comment "接收人IP",
receiver_account string comment "接收人账号",
receiver_os string comment "接收人操作系统",
receiver_phonetype string comment "接收人手机型号",
receiver_network string comment "接收人网络类型",
receiver_gps string comment "接收人的GPS定位",
receiver_sex string comment "接收人性别",
msg_type string comment "消息类型",
distance string comment "双方距离",
message string comment "消息内容",
msg_day string comment "消息日",
msg_hour string comment "消息小时",
sender_lng double comment "经度",
sender_lat double comment "纬度"
);

将清洗的数据导入新建的表

INSERT overwrite table tb_msg_et1 
SELECT *,
	date(msg_time) as msg_day, 
	HOUR (msg_time) as msg_hour,
	split(sender_gps,',')[0] as sender_lng,
	split(sender_gps,',')[1] as sender_lat
from tb_msg_soure 
where LENGTH (sender_gps) > 0;

在导入数据时，多次报错我的yarn资源不足，导致每次都导入不成功，这里我修改了/export/server/hadoop/etc/hadoop目录下的yarn配置文件yarn-site.xml，添加以下代码：

<property>
   <name>yarn.scheduler.minimum-allocation-mb</name>
   <value>2048</value>
   <description>default value is 1024</description>
</property>

数据导入成功

4、扩展概念：ETL

其实我们刚刚完成了从表tb_msg_source查询数据进行数据过滤和转换，并将结果写入到：tb_msg_etl表中的操作，本质上是一种简单的ETL行为。

ETL:

  • E，Extract，抽取
  • T，Transfrom，转换
  • L，Load，加载

从A抽取数据(E)，进行数据转换过滤(T)，将结果加载(L)到B，就是ETL啦。

三、指标计算

回顾一下我们的需求

  • 统计今日总消息量
  • 统计今日每小时消息量、发送和接收用户数
  • 统计今日各地区发送消息数据量
  • 统计今日发送消息和接收消息的用户数
  • 统计今日发送消息最多的Top10用户
  • 统计今日接收消息最多的Top10用户
  • 统计发送人的手机型号分布情况
  • 统计发送人的设备操作系统分布情况

1、指标1：统计今日消息总量

--需求1：统计今日消息总量
CREATE table db_msg.tb_rs_total_msg_cnt
comment '每日消息总量' as
SELECT msg_day,COUNT(*) as total_msg_cnt
from db_msg.tb_msg_et1 group by msg_day ;

2、指标2：统计每小时消息量、发送量和接收用户数

---需求2：统计每小时消息量、发送量和接收用户数
CREATE table db_msg.tb_rs_hour_msg_cnt comment '每日消息总量' as
SELECT 
	msg_hour ,
	COUNT(*) as total_msg_cnt,
	count(distinct sender_account) as sender_user_cnt,
	count(distinct receiver_account) as receiver_user_cnt
from db_msg.tb_msg_et1 group by msg_hour ;

3、指标3：统计今日各地区发送消息总量

--需求3：统计今日各地区发送消息总量
create table db_msg.tb_rs_loc_cnt comment '每日各地区发消息总量' as
SELECT 
	msg_day ,sender_lng ,sender_lat ,COUNT(*) as total_msg_cnt 
from db_msg.tb_msg_et1 
group by msg_day ,sender_lng, sender_lat

4、指标4：统计今日发送和接收用户人数

--指标4：统计今日发送和接收用户人数
create table db_msg.tb_rs_user_cnt comment '今日发送和接收消息的人数' as
SELECT 
	msg_day ,
	count(DISTINCT  sender_account) as sender_user_cnt,
	COUNT(distinct receiver_account) as receiver_user_cnt 
from db_msg.tb_msg_et1 
group by msg_day;

5、指标5：统计发送消息条数最多的top10用户

--指标5：统计发送消息条数最多的top10用户
create table db_msg.tb_rs_user_top10 comment '发送消息最多的10个用户' as
SELECT 
	sender_name ,
	COUNT(*) as sender_msg_cnt 
FROM db_msg.tb_msg_et1 
group by sender_name 
order by sender_msg_cnt DESC 
limit 10;

6、指标6：统计接收消息条数最多的top10用户

--指标6：统计接收消息条数最多的top10用户
create table db_msg.tb_rs_r_user_top10 comment '接收消息最多的10个用户' as
SELECT 
	receiver_name  ,
	COUNT(*) as receiver_msg_cnt 
FROM db_msg.tb_msg_et1 
group by receiver_name 
order by receiver_msg_cnt DESC 
limit 10;

7、指标7：统计发送人的手机型号分布情况

--指标7：统计发送人的手机型号分布情况
CREATE table db_msg.tb_rs_sender_phone comment '发送人的手机型号' as
SELECT 
	sender_phonetype ,
	count(*) as cnt
from db_msg.tb_msg_et1 
group by sender_phonetype

8、指标8：统计发送人的设备操作系统分布情况

CREATE table db_msg.tb_rs_sender_os comment '发送人的os分布' as
SELECT  
	sender_os ,
	count(*) as cnt
from db_msg.tb_msg_et1 
group by sender_os

四、可视化展示

1、BI概述

BI：Business Intelligence，商业智能。

指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行分析以实现商业价值。

简单来说，就是借助BI工具，可以完成复杂的数据分析、数据统计等需求，为公司决策带来巨大的价值。

所以，一般提到BI，我们指代的就是工具软件。常见的BI软件很多，比如：

  • FineBI
  • SuperSet
  • PowerBI
  • TableAu

详细的finebi的介绍与安装可跳转到【Hadoop】-FineBI的介绍及安装[16]  阅读。

2、可视化展示

2.1、step1：创建报表

2.2、step2：选择仪表板样式

2.3、step3：添加标题

2.4、step4：编辑标题文本框（注意字体大小、居中、文本框位置可调整）

2.5、step5：添加文本内容

同理添加总发送消息人数和总接收消息人数

2.6、step6：添加地图

2.7、step7：添加雷达图

2.8、step8：添加柱状图

2.9、step9：添加环饼状图

2.10、step10：添加词汇云图

2.11、step11：添加趋势曲线图

2.12、step12：报表预览

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/592366.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

shpfile转GeoJSON；控制shp转GeoJSON的精度；如何获取GeoJSON；GeoJSON是什么有什么用；GeoJSON结构详解（带数据示例）

shpfile转GeoJSON；控制shp转GeoJSON的精度；如何获取GeoJSON；GeoJSON是什么有什么用；GeoJSON结构详解（带数据示例）

目录 一、GeoJSON是什么 二、GeoJSON的结构组成 2.1、点&#xff08;Point&#xff09;数据示例 2.2、线&#xff08;LineString&#xff09;数据示例 2.3、面&#xff08;Polygon&#xff09;数据示例 2.4、特征&#xff08;Feature&#xff09;数据示例 2.5、特征集合&…
阅读更多...
Leetcode—1056. 易混淆数【简单】Plus

Leetcode—1056. 易混淆数【简单】Plus

2024每日刷题&#xff08;126&#xff09; Leetcode—1056. 易混淆数 &#x1f4a9;山实现代码 class Solution { public:bool confusingNumber(int n) {int arr[10] {0};int notNum 0;int arr2[12] {0};int size 0;while(n) {int x n % 10;arr[x] 1;arr2[size] x;if(…
阅读更多...
自动化测试适用场景

自动化测试适用场景

日常大家都用自动化去写测试脚本。但是自动化可不仅仅可以工作写脚本&#xff0c;还可以应用到如下领域&#xff1a; 1. 自动化测试脚本&#xff1a;自动化测试是软件测试 领域中最常见的自动化应用领域。它可以通过 自动化测试工具和脚本来自动化执行测试用例 &#xff0c…
阅读更多...
水仙花数问题

水仙花数问题

问题描述&#xff1a; 求出0&#xff5e;100000之间的所有“水仙花数”并输出。 “水仙花数”是指一个n位数&#xff0c;其各位数字的n次方之和确好等于该数本身&#xff0c;如:153&#xff1d;1^3&#xff0b;5^3&#xff0b;3^3&#xff0c;则153是一个“水仙花数”。 #in…
阅读更多...
VS Code 保存+格式化代码

VS Code 保存+格式化代码

在 VSCode 中&#xff0c;使用 Ctrl S 快捷键直接保存并格式化代码&#xff1a; 打开 VSCode 的设置界面&#xff1a;File -> Preferences -> Settings在设置界面搜索框中输入“format on save”&#xff0c;勾选“Editor: Format On Save”选项&#xff0c;表示在保存…
阅读更多...
Java 【数据结构】常见排序算法实用详解（下） 冒泡排序/快速排序/归并排序/非基于比较排序【贤者的庇护】

Java 【数据结构】常见排序算法实用详解（下） 冒泡排序/快速排序/归并排序/非基于比较排序【贤者的庇护】

登神长阶 上古神器-常见排序算法 冒泡排序/快速排序/归并排序/非基于比较排序 &#x1f4b0;一.前言 为保障知识获取的可读性&#xff0c;以及连贯性&#xff0c;再开始可以适当的重新温习前文内容 &#xff1a;Java 【数据结构】常见排序算法实用详解&#xff08;上&#xf…
阅读更多...
TWS 蓝牙耳机 ESD EOS保护方案

TWS 蓝牙耳机 ESD EOS保护方案

1. TWS 蓝牙耳机 TWS&#xff08;True Wireless Stereo&#xff09;蓝牙耳机是指没有传统连接线的完全无线耳机&#xff0c;通常由两个分别放置在耳朵中的独立耳机组成&#xff0c;提供立体声音效。这类耳机在近年来越来越受欢迎&#xff0c;因为它们提供了更自由、更便捷的音…
阅读更多...
系统架构-知识产权

系统架构-知识产权

常见知识产权考点
阅读更多...
有限单元法-编程与软件应用（崔济东、沈雪龙）【PDF下载】

有限单元法-编程与软件应用（崔济东、沈雪龙）【PDF下载】

专栏导读 作者简介&#xff1a;工学博士&#xff0c;高级工程师&#xff0c;专注于工业软件算法研究本文已收录于专栏&#xff1a;《有限元编程从入门到精通》本专栏旨在提供 1.以案例的形式讲解各类有限元问题的程序实现&#xff0c;并提供所有案例完整源码&#xff1b;2.单元…
阅读更多...
MLP手写数字识别(3)-使用tf.data.Dataset模块制作模型输入(tensorflow)

MLP手写数字识别(3)-使用tf.data.Dataset模块制作模型输入(tensorflow)

1、tensorflow版本查看 import tensorflow as tfprint(Tensorflow Version:{}.format(tf.__version__)) print(tf.config.list_physical_devices())2、MNIST数据集下载与预处理 (train_images,train_labels),(test_images,test_labels) tf.keras.datasets.mnist.load_data()…
阅读更多...
JSON.toJSONString() 输出 “$ref“:“$[0]“问题解决及原因分析

JSON.toJSONString() 输出 “$ref“:“$[0]“问题解决及原因分析

一、背景 在构建一个公共的批处理方法类的时候&#xff0c;在测试输出的时候&#xff0c;打印了" r e f " : " ref":" ref":"[0][0]"的内容&#xff0c;这让我比较疑惑。不由得继续了下去… 二、问题分析 首先&#xff0c;我们需要…
阅读更多...
《苍穹外卖》前端课程知识点记录

《苍穹外卖》前端课程知识点记录

一、VUE基础知识 基于脚手架创建前端工程 1. 环境要求 安装node.js&#xff1a;Node.js安装与配置&#xff08;详细步骤&#xff09;_nodejs安装及环境配置-CSDN博客查看node和npm的版本号 安装Vue CLI&#xff1a;Vue.js安装与创建默认项目&#xff08;详细步骤&#xff09;…
阅读更多...
DHCPv4_CLIENT_ALLOCATING_06: 发送DHCPDISCOVER消息 - 在没有收到DHCPOFFER消息时超时并重新发送

DHCPv4_CLIENT_ALLOCATING_06: 发送DHCPDISCOVER消息 - 在没有收到DHCPOFFER消息时超时并重新发送

测试目的&#xff1a; 验证DOIP客户端在未收到DHCP服务器的DHCOFFER消息时&#xff0c;能够正确地超时并重传DHCPDISCOVER消息。 描述&#xff1a; 在DOIP网络环境中&#xff0c;当客户端&#xff08;DUT&#xff09;启动并尝试获取IP地址时&#xff0c;它首先发送DHCPDISCO…
阅读更多...
IoTDB 入门教程 基础篇⑨——TsFile导入导出工具

IoTDB 入门教程 基础篇⑨——TsFile导入导出工具

文章目录 一、前文二、准备2.1 准备导出服务器2.2 准备导入服务器 三、导出3.1 导出命令3.2 执行命令3.3 tsfile文件 四、导入4.1 上传tsfile文件4.2 导入命令4.3 执行命令 五、查询六、参考 一、前文 IoTDB入门教程——导读 数据库备份与迁移是数据库运维中的核心任务&#xf…
阅读更多...
获取淘宝商品销量数据接口

获取淘宝商品销量数据接口

淘宝爬虫商品销量数据采集通常涉及以下几个步骤&#xff1a; 1、确定采集目标&#xff1a;需要明确要采集的商品类别、筛选条件&#xff08;如天猫、价格区间&#xff09;、销量和金额等数据。例如&#xff0c;如果您想了解“小鱼零食”的销量和金额&#xff0c;您需要设定好价…
阅读更多...
设计模式之前端控制器模式

设计模式之前端控制器模式

想象一下&#xff0c;你的Java Web应用是个交响乐团&#xff0c;每个功能模块是乐手&#xff0c;而用户请求就像是一首首待演绎的曲目。在这场音乐盛宴中&#xff0c;谁来保证演出的流畅与协调&#xff1f;答案就是——前端控制器模式&#xff01;它如同乐队的指挥&#xff0c;…
阅读更多...
用LangChain打造一个可以管理日程的智能助手

用LangChain打造一个可以管理日程的智能助手

存储设计定义工具创建llm提示词模板创建Agent执行总结 众所周知&#xff0c;GPT可以认为是一个离线的软件的&#xff0c;对于一些实时性有要求的功能是完全不行&#xff0c;比如实时信息检索&#xff0c;再比如我们今天要实现个一个日程管理的功能&#xff0c;这个功能你纯依赖…
阅读更多...
短视频素材去哪里找免费？短视频素材从哪儿下载？

短视频素材去哪里找免费？短视频素材从哪儿下载？

在这个数字内容为王的时代&#xff0c;视频已经成为沟通信息和吸引观众的强大工具。无论是在市场营销、教育还是娱乐领域&#xff0c;高质量的视频素材都是制作引人注目内容的关键。以下列出的网站提供多样的视频素材&#xff0c;帮助您增强视觉叙述&#xff0c;并在竞争激烈的…
阅读更多...
2022 HITCON -- fourchain-kernel

2022 HITCON -- fourchain-kernel

前言 很久没碰内核利用相关的东西了&#xff0c;这个题目都调了我两天&#xff08;&#xff1a;所以还是得熟能生巧啊 题目分析 内核版本&#xff1a;v5.10&#xff0c;所以不存在 cg 隔离、可以使用 userfaultfdkaslr、smap、smep 开启CONFIG_SLAB_FREELIST_RANDOM 和 CONF…
阅读更多...
Java项目：基于SSM框架实现的学院党员管理系统高校党员管理系统（ssm+B/S架构+源码+数据库+毕业论文+开题）

Java项目：基于SSM框架实现的学院党员管理系统高校党员管理系统（ssm+B/S架构+源码+数据库+毕业论文+开题）

一、项目简介 本项目是一套基于SSM框架实现的学院党员管理系统 包含&#xff1a;项目源码、数据库脚本等&#xff0c;该项目附带全部源码可作为毕设使用。 项目都经过严格调试&#xff0c;eclipse或者idea 确保可以运行&#xff01; 该系统功能完善、界面美观、操作简单、功能齐…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站