离线数据分析之 人物兴趣取向分析（一）项目介绍+数据湖介绍
一、大数据介绍
（一）大数据趋势
- 不局限于Hadoop，格局小了
- 还有Cloud作为存储平台（new data lake）
- 使用Nosql接管
- hbase mongodb cassandra
- Spark & ML
- 流式处理 + 批处理 => 结合
- Spark 2.0+ & Flink 1.9+
- Variety -> drives big data（最重要）
- 最终都要转成结构化数据
- 实时处理&分析成为主流
-
Spark-Streaming/Kafka-Streaming/Flink-Streaming
-
- 数据仓库 & BI is getting hotter
- cloud -> new Data Lake
（二）数据来源
- 商务数据
- logs
- 合伙人数据
- 爬虫
- 会议
- 短信
- 消息板
- IOT/machine data 设备数据（使用水电的情况调整价格）
（三）大数据工具
二、系统概述
（一）项目介绍
① 项目链接：https://www.kaggle.com/c/event-recommendation-engine-challenge
② 项目描述：使用actions，event，人口数据 => 预测users会对哪些events感兴趣
③ 项目需求：
- 建模预测每个人感兴趣的events
- 对今后events提出指导方针
- 可视化反映users的兴趣和age/gender/...的关系
④ 项目背景：
周期性的产生数据
⑤ 项目定义：
- new data -> train data 更新 -> model应该重建 & 优化
- train data可能alone & come with 其他数据
- data cleaning 有必要
- 商业驱动：快速了解用户对即将到来的events的兴趣，并根据预测结果来调整events的内容
- 预测后，用户的兴趣与age/gender/events的分类/events发生时间等会被可视化
- 所有任务均自动化
（二）项目方案
一、 数据模型
二、 应用架构
方案一：Oozie自动化
flume：定时吞吐 -> kafka削峰，正则过滤 -> 再到kafka（用kafka streaming变换如下） （流不等于实时流）
-> 存储 -> hive来映射hbase（多列组合）-> pyspark ml -> model存储到hadoop
hive -> 维度表 -> 进入mysql
第二轮mysql通过ML model预测数据 获得事实表
方案二：nifi自动化
（三）项目目录
- 项目介绍
- 企业数据湖
- 数据抽取：Kafka/NiFi/Flume
- 数据存储：HBase/Cassandra/MongoDB
- 数据变换：Hive/Spark SQL
- 协调管理ETL工作流：Oozie
- 介绍推荐系统 & ML
- 建user-interest预测模型 & 使用ML pipeline预测
- 可视化BI model：Tableau
- 数据监管：Atlas
- Redis介绍
（四）使用工具
- HDFS
- kafka/NiFi/Flume
- HBase/Hive
- Spark/Spark ML
- Cassandra/MongoDB/Redis
- BI Tool Integration
- Atlas
三、数据湖介绍
>>>
国内情况：
- 阿里：“数据中台”，倾向数仓的吞吐管理+软件的管理
- 华为：“数据工厂”，倾向数据湖
<<<
（一）什么是数据湖？
--大型存储仓库和处理环境
--企业范围内的数据管理平台，分析来自不同数据源的源数据
- 先load data进Hadoop平台，数据分析/挖掘基于此
- 构建数据湖是公司开展业务的第一步
国内：Application-Driven（基于应用的数据）
国外：Data-Drivem（先有数据后有应用）
（二）数据湖 vs Hadoop
-
数据湖是一种系统中存储的方法论，便于整合各种结构形式的数据
-
包括来自于关系型数据库中的结构化数据（行和列）、半结构化数据（如CSV、日志、XML、JSON）、非结构化数据（如email、文档、PDF等）和二进制数据（如图像、音频、视频）
-
- Hadoop是一种数据湖的实现。
- 其他实现有Azure Data Lake Store/Cloud计算环境
（三）3 key attributes
- Collect everthing: raw data & processed data（标准化/临时表）
- Dive in anywhere：可以在任何地方找到数据
- Flexible access:数据湖支持跨共享基础设施的多种数据访问模式:批处理、交互式、在线、搜索、内存中和其他处理引擎
- 有权限的管理数据
（四）EDW VS EDL
一、传统EDW（数据仓库）
- 设计，收集需求
- 数据模型
- facts and dimensions
- ETL >>> extract/transform/load data to warehouese
- BI tools -> reports
二、EDW和EDL对比
三、why USE EDL?
EDW ：
-
数据过时
-
EDW可以针对主题，直接捞数据，查的快 (企业可以结合EDL+多个EDW)
EDL ：
-
容易数据集成
-
不利于实时查数据
-
adapt easily to changes
四、企业架构
（五）分层
一、物理分层
二、数据分层
数据导入-> 验证， -> 数据公开 ->数据转化
原始数据录入 public 抽取
catalog 分类
数据安全性处理 protect 对字段加密
