【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]

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