etl工作中的设计问题

背景1 ： 随着接入数据和处理数据的增加，生产脚本也越来越多，脚本由于前期的开发人员没有做到规范管理，导致脚本很乱。 解决方案： 1） 在lunix上规范目录，按平台，业务模块分目录存放。 2） 做好版本管理，提交到生产的脚本必须要commit到svn服务器。 3

背景1 ： 随着接入数据和处理数据的增加，生产脚本也越来越多，脚本由于前期的开发人员没有做到规范管理，导致脚本很乱。

解决方案：

1） 在lunix上规范目录，按平台，业务模块分目录存放。

2） 做好版本管理，提交到生产的脚本必须要commit到svn服务器。

3） lunix上的目录是反应到svn的目录映射。

背景2 ：脚本中很多地方有范围，指标，参数值，怎么把这些做的更灵活，而不是写死？

解决方案：

1）尽量把中文或英文映射为数字，不仅节省存储资源，还使程序更灵活。

比如：平台有 pc电脑，手机等，那就可以分别用1代表pc电脑 2 代表手机 3 代表其它。同时做一个码表来解释对应的关系。

主页 0 a

电台 1 b

语种 2 c

华语 3 d

 

多级目录的解析

/主页/电台/语种/华语

/0/1/2/3

/1/2/3

/xxx/xxx/xxx/xxx

如果多级目录有变化，怎么自动适应目录变化或者 回归二进制本质，用二进制表示。

2) 灵活应用参数列表，做一个的参数码表，动态生成hql语句。

比如：现在要分时段统计，用户出现次数，时段如下：

早上 6:00 -8:00

上午 8:00-12:00

中午 12:00-14:00

下午 14:00-18:00

晚上 18:00-23:00

深夜 23:00-00:00

凌晨 00:00-6:00

 

做一个码表 id comment time_region val par1 par2

1 早上 6:00 -8:00 1 6 8

2 上午 8:00-12:00 2 8 12

3 中午 12:00-14:00 3 12 14

4 下午 14:00-18:00 4 14 18

5 晚上 18:00-23:00 5 18 23

6 深夜 23:00-24:00 6 23 24

7 凌晨 00:00-6:00 7 0 6

读取该表，动态拼hql ，用后面的val分别代表这些时段。不管以后时段怎么修改，只要修改码表就行了。

比如要写如下的hive_sql

 

insert overwrite table common.order
select
   userid
  ,case 
        when hour_time>=0  and hour_time<=2  then &#39;00_03&#39;
        when hour_time>=3  and hour_time<=5  then &#39;03_06&#39; 
        when hour_time>=6  and hour_time<=7  then &#39;06_08&#39;
        when hour_time>=8  and hour_time<=11  then &#39;08_12&#39;
        when hour_time>=12 and hour_time<=13  then &#39;12_14&#39;
        when hour_time>=14 and hour_time<=17  then &#39;14_18&#39;
        when hour_time>=18 and hour_time<=23  then &#39;18_24&#39;
        else &#39;0&#39;
      end 
        as hour_time 
   ,count(distinct dt) hour_dt_num
 where dt >=&#39;2014-10-01&#39;
 and dt<=&#39;2014-10-30&#39;
 group by userid,
 case when hour_time>=0  and hour_time<=2  then &#39;00_03&#39;
        when hour_time>=3  and hour_time<=5  then &#39;03_06&#39; 
        when hour_time>=6  and hour_time<=7  then &#39;06_08&#39;
        when hour_time>=8  and hour_time<=11 then &#39;08_12&#39;
        when hour_time>=12 and hour_time<=13 then &#39;12_14&#39;
        when hour_time>=14 and hour_time<=17 then &#39;14_18&#39;
        when hour_time>=18 and hour_time<=23 then &#39;18_24&#39;
        else &#39;0&#39;
      end 

 

 

可以写成这样子：

 

#!/bin/bash
#
# add by lishc  2014-11-25
 
mysql=`which mysql`
user="root"
password="123"
database="test"
table="parm"
 
command="select par1,par2,id from test.$table "
$mysql -u${user} -p${password}  -e "${command}" >m.txt
 
###初始化
echo "       insert overwrite table common.order">mysql.sql
echo "               select     ">>mysql.sql
echo "                      userId  " >>mysql.sql
echo "                     case  ">>mysql.sql
 
sed -i -e '1d' m.txt
cat m.txt |while read line  
do
  par1=$(echo "${line}"|awk -F ' ' '{print $1}')
  par2=$(echo "${line}"|awk -F ' ' '{print $2}') 
  id=$(echo "${line}"|awk -F ' ' '{print $3}')  
   echo "par1: ${par1}"
   echo "par2: ${par2}"
   echo "                      when hour_time >=${par1}  and hour_time<=${par2}  then &#39;${id}&#39; ">>mysql.sql
Done

 

 

 

3) 所有的脚本存放在数据库中，用程序解析参数，并调用执行。

可参考kettle设计：

每个步骤组件化：输入，输出，执行脚本，执行sql，管理执行顺序。

由于ETL过程或数据分析模型，都是一些有序的sql或脚本操作。