首页 > 代码库 > etl工作中的设计问题
etl工作中的设计问题
http://blog.csdn.net/lili72
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 '00_03'
when hour_time>=3 and hour_time<=5 then '03_06'
when hour_time>=6 and hour_time<=7 then '06_08'
when hour_time>=8 and hour_time<=11 then '08_12'
when hour_time>=12 and hour_time<=13 then '12_14'
when hour_time>=14 and hour_time<=17 then '14_18'
when hour_time>=18 and hour_time<=23 then '18_24'
else '0'
end
as hour_time
,count(distinct dt) hour_dt_num
where dt >='2014-10-01'
and dt<='2014-10-30'
group by userid,
case when hour_time>=0 and hour_time<=2 then '00_03'
when hour_time>=3 and hour_time<=5 then '03_06'
when hour_time>=6 and hour_time<=7 then '06_08'
when hour_time>=8 and hour_time<=11 then '08_12'
when hour_time>=12 and hour_time<=13 then '12_14'
when hour_time>=14 and hour_time<=17 then '14_18'
when hour_time>=18 and hour_time<=23 then '18_24'
else '0'
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<=${par2} then '${id}' ">>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。
etl工作中的设计问题