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 14:0本文来源gao($daima.com搞@代@#码(网0-18:00

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.orderselect   userid  ,case         when hour_time>=0  and hour_time=3  and hour_time=6  and hour_time=8  and hour_time=12 and hour_time=14 and hour_time=18 and hour_time='2014-10-01' and dt=0  and hour_time=3  and hour_time=6  and hour_time=8  and hour_time=12 and hour_time=14 and 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 "${command}" >m.txt ###初始化echo "       insert overwrite table common.order">mysql.sqlecho "               select     ">>mysql.sqlecho "                      userId  " >>mysql.sqlecho "                     case  ">>mysql.sql sed -i -e '1d' m.txtcat m.txt |while read line  do  par1=$(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>mysql.sqlDone

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。

喜欢 (0)赏

[搞代码]

分享 (0)