新闻网站大数据项目

介绍：&emsp本次项目是基于企业大数据经典案例项目（大数据日志分析），全方位、全流程讲解大数据项目的业务分析、技术选型、架构设计、集群规划、安装部署、整合继承与开发和web可视化交互设计。

一、业务需求

（一）捕获用户浏览日志信息
（二）实时分析前20名流量最高的新闻话题
（三）实时统计当前线上已曝光的新闻话题
（四）统计哪个时段用户浏览量最高

二、系统架构

新闻网站大数据项目

三、集群规划

新闻网站大数据项目

四、数据源介绍

新闻网站大数据项目

五、项目实战

1）离线采集数据

架构：flume+hbase+hive
数据是实时的用户查询日志信息，为了做离线的统计，需要将数据存储HDFS，写入的压力非常大，单位时间内写入的数据量比较大，直接向hdfs中写入的效率比较低；而hbase，高速随机读写的数据库，这里使用hbase去接收flume传送过来的数据，当数据被传入hbase之后，我们可以使用hive去关联hbase中的数据。
hbase建表：
create 'zy_news_log', 'cf'

2）关联flume+hbase

使用sink为hbase或者asynchbase，但是这两种方式其中定义EventSerializer满足不了我们的需求，日志数据有6列，数据以\t分割，但是默认的hbasesink只能做到一列，所以只能自定义hbase-sink。
自定义sink源代码：
编译打包： mvn package -DskipTests
将项目target目录下面的flume-hbase-sink-1.0-SNAPSHOT.jar
新闻网站大数据项目
放入到flume集群中的lib的目录下。
编写flume：flume-hbase-sink.conf

#########################################################
##主要作用是文件中的新增内容，将数据打入到HBase中
#注意：Flume agent的运行，主要就是配置source channel sink
##下面的a1就是agent的代号，source叫r1 channel叫c1 sink叫k1
#########################################################
a1.sources = r1
a1.sinks = k1
a1.channels = c1

#对于source的配置描述 监听目录中的新增数据
a1.sources.r1.type = exec
a1.sources.r1.command  = tail -F /home/hadoop1/flume_properties/flume/flume-hbase.txt

#对于sink的配置描述 使用hbase做数据的消费
a1.sinks.k1.type = hbase
a1.sinks.k1.table = news_log
a1.sinks.k1.columnFamily = cf
a1.sinks.k1.serializer = org.apache.flume.sink.hbase.RegexHbaseEventSerializer

#对于channel的配置描述 使用内存缓冲区域做数据的临时缓存,文件
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /home/hadoop1/flume_properties/flume/checkpoint
a1.channels.c1.dataDirs = /home/hadoop1/flume_properties/flume/channel
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 100

#通过channel c1将source r1和sink k1关联起来
a1.sources.r1.channels = c1
a1.sinks.k1.channel =c1

后台启动：
flume-ng agent -n a1 -c conf -f flume-hbase-sink.conf -Dflume.root.logger=INFO,console
关联flume+hbase：
hive创建hbase的表：

CREATE EXTERNAL TABLE news_log_1805(
    id string,
    datetime string,
    userid string,
    searchname string,
    retorder int,
    cliorder int,
    cliurl string
) 
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key,cf:datetime,cf:userid,cf:searchname,cf:retorder,cf:cliorder,cf:cliurl")
TBLPROPERTIES ("hbase.table.name" = "news_log_1805", "hbase.mapred.output.outputtable" = "news_log_1805");

之后就可以在hive中做一些查询操作，来完成相关业务。

2）实时采集数据

架构：flume+Kafka
创建topic：

bin/kafka-topics.sh --create \
--topic zy-news-logs \
--zookeeper hadoop01:2181,hadoop02:2181,hadoop03:2181 \
--partitions 3 \
--replication-factor 3

指定flume的配置文件：flume-kafka-sink.conf
新闻网站大数据项目

a1.sources = r1
a1.sinks = k1
a1.channels = c1

#对于source的配置描述 监听文件中的新增数据 exec
a1.sources.r1.type = exec
a1.sources.r1.command  = tail -F /home/data/projects/news/data/news_log_rt.log

#对于sink的配置描述 使用kafka日志做数据的消费
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.bootstrap.servers = hadoop01:9092,hadoop02:9092,hadoop03:9092
a1.sinks.k1.kafka.topic = zy-news-logs
a1.sinks.k1.kafka.flumeBatchSize = 1000
a1.sinks.k1.kafka.producer.acks = 1
a1.sinks.k1.kafka.producer.linger.ms = 1

#对于channel的配置描述 使用文件做数据的临时缓存 这种的安全性要高
a1.channels.c1.type = memory
a1.channels.c1.capacity = 100000
a1.channels.c1.transactionCapacity = 1000

#通过channel c1将source r1和sink k1关联起来
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

4）数据的统计分析

SparkStreaming+Kafka+web+scala+java+maven+hbase/mysql/redis
具体的代码实现可以在小编的博客中下载：