一、目的
经过6个月的奋斗，项目的离线数仓部分终于可以上线了，因此整理一下离线数仓的整个流程，既是大家提供一个案例经验，也是对自己近半年的工作进行一个总结。
二、项目背景
项目行业属于交通行业，因此数据具有很多交通行业的特征，比如转向比数据就是统计车辆左转、右转、直行、掉头的车流量等等。
三、业务需求
（一）预估数据规模
（二）指标查询频率
指标的实时查询由Flink实时数仓计算，离线数仓这边提供指标的T+1的历史数据查询
四、数仓技术架构
（一）简而言之，数仓模块的数据源是Kafka，终点是ClickHouse数据库
第一步，用kettle采集Kafka的数据写入到HDFS中；
第二步，在Hive中建数仓，ODS层、DWD层和DWS层
第三步，把Hive的DWS层处理好的结果数据用kettle同步到ClickHouse数据库中
（二）注意点
1、ETL工具统一使用kettle
2、调度工具是海豚调度器
五、数仓环境部署
（一）部署原则：易部署、易维护
（二）部署工具及其版本
1、jdk1.8.0
2、MySQL8.0.31
3、Kafka_2.13-3.0.0（Kafka自带ZooKeeper）
4、ClickHouse21.9.5.16
5、Hadoop3.1.3
6、Hive3.1.2（不要用Spark作为计算引擎，默认的mr即可）
7、DolphinScheduler2.0.5
8、Kettle9.2
（三）部署脚本以及部署文档
由于一开始的数据规模不大以及服务器资源有限问题，所以目前使用的单机版部署，没有部署集群
六、数仓实施步骤（搭建好数仓环境后）
（一）步骤一、用Kettle从Kafka、MySQL等数据源采集数据然后写入HDFS
1、Kettle转换任务配置
（1）样例一：维度表数据——从MySQL导入数据到HDFS
（2）样例二：事实表数据——从Kafka采集数据到HDFS
2、Kettle转换任务配置注意点
（1）维度表数据——从MySQL导入数据到HDFS
2.1.1、由于维度表数据量少，因此直接overwrite写入HDFS中，每次都是覆盖的全量导入
2.1.2、为了减少磁盘资源使用，在Hadoop file output控件中加了gzip压缩方式
（2）事实表数据——从Kafka采集数据到HDFS
2.2.1、由于Kafka的数据在不停发送，所以Kettle任务就需要一直运行。
2.2.2、由于HDFS的特性是以packet为单位写入，一个packet是64KB，所以不能根据日期每天自动生成一个HDFS文件，那样的话每天都会丢失一部分数据。
因为只要每天最后剩余的数据不满64KB，那这部分数据就不会写入。kettle任务直接生成第二天的数据文件、写入第二天的数据，即使这天的数据文件的状态还在写入。
所以就直接生成一个HDFS文件，一直在这个文件里写入数据即可。后面先get到Linux本地，然后再overwrite写入HDFS的ODS层表中，这样不会每天丢数据。
2.2.3、由于kettle任务需要一直运行，所以Hadoop file output控件不能添加数据压缩方式。
否则虽然显示HDFS文件有数据，但只要任务不停止文件就不会压缩，这样HDFS文件实际上没有数据，所以HDFS文输出控件不能添加压缩
3、海豚调度器调度kettle转换任务
（1）首先，为了便于团队开发，kettle需要配置共享资源库，把kettle任务统一放在资源库中运行。
用海豚调度kettle任务不需要开启carte服务，如果是用xxl-job调度，那可以开启carte服务
（2）对于事实表数据——从Kafka采集数据到HDFS
3.2.1、脚本不要加日志文件，因为数据量太大。
#!/bin/bash
source /etc/profile
/usr/local/hurys/dc_env/kettle/data-integration/pan.sh -rep=hurys_linux_kettle_repository -user=admin -pass=admin -dir=/kafka_to_hdfs/ -trans=02_Kafka_to_HDFS_evaluation
3.2.2、工作流不需要定时，直接启动，一直跑任务即可
（3）对于维度表数据——从MySQL导入数据到HDFS
3.3.1、脚本可以添加日志文件
#!/bin/bash
source /etc/profile
/usr/local/hurys/dc_env/kettle/data-integration/pan.sh -rep=hurys_linux_kettle_repository -user=admin -pass=admin -dir=/mysql_to_hdfs/ -trans=04_MySQL_to_HDFS_t_team level=Basic >>/home/log/kettle/04_MySQL_to_HDFS_t_team_`date +%Y%m%d`.log
3.3.2、工作流需要定时，不过需要注意不同工作流的定时时间，保留工作流之间充足的定时区间
文章来源：https://www.toymoban.com/news/detail-732055.html
剩余数仓部分，待续！文章来源地址https://www.toymoban.com/news/detail-732055.html
到了这里，关于一百八十二、大数据离线数仓完整流程——步骤一、用Kettle从Kafka、MySQL等数据源采集数据然后写入HDFS的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
