2011-2022年高职大数据竞赛-赛题任务剖析

本系列共分五篇，内容分别为：

• 第一部分 赛题内容
• 第二部分 任务剖析
• 第三部分 赛题模拟实现-离线数据抽取
• 第四部分 赛题模拟实现-离线数据统计
• 第五部分 赛题模拟实现-数据采集与实时计算
• 第六部分 赛题模拟实现-数据可视化

（一）任务一：大数据平台环境搭建

具体内容

按照大数据分析平台需求，需要完成Hadoop完全分布式、Spark安装配置、Flink安装配置、Hive安装配置、Kafka安装配置、Flume安装配置。

分析

• Hadoop完全分布式：请参考Hadoop-3.2.1环境搭建(3)_完全分布模式。
• Spark安装配置：《Spark实用教程_v3.1.2》，参考1.5小节内容
• Flink安装配置：Flink完全分布式集群安装
• Hive安装配置：安装和使用Hive
• Kafka安装配置：安装Kafka集群
• Flume安装配置：安装Apache Flume

（二）任务二：离线数据抽取

具体内容

按照要求使用Scala语言完成特定函数的编写，使用Spark抽取MySQL指定数据表中的新增的数据到ODS层的指定的分区表中。

分析

• 编程语言采用Scala：请参考Scala3教程
• 开发工具：IDEA 2019社区版。本次样卷中没有给出更多的说明，但参考往年对IDEA的要求，应该是会要求创建Maven类型的项目，出卷方会给出pom.xml依赖配置文件（竞赛环境是不能上外网的，创建项目后把pom.xml复制进去即可）。因此参赛选手需要掌握如何使用IDEA创建Maven项目，可参考小白学苑的教程：使用IntelliJ IDEA开发Spark Maven应用程序。
• 任务中提到“抽取MySQL指定数据表中新增的数据到ODS层的指定分区表中”，这个任务要求涉及到以下几个知识点：
  • ODS层：我们理解为出卷方意指Hive的ODS层。ODS是个数据仓库的概念“数据贴源层”，简单理解就是刚加载到Hive中的原始数据所存放的层就是ODS层，表就是ODS表。更详细的概念解释，请自行google或biying。
  • Spark集成Hive：既然要将数据ETL到Hive中，就需要配置Spark能访问Hive的元数据库Metastore。集成方法请参考《Spark实用教程_v3.1.2》，5.7小节内容。
  • IDEA开发环境支持Hive：同样，要在IDEA中添加相应的依赖配置、JDBC驱动等。集成方法请参考《Spark实用教程_v3.1.2》，5.7小节内容。
  • “特定函数的编写”，要求将这个ETL任务封装到Scala函数中以调用。
  • “指定的分区表”，说明Spark写Hive的时候要进行分区写入。
  • 以上任务要求所涉及到的开发编程技术，可参考小白学苑的案例_Spark SQL实现数据ETL到Hive ODS教程，里面有详细的讲解和参考代码实现。

• 本任务的完整参考实现，请参考“第三部分 赛题模拟实现-离线数据抽取与离线数据统计”。
• 另，任务描述中的“新增的数据”不知何义，请大家在比赛时看真题的上下文环境来理解。

（三）任务三：离线数据统计

具体内容

使用Scala语言编写程序获取ODS层指定分区表中的数据进行清洗，并完成销量前5的商品统计、某月的总销售额统计、指定月份的销售额统计、各用户在线总时长统计，并将统计后的数据存入MySQL数据库中。

分析

• 任务是进行数据清洗。根据竞赛说明，这里的数据清洗内容包括：(1)数据去重；(2)缺失字段填充。
• 清洗任务使用Spark SQL DataFrame API实现，可参考小白学苑的教程“示例_数据缺失值处理”和“示例_数据整合、清洗与转换”。
• “统计销量前5的商品并存入MySQL”：这是个Top N问题，可参考“Spark SQL编程案例3_航班延误数据集分析”中Top N统计部分。
• “统计某月的总销售额并存入MySQL”：需要增加两个计算列--月份列和销售额列，然后执行group by...count...统计。可参考“Spark SQL编程案例1_电商数据分析”。
• “统计指定几个月的销售额并存入MySQL”：与上一任务类似，再加上使用where(或filter)过滤指定的几个月销售数据。
• “统计每个用户的在线总时长并存入MySQL”：按用户ID执行分组统计。因为没有看到真实的比赛数据，不太理解在销售表中如果有在线时长字段（用户在线统计表，不是销售表），请大家比赛时看真题的具体说明。
• 以上几个任务都有“存入MySQL”的要求，实际上是要求将统计的结果集DataFrame写出到MySQL数据库中，可参考小白学苑的教程“存储DataFrame”中的示例-“示例2：将DataFrame存储到MySQL表中”。

（四）任务四：数据采集与实时计算

具体内容

启动业务系统，按照要求使用Flume将用户操作日志采集并存入Kafka中并使用Flink、Scala消费Kafka中的数据将其进行聚合计算出商城在线人数，将结果存入Redis中，并统计该电商系统的UV与PV将结果存入MySQL中。

综合利用Flume、Flink相关技术，使用Scala开发语言，完成将某电商系统的用户操作日志抽取到Kafka中，消费Kafka中的数据并计算商城在线人数,并统计该电商系统的UV与PV。

分析

• 本任务包含三个组成部分：
  • 数据采集：从Flume到Kafka；
  • Flink流处理程序编写（使用Scala API，统计在线人数、UV和PV指标）；
  • 统计结果写出：Redis Sink和JDBC Sink。

• “使用Flume采集某电商系统用户操作日志存入Kafka中”：参考小白学苑“Flume集成Kafka”
• “使用Flink消费Kafka中的数据”
  • 根据竞赛内容构成部分的说明，编程语言采用Scala；
  • 开发工具：IDEA 2019社区版；
  • 项目使用Maven构建。《Flink实用教程》第2.2节，或使用IntelliJ IDEA+Maven开发Flink项目

• “聚合计算出系统在线人数并将结果存入Redis中”
  • 这里有个疑问，聚合计算需要时间维度，是要求计算每分钟的在线人数？还是每小时的？每天的？从样卷中无法看出。根据任务要求分析，既然要将结果存入Redis中缓存，说明计算的频次还是比较高的，在参考实现中，我会暂定为计算系统每分钟在线人数，大家可以参赛时看真题的具体要求再调整代码。
  • 实现技术使用滚动窗口函数，事件时间，Flink写Redis和MySQL，请参考《Flink实用教程》相关章节。

• “统计系统的UV与PV并存入MySQL中”：同样的疑问：每分钟UV、PV？还是每小时？每天？从样卷中无法看出。同样在参考实现中，我会按每分钟进行统计。实现技术请参考《Flink实用教程》相关章节。

（五）任务五：数据可视化

具体内容

编写前端Web界面，调用后台数据接口，使用Vue.js、Echarts完成数据可视化。基于Vue.js、Echarts的数据可视化渲染编码（柱状图、折线图、饼图等）。

综合运用HTML、CSS、JavaScript等开发语言，Vue.js前端技术，结合Echarts数据可视化组件，对MySQL中的数据进行可视化呈现。

分析

• 本任务包含三个组成部分：
  • ECharts：基于Web的js绘图库使用；
  • Web程序服务器端实现；
  • Web程序客户端实现。

• 使用ECharts绘制柱状图、折线图、饼图等：非常简单，参考ECharts官网上的Demo即可，实现时将其中静态数据替换为服务器端获取的动态数据即可；
• Web程序服务器端实现：
  • 这里没有具体说明服务器端采用什么技术（Spring? Servlet? PHP？）
  • 在参考实现中，我采用了Java Web来实现(JSP + Servlet)

• Web程序客户端实现：要求使用vue.js前端框架，使用ECharts可视化组件。

（六）补充说明

阅读大赛赛项规程说明，其中有这么一段描述：

（二）软件平台 采用xxxx大数据实训管理系统（北京xxxx科技有限公司研发）。

说明出题方是依据这个平台环境出题的，所以在上面的分析中，我们看到有很多语焉不详的地方，要么是因为出题方故意为之，要么是出题方想当然地忽略了一些细节。

在“（三）软件环境”部分，可以看到，该实训管理系统使用的大数据组件比较陈旧，比如Spark是2.1.1版本，Hadoop是2.7.7版本，Kafka 2.0.0，Redis 4.0.1，Flume 1.7.0，Flink 1.10.2。其中比较麻烦的是Flink，因为Flink不同的版本，API之间有较大的差异，连接Kafka和连接Redis的代码都会随版本不同而不同。所以如果是为了竞赛，大家最好搭建一个和他的版本相同的环境。如果想掌握较新的技术，那么我推荐小白学苑的PBLP平台（个人大数据学习平台），搭载的大数据组件大家可以做个对比，另外小白学苑的所有教程代码都是基于PBLP平台的。