hadoop离线项目处理流程

 各组件的简介

1.  Hadoop:HDFS MR(清洗)YARN、需要部署hadoop集群
2. Hive：外部表、SQL、解决数据倾斜、sql优化、基于元数据管理、SQL到MR过程
3. Flume：将数据抽取到hdfs
4. 调度：crontab、shell、Azkaban
5. HUE：可视化的notebook，CM自带 ，排查数据

• 使用Flume/logstash抽取服务器上的日志数据以及使用sqoop/spark抽取关系型数据库的数据，将数据抽取到HDFS（压缩+普通文本格式）。 将hdfs上数据通过（MR/Spark/Flink）清洗出来后存放数仓（hive） 将原始的数据放到目标位置（hive的外部表） 业务计算，将结果放到业务表（数据集市） 应用程序查询访问，我们这个可通过HUE查看信息

　　

 处理流程图

1. 集群内的可用flume，beat，logstash等等采集工具
2. 集群外的数据可以通过sqoop或者spark等一些平台或者框架来导入（如果从sql来解决就是平台型的，如果从代码来解决就是业务型的）这里都是平台型来解决。
3. 大部分公司都是以天级别来分log文件的；支持各种文本格式
4. 清洗过后的数据一般都是落在hive之上；ETL（mr）出来之后的一个分区表
5. 步骤是：数据清洗=>移动数据到数仓=>刷元数据信息 最后用hue等工具展示数据

备注1：HUE是个非常强大且方便的可视化界面。在界面能操作hadoop生态圈的组件以及查询 查询组件显示信息。使用场景：排查数据
备注2: zeppelin和HUE较类似的一个工具，但是比HUE好用，目前市场主流是以改zeppelin源码去做自己的可视化界面。
备注3：步骤2、3、4,的数据落地hdfs时，数据压缩格式、数据的存储格式选择很重要