#头条创作挑战赛#

项目数据种类与采集

实时数仓项目中的数据分为两类，一类是业务系统产生的业务数据，这部分数据存储在MySQL数据库中，另一类是实时用户日志行为数据，这部分数据是用户登录系统产生的日志数据。

针对MySQL日志数据我们采用maxwell全量或者增量实时采集到大数据平台中，针对用户日志数据，通过log4j日志将数据采集到目录中，再通过Flume实时同步到大数据平台，总体数据采集思路如下图所示：

;

针对MySQL业务数据和用户日志数据构建离线+实时湖仓一体数据分析平台，我们暂时划分为会员主题和商品主题。下面了解下主题各类表情况。

一、MySQL业务数据

1、配置MySQL支持UTF8编码

在node2节点上配“/etc/my.cnf”文件，在对应的标签下加入如下配置，更改mysql数据库编码格式为utf-8：

[mysqld]
character-set-server=utf8

[client]
default-character-set = utf8

修改完成之后重启mysql即可。

2、MySQL数据表

MySQL业务数据存储在库“lakehousedb”中，此数据库中的业务数据表如下：

2.1、会员基本信息表 : mc_member_info

;

2.2、 会员收货地址表 : mc_member_address

;

2.3、用户登录数据表 : mc_user_login

;

2.4、商品分类表 : pc_product_category

;

2.5、商品基本信息表 : pc_product

;

3、MySQL业务数据采集

我们通过maxwell数据同步工具监控MySQL binlog日志将MySQL日志数据同步到Kafka topic “KAFKA-DB-BUSSINESS-DATA”中，详细步骤如下：

3.1、配置maxwell config.properties文件

进入node3“/software/maxwell-1.28.2”目录，配置config.properties文件，主要是配置监控mysql日志数据对应的Kafka topic，配置详细内容如下：

producer=kafka kafka.bootstrap.servers=node1:9092,node2:9092,node3:9092 kafka_topic=KAFKA-DB-BUSSINESS-DATA #设置根据表将binlog写入Kafka不同分区，还可指定：database, table, primary_key, transaction_id, thread_id, column producer_partition_by=table #mysql 节点 host=node2 #连接mysql用户名和密码 user=maxwell password=maxwell #指定maxwell 当前连接mysql的实例id,这里用于全量同步表数据使用 client_id=maxwell_first

3.2、启动kafka，创建Kafka topic，并监控Kafka topic

启动Zookeeper集群、Kafka 集群，创建topic“KAFKA-DB-BUSSINESS-DATA” topic：

#进入Kafka路径，创建对应topic
[root@node1 ~]# cd /software/kafka_2.11-0.11.0.3/bin/
[root@node1 bin]# ./kafka-topics.sh --zookeeper node3:2181,node4:2181,node5:2181 --create --topic KAFKA-DB-BUSSINESS-DATA --partitions 3 --replication-factor 3

#监控Kafak topic 中的数据
[root@node1 bin]# ./kafka-console-consumer.sh --bootstrap-server node1:9092,node2:9092,node3:9092 --topic KAFKA-DB-BUSSINESS-DATA

3.3、启动maxwell

#在node3节点上启动maxwell
[root@node3 ~]# cd /software/maxwell-1.28.2/bin/
[root@node3 bin]#  maxwell --config ../config.properties

3.4、在mysql中创建“lakehousedb”并导入数据

#进入mysql ，创建数据库lakehousedb
[root@node2 ~]# mysql -u root -p123456
mysql> create database lakehousedb;

打开“Navicat”工具，将资料中的“lakehousedb.sql”文件导入到MySQL数据库“lakehousedb”中，我们可以看到在对应的kafka topic “KAFKA-DB-BUSSINESS-DATA”中会有数据被采集过来。

;

二、用户日志数据

1、用户日志数据

目前用户日志数据只有“会员浏览商品日志数据”，其详细信息如下：

• 接口地址：/collector/common/browselog
• 请求方式：post
• 请求数据类型：application/json
• 接口描述：用户登录系统后，会有当前登录时间信息及当前用户登录后浏览商品，跳转链接、浏览所获积分等信息
• 请求示例：

{
    "logTime": 1646393162044,
    "userId": "uid53439497",
    "userIp": "216.36.11.233",
    "frontProductUrl": "https://fo0z7oZj/rInrtrb/ui",
    "browseProductUrl": "https://2/5Rwwx/SqqwwwOUsK4",
    "browseProductTpCode": "202",
    "browseProductCode": "q6HCcpwfdgfgfxd2I",
    "obtainPoints": 16,
}

• 请求参数解释如下：

2、用户日志数据采集

日志数据采集是通过log4j日志配置来将用户的日志数据集中获取，这里我们编写日志采集接口项目“LogCollector”来采集用户日志数据。

当用户浏览网站触发对应的接口时，日志采集接口根据配合的log4j将用户浏览信息写入对应的目录中，然后通过Flume监控对应的日志目录，将用户日志数据采集到Kafka topic “KAFKA-USER-LOG-DATA”中。

这里我们自己模拟用户浏览日志数据，将用户浏览日志数据采集到Kafka中，详细步骤如下：

2.1、将日志采集接口项目打包，上传到node5节点

将日志采集接口项目“LogCollector”项目配置成生产环境prod，打包，上传到node5节点目录/software下。

2.2、编写Flume 配置文件a.properties

将a.properties存放在node5节点/software目录下，文件配置内容如下：

#设置source名称
a.sources = r1
#设置channel的名称
a.channels = c1
#设置sink的名称
a.sinks = k1

# For each one of the sources, the type is defined
#设置source类型为TAILDIR，监控目录下的文件
#Taildir Source可实时监控目录一批文件，并记录每个文件最新消费位置，agent进程重启后不会有重复消费的问题
a.sources.r1.type = TAILDIR
#文件的组，可以定义多种
a.sources.r1.filegroups = f1
#第一组监控的是对应文件夹中的什么文件：.log文件
a.sources.r1.filegroups.f1 = /software/lakehouselogs/userbrowse/.*log

# The channel can be defined as follows.
#设置source的channel名称
a.sources.r1.channels = c1
a.sources.r1.max-line-length = 1000000
#a.sources.r1.eventSize = 512000000

# Each channel's type is defined.
#设置channel的类型
a.channels.c1.type = memory
# Other config values specific to each type of channel(sink or source)
# can be defined as well
# In this case, it specifies the capacity of the memory channel
#设置channel道中最大可以存储的event数量
a.channels.c1.capacity = 1000
#每次最大从source获取或者发送到sink中的数据量
a.channels.c1.transcationCapacity=100

# Each sink's type must be defined
#设置Kafka接收器
a.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
#设置Kafka的broker地址和端口号
a.sinks.k1.brokerList=node1:9092,node2:9092,node3:9092
#设置Kafka的Topic
a.sinks.k1.topic=KAFKA-USER-LOG-DATA
#设置序列化方式
a.sinks.k1.serializer.class=kafka.serializer.StringEncoder 
#Specify the channel the sink should use
#设置sink的channel名称
a.sinks.k1.channel = c1

2.3、在Kafka中创建对应的topic并监控

#进入Kafka路径，创建对应topic
[root@node1 ~]# cd /software/kafka_2.11-0.11.0.3/bin/
[root@node1 bin]# ./kafka-topics.sh --zookeeper node3:2181,node4:2181,node5:2181 --create --topic KAFKA-USER-LOG-DATA --partitions 3 --replication-factor 3

#监控Kafak topic 中的数据
[root@node1 bin]# ./kafka-console-consumer.sh --bootstrap-server node1:9092,node2:9092,node3:9092 --topic KAFKA-USER-LOG-DATA

2.4、启动日志采集接口

在node5节点上启动日志采集接口，启动命令如下：

[root@node5 ~]# cd /software/
[root@node5 software]# java -jar ./logcollector-0.0.1-SNAPSHOT.jar 

启动之后，根据日志采集接口配置会在“/software/lakehouselogs/userbrowse”目录中汇集用户浏览商品日志数据。

2.5、 启动Flume，监控用户日志数据到Kafka

在node5节点上启动Flume,监控用户浏览日志数据到Kafka “KAFKA-USER-LOG-DATA” topic。

[root@node5 ~]# cd /software/
[root@node5 software]# flume-ng agent --name a -f /software/a.properties -Dflume.root.logger=INFO,console

2.6、启动模拟用户浏览日志代码，向日志采集接口生产数据

在window本地启动“LakeHouseMockData”项目下的“RTMockUserLogData”代码，向日志采集接口中生产用户浏览商品日志数据。

启动代码后，我们会在Kafka “KAFKA-USER-LOG-DATA” topic 中看到监控到的用户日志数据。

;

三、错误解决

如果在向mysql中创建库及表时有如下错误：

Err 1055 - Expression #1 of ORDER BY clause is not in GROUP BY clause and contains nonaggregated column 'information_schema.PROFILING.SEQ' which is not functionally dependent on columns in GROUP BY clause; this is incompatible with sql_mode=only_full_group_by

以上错误是由于MySQL sql_mode引起,对于group by聚合操作,如果在select中的列没有在group by中出现,那么这个SQL是不合法的。按照以下步骤来处理。

1、首先停止mysql，然后在mysql节点配置my.ini文件

[root@node2 ~]# service mysqld stop

打开/etc/my.cnf文件，在mysqld标签下配置如下内容：

mysqld sql_mode=STRICT_TRANS_TABLES,NO_ZERO_IN_DATE,NO_ZERO_DATE,ERROR_FOR_DIVISION_BY_ZERO,NO_AUTO_CREATE_USER,NO_ENGINE_SUBSTITUTION

2、重启mysql即可解决

[root@node2 ~]# service mysqld start