【最佳实践】一站式大数据业务开发

环境准备

• 已开通对象存储服务（OBS），并创建桶，例如“s3a://obs-movies”，用于存放原始数据和分析结果数据。
• 已开通数据湖探索服务（DLI）。

数据准备

1. 获取原始数据（演示数据来自：https://grouplens.org/datasets/movielens/），并保存为csv格式的文件。原始数据说明如下：
   • movies.csv

     保存电影的基本信息，包含电影ID、名称、类型。部分数据如表1所示。

     表1 movies.csv部分数据

     movieId	title	genres
     1	Toy Story (1995)	Adventure|Animation|Children|Comedy|Fantasy
     2	Jumanji (1995)	Adventure|Children|Fantasy
     3	Grumpier Old Men (1995)	Comedy|Romance
     4	Waiting to Exhale (1995)	Comedy|Drama|Romance
     5	Father of the Bride Part II (1995)	Comedy

   • ratings.csv

     保存电影评分，包含用户ID、电影ID、评分（0~5）、评分时间。部分数据如表2所示。

     表2 ratings.csv部分数据

     userId	movieId	rating	timestamp
     1	31	2.5	1260759144
     1	1029	3	1260759179
     1	1061	3	1260759182
     1	1129	2	1260759185
     1	1172	4	1260759205

2. 将movies.csv、ratings.csv两个原始数据上传至OBS桶，例如“s3a://obs-movies”，后续DLF和DLI将直接对OBS桶中的数据进行处理。

创建DLI数据连接、数据库、数据表

用户可以通过DLI或DLF的编辑器执行SQL来创建数据表，本文以使用DLF编辑器为例。

1. 创建一个DLF到DLI的连接，数据连接名称为“dli”。
   图1 创建数据连接
   

2. 参见图2创建一个数据库，用于存放数据表，数据库名称为“movies”。
   图2 创建数据库
   

3. 创建一个DLI SQL脚本，通过SQL语句来创建数据表。

   其中，movie、rating为OBS表，数据存储在OBS中，两张表用于存放原始数据。top_rating_movie、top_active_movie为DLI表，两张表用于存放分析结果。

   图3 创建数据表
   

   关键操作说明：

   • 图3中的脚本开发区为临时调试区，关闭脚本页签后，开发区的内容将丢失。如需保留该SQL脚本，请单击，将脚本保存至指定的目录中。

   关键参数说明：

   • 数据连接：1中创建的DLI数据连接。
   • 数据库：2中创建的数据库。
   • 资源队列：使用DLI提供的默认资源队列“default”。
   • SQL语句：如下所示。

     create table movie(movieId int,title varchar(256),genres varchar(256)) using csv options (path 's3a://obs-movies/movies.csv');
     create table rating(userId int,movieId int,rating float,rating_date long) using csv options (path 's3a://obs-movies/ratings.csv');
     create table top_rating_movie(title varchar(256),avg_rating float,rating_user_number int);
     create table top_active_movie(title varchar(256),avg_rating float,rating_user_number int);

创建DLI SQL脚本top_rating_movie（用于存放评分最高的Top20电影）

评分最高Top20电影的计算方法是：先计算出每部电影的总评分和参与评分的用户数，过滤掉参与评分的用户数小于100的记录，返回电影名称、平均评分和参与评分用户数。

1. 创建和开发一个DLI SQL脚本，从movie和rating表中计算出评分最高的Top20电影，将结果存放到top_rating_movie表。
   图4 脚本（评分最高Top20电影）
   

   关键参数说明：

   • 数据连接：1中创建的DLI数据连接。
   • 数据库：2中创建的数据库。
   • 资源队列：使用DLI提供的默认资源队列“default”。
   • SQL语句：如下所示。

     insert overwrite table top_rating_movie
     select
     a.title,
     b.ratings / b.rating_user_number as avg_rating,
     b.rating_user_number
     
     from
     movie a,
     (
     select
     movieId,
     sum(rating) ratings,
     count(1) as rating_user_number
     
     from
     rating
     group by
     movieId
     ) b
     where
     rating_user_number > 100
     and a.movieId = b.movieId
     order by
     avg_rating desc
     limit
     20

2. 脚本调试无误后，我们需要保存该脚本，脚本名称为“top_rating_movie”。在后续DLF作业开发和作业调度引用该脚本。

创建DLI SQL脚本top_active_movie（用于存放最活跃的Top20电影）

最活跃Top20电影的计算方法是：平均评分大于3.5中用户评分数最多的20部电影。

1. 创建和开发一个DLI SQL脚本，从movie和rating表中计算出最活跃的Top20电影，将结果存放到top_active_movie表。
   图5 脚本（分析最活跃Top20电影）
   

   关键参数说明：

   • 数据连接：1中创建的DLI数据连接。
   • 数据库：2中创建的数据库。
   • 资源队列：使用DLI提供的默认资源队列“default”。
   • SQL语句：如下所示。

     insert overwrite table top_active_movie   
     select * from 
     (
     select 
       a.title, 
       b.ratingSum / b.rating_user_number as avg_rating, 
       b.rating_user_number 
     from 
       movie a, 
       ( 
         select 
           movieId, 
           sum(rating) ratingSum, 
           count(1) as rating_user_number 
         from 
           rating 
         group by 
           movieId 
       ) b 
     where  
       a.movieId = b.movieId 
       ) t
       where 
       t.avg_rating > 3.5 
     order by 
       rating_user_number desc 
     limit 
       20

2. 脚本调试无误后，我们需要保存该脚本，脚本名称为“top_active_movie”。在后续DLF作业开发和作业调度引用该脚本。

DLF作业开发和作业调度

假设“movie”和“rating”表是实时变动的，我们希望每天更新Top20电影，那么这里可以使用DLF作业编排和作业调度功能。

1. 创建一个DLF空作业，作业名称为“topmovie”。
   图6 创建作业
   

2. 然后进入到作业开发页面，拖动Dummy和DLI SQL节点到画布中，连接并配置节点的属性。
   图7 连接和配置节点属性
   

   关键说明：

   • Begin（Dummy节点）：不执行任何操作，只作为起始点的标识。
   • top_rating_movie（DLI SQL节点）：在节点属性中，关联创建DLI SQL脚本top_rating_movie（用于存放评分最高的Top20电影）中开发完成的DLI SQL脚本“top_rating_movie”。
   • top_active_movie（DLI SQL节点）：在节点属性中，关联创建DLI SQL脚本top_active_movie（用于存放最活跃的Top20电影）中开发完成的DLI SQL脚本“top_active_movie”。

3. 作业编排完成后，单击，测试运行作业。
4. 如果日志运行正常，单击画布空白处，在右侧的“调度配置”页面，配置作业的调度策略。
   图8 调度配置
   

   说明：

   • 2019/05/07至2019/05/17，每天0点执行一次作业。

5. 最后我们需要保存作业（单击），并执行调度作业（单击）。实现作业每天自动运行，Top20电影的结果自动保存到“top_active_movie”和“top_rating_movie”表。

监控作业执行情况

用户如果需要及时了解作业的执行结果是成功还是失败，可以通过DLF的监控界面、邮件通知、短信通知进行了解。以下展示如何进入监控界面查看执行结果。

图9 查看作业执行情况