玩转大数据系列之Apache Pig如何通过自定义UDF查询数据库(五)
GMV(一定时间内的成交总额)是一个衡量电商网站营业收入的一项重要指标,例如淘宝,京东都有这样的衡量标准,感兴趣的朋友可以自己科普下这方面的概念知识。
当然散仙今天,并不是来解释概念的,而是记录下最近工作的一些东西,原来我们平台的GMV只有一个总的成交金额,并没有细分到各个系统的GMV的比重,比如搜索端,推荐端,移动端等等。
通过细粒度的分析各个系统所占的比重,对于指导各个系统完善和发展有一定的重要意义,这里不就深说了,下面先来看下散仙分析的搜索gmv的数据布局方式。
(1)Hadoop集群上,存储了一些非核心的数据,比如访问数据,点击数据,购物车数据,下单数据(这个是从数据库里每天同步到HDFS上的,算是备份吧)
(2)Oracle数据库中,存储了订单信息,交易信息,商品信息,支付信息等一些电商的核心数据
其实关于gmv的计算方式,在我们oracle库里,以及有一个存储过程封装了复杂的细节的处理,包括运费,折扣,不同国家,不同地域,信用用户,等等,在使用时候,只需要传入一个订单编号即可,计算出本单的gmv成交金额。
这样以来的,按照目前的数据情况,订单编号是从Hadoop集群上,一直是从搜索,点击,添加购物车,下单计算出来的,然后获取的对应的订单编号,注意这个过程中,是需要全程去爬虫数据的,因为还要算最终的GMV成交额,所以需要找到一定时期内的订单号,然后通过调用在oracle库的封装好的函数,计算出gmv,这样以来,就能够比较细跟踪各个阶段运行轨迹和成交额。
ok,业务上的分析大致如此,下面就看下,技术上如何实现,其实就是需要Pig的一个自定义UDF函数,在遍历每一行的recoder时,去查询oracle只读库,获取gmv的值,并将最终结果存储起来,以图形化方式展示。
Pig里面对UDF函数非常丰富,比较常用的是转化函数和加载存储函数,这一点在Hive里,也是如此,之前的文章中,散仙介绍过,通过自定义UDF将pig分析的结果直接存储到数据库或索引中,便于检索和发挥不同框架之间的组合优势。
核心代码如下:
package com.pig.dhgate.getgvmbyrfxno; import java.io.IOException; import org.apache.pig.EvalFunc; import org.apache.pig.data.Tuple; import org.slf4j.Logger; import org.slf4j.LoggerFactory; /** * 自定义Pig UDF实现查询db计算gmv * **/ public class GetGmvByRfxno extends EvalFunc<Double> { /**日志对象*/ static Logger log =LoggerFactory.getLogger(GetGmvByRfxno.class); /**数据库工具类*/ DBTools dbtools=new DBTools(); @Override public Double exec(Tuple input) throws IOException { if(input!=null&&input.size()!=0){ //获取传入的订单号 String rfxno =(String)input.get(0); //通过db类,查询对应的gmv并返回 double gmv=dbtools.getGmvByRfxno(rfxno); return gmv; }else{ //对null,空值,一律按0处理 return 0.00; } } }
数据库封装类:
/*** * 数据库工具类 * */ public class DBTools { /**日志对象*/ static Logger log =LoggerFactory.getLogger(DBTools.class); private static Connection conn; private static PreparedStatement ps; private ResultSet rs; //从虚拟表查询函数 private static String sql="select datasql.GETGMV(?) as gmv from dual "; static{ try{ Class.forName("oracle.jdbc.driver.OracleDriver"); conn = DriverManager.getConnection("jdbc:oracle:thin:@ip地址:1521:数据库名", "用户名", "密码"); System.out.println("数据库连接:"+conn); ps=conn.prepareStatement(sql); }catch(Exception e){ log.error("初始化oracle驱动异常!", e); } } /**根据一个rfxno获取对应的产品的gmv * **/ public double getGmvByRfxno(String rfxno){ try{ ps.setString(1, rfxno); rs = ps.executeQuery(); if(rs.next()){ double gmv=rs.getDouble("gmv"); // System.out.println("gmv是: "+gmv); return gmv; } rs.close(); }catch(Exception e){ log.error("根据rfxno获取gmv出错!",e); } return 0.0; } }
其实,代码还是比较简单的,在这里,你可以从任何数据源获取需要的数据,而不仅仅是数据库,你也可以从redis,memcache,文件,xml,等等里获取需要组合用的数据。
遇到一个异常:在sql语句后面,不用加分号,类似下面的这样的语句,通过jdbc编译然后调用oracle是不通过的:
select datasql.GETGMV(?) as gmv from dual;
select datasql.GETGMV(?) as gmv from dual;
这一点需要注意下。
最后来看下如下在pig脚本里,使用自定义的函数:
(1)使用ant打包自定义的udf函数的jar
(2)在pig脚本里,注册相关的jar包,注意如果有依赖关系,依赖的jar包,也需要注册,例如本例中的oracle的jdbc的驱动包
(3)在对应的地方,通过类的全路径名,引用此函数,完成对应的查询转换,并将新得到的一个字段,作为原始一行记录的字段扩充。
脚本如下:
--注册依赖的jar包 register /home/search/dongliang/nsconvent/checklist/ojdbc.jar register /home/search/dongliang/nsconvent/checklist/tools.jar --加载原有数据 m = load ‘/tmp/mdm/VW_TD_RFX‘ using PigStorage(‘\\x07‘); --加载原有数据 n = load ‘/tmp/mdm/TD_RFX_PRODUCT‘ using PigStorage(‘\\x07‘); --过滤出符合时间的数据 m= filter m by ToMilliSeconds(ToDate($3,‘yyyy-MM-dd HH:mm:ss‘)) >= ToMilliSeconds(ToDate(‘$day 00:00:00‘,‘yyyy-MM-dd HH:mm:ss‘)) and ToMilliSeconds(ToDate($3 ,‘yyyy-MM-dd HH:mm:ss‘)) <= ToMilliSeconds(ToDate(‘$day 23:59:59‘,‘yyyy-MM-dd HH:mm:ss‘)) ; --提取相关字段,并完成计算 m = foreach m generate $0 as arfid, $1 as rfxno , com.pig.dhgate.getgvmbyrfxno.GetGmvByRfxno((chararray)$1) as gmv , $4 as bid ; --获取topN数据 m = limit m 10 ; --打印输出 dump m;
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。