基于hadoop的BI架构

BI系统，是企业利用数据驱动运营的一个典型系统。BI系统通过发掘企业运行过程中的数据，发现企业的潜在风险、为企业的各项决策提供数据支撑。

传统的BI系统通常构建于关系型数据库之上。随着企业业务量的增大和对用户行为实时提取分析的需要越来越高，传统的BI架构对实时性的分析和大数据量的分析已经无法满足，新的数据分析的解决方案便呼之欲出。

得益于hadoop对大数据和分布式计算的优势、以及丰富的组件，使用hadoop进行BI架构便方便许多。

一个典型的基于hadoop的BI架构如下图所示：



该BI架构主要包括2部分：实时处理部分、离线批处理部分。

实时处理部分：

功能主要是实时获取用户的网站、app等访问记录，分析用户行为轨迹，其数据来源一般是访问日志。
数据流：通过flume实时拉取服务器的日志，并将其发送至spark和hadoop。spark利用spark structured streaming组件接收flume发送的日志数据，并在一定的窗口和周期下进行计算。提取出一些用户在此时的基本行为过程，并将结果存储至hbase。这一过程中，会涉及高频的数据读写和计算需求、特别是flume和spark这一块的话对内存的需求量比较大，需要做好硬件配置的规划。同时将日志数据写入一份至hadoop，主要是为了做离线分析的需要。

离线批处理部分：

功能主要是对业务数据(如进销存等)做一些统计分析，这一部分是传统BI项目。同时，结合业务数据和离线日志，可以做一些机器学习方面的应用，比如离线训练推荐系统、预测模型等。这一部分的计算量通常比较大，一般是会安排在机器闲时的时候进行。
数据流：业务数据主要是通过sqoop将mysql数据以增量的形式导入hive，日志数据是在实时处理部分已经将其存入了hadoop中，这里直接拿来用就好了。这里的统计分析和机器学习应用可以依赖于hive和spark处理，比较方便。最终的分析结果存入mysql数据库，同时模型可以直接输出，验证之后拿来用。

web服务器部分：

主要有2方面功能：(1)提供数据可视化，由于通常展现形式的图形、图表、地图，这一部分会涉及到比较多的前端插件如ECharts、地图api等。(2)机器学习获得的模型在这里调用，其他应用程序则只需要提交请求则可获得模型的预测结果，将模型与其它服务解耦，方便模型的迭代，同时其他应用程序调用起来也很方便、只需要一个http请求即可。

架构的基本组成部分介绍的差不多了，其实这一块基本是通用的了。数据产品的核心还是在于数据的前处理、分析挖掘上面，由于工作利益相关 在此不多做介绍，本质还是结合业务、市场等提供一些有价值的信息。