大数据应用测试经验总结

       大数据应用测试过程与传统的web系统有较大的不同，大数据应用测试通常会分为web侧和ETL侧测试，web侧基本就是功能测试，而ETL（Extracting-Transfroming-Loading）测试主要指从任何外部系统提取、转换、载入数据到目标地。从底层数据采集、数据处理、到上层应用展现。

一、从技术架构设计上，分为以下几块：

1. 数据采集：采集使用java和python程序从文件服务器下载文件，并把文件写入kafka、Hbase和Hive、Mysql中；
2. 计算引擎：使用Hive on Tez计算引擎实现ETL跑批任务；使用spark streaming实现实时计算；使用Phoenix做前台交互式查询。
3. 数据存储：使用Kafka、Hive、Hbase、MySQL满足各层次存储技术需求。
4. 任务调度：使用Quartz实现作业调度及管理。
5. 监控接口：使用Kafka、文件接口对接统一监控平台。
6. 数据可视化：使用JQuery、Echarts、Easy UI等技术实现图表、表格展示；使用Apache POI实现excel、CSV的导入导出；使用Log4J记录日志；使用Spring框架实现页面、服务、数据的集成管理；使用DBCP实现数据库连接池。
7. 数据模型层次说明

                ODS：贴源层，存储原始数据，数据采集直接写入；

                DWD：数据仓库明细层，存储从源数据抽去过来的明细数据；

                DW：数据仓库层，保存经过数据降维汇聚的计算后生成的汇总数据；

                DM：数据集市层，满足特定功能而建立的各种数据集市。

1. 数据处理过程说明

1. 数据采集模块从采集机采集相关业务数据；
2. 数据采集模块定期把原始数据导入Hive库中的ODS层相关表中；实时数据及时写入kafka提供给spark streaming处理；公参数据写入mysql中。
3. ETL模块从ODS层相关表中抽取数据到DWD层；
4. ETL模块根据轻度汇总要求进行数据轻度汇总操作，并把汇总后的数据放到DW层中；
5. 一些功能所需数据无法从轻度汇总表计算出来，需要从DWD中原始表进行汇总；
6. ETL模块从DW层获取轻度汇总数据，根据各业务功能要求进一步汇总数据，形成DM层数据；
7. 即席查询数据从Hive关联到Hbase中；
8. Phoenix关联到HBase中，供页面查询使用；
9. 部分ETL模块数据把Hive中汇总后数据导入MySQL中，供模型建模使用；

二、Hadoop运行：

mapreduce机制：

 

常用命令：

 

功能	命令
查看目录	hadoop fs -ls dir
上传文件	hadoop fs -put ${local file} ${hdfs file}
创建目录	hadoop fs -mkdir ${dirname}
获取文件	hadoop fs -get ${hdfs file} ${local file}
删除多个文件或目录	hadoop fs -rm ${hdfs file} ... hadoop fs -rm -r ${hdfs file}...
复制文件	hadoop fs -cp ${hdfs file} ${hdfs file}
移动文件	hadoop fs -mv ${hdfs file} ${hdfs file}

 

三、hive和hbase比较： 

	Hive（非数据库）	Hbase（数据库）
适用场景	用于对一段时间内的数据进行分析查询，离线批处理	大数据的实时查询
特点	1、一种类SQL的引擎，运行MapReduce任务； 2、查询一般是全量查询，时间较长，可通过分区来优化； 3、基于行查询，定义时每行有固定列数据，每列数据固定大小； 4、操作：不支持更新操作	1、一种在Hadoop之上的NoSQL型Key/Value数据库； 2、查询是通过特定语言编写，可通过Phonenix实现类SQL功能； 3、基于列查询，可定义各种不同的列，每列数据大小不固定；

 

四、hive常用操作

hive	基础操作	说明
查看数据库	show databases
使用数据库	use DbName
删除数据库	drop database if exists DbName  CASCADE	如果数据库不为空，删除会报错，加上cascade可忽略
查看表	show tables in DbName ; show tables like ‘h*’
创建表	内部表：CREATE TABLE page_view if not exists(viewTime INT, userid BIGINT, page_url STRING, referrer_url STRING, ip STRING COMMENT 'IP Address of the User') COMMENT 'This is the page view table' PARTITIONED BY(dt STRING, country STRING) CLUSTERED BY(userid) SORTED BY(viewTime) INTO 32 BUCKETS ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001' COLLECTION ITEMS TERMINATED BY '\002' MAP KEYS TERMINATED BY '\003' STORED AS SEQUENCEFILE;	外部表： CREATE EXTERNAL TABLE page_view(viewTime INT, userid BIGINT, page_url STRING, referrer_url STRING, ip STRING COMMENT 'IP Address of the User', country STRING COMMENT 'country of origination') COMMENT 'This is the staging page view table' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\054' STORED AS TEXTFILE LOCATION '<hdfs_location>';
加载表	LOAD DATA LOCAL INPATH `/tmp/pv_2013-06-08_us.txt` INTO TABLE c02 PARTITION(date='2013-06-08', country='US')

注： 

存储格式有四种种：textfile、sequencefile（二进制文件）、RCFfile（行列存储相结合）、ORC

只有TEXTFILE表能直接加载数据，必须本地load数据和external外部表直接加载运路径数据，都只能用TEXTFILE表。更深一步，hive默认支持的压缩文件（hadoop默认支持的压缩格式）也只能用TEXTFILE表直接读取。其他格式不行。可以通过TEXTFILE表加载后insert到其他表中。

 内外部表区别：

创建内部表时，会将数据移动到数据仓库指向的路径，存储在hive.metastore.warehouse.dir路径属性下，默认情况下位于/user/hive/warehouse/databasename.db/tablename/ 文件夹路径中，删除内部表会将元数据和数据同步删除。创建外部表时，仅记录数据所在的路径（location），不对数据的位置做任何变化，外部表文件可以由Hive外部的进程访问和管理。外部表可以访问存储在Azure Storage Volumes（ASV）或远程HDFS位置等源中的数据，删除外部表时，只删除元数据，不删除文件中数据。

五、HBase Shell的一些基本操作命令，列出了几个常用的HBase Shell命令，如下：

查看存在哪些表	list
创建表	create '表名称', '列名称1','列名称2','列名称N'
添加记录	put '表名称', '行名称', '列名称:', '值'
查看记录	get '表名称', '行名称'
查看表中的记录总数	count '表名称'
删除记录	delete '表名' ,'行名称' , '列名称'
删除一张表	先要屏蔽该表，才能对该表进行删除，第一步 disable '表名称' 第二步 drop '表名称'
查看所有记录	scan "表名称"
查看某个表某个列中所有数据	scan "表名称" , ['列名称:']
更新记录	就是重写一遍进行覆