冬季实战营第五期：轻松入门学习大数据笔记

基于EMR离线数据分析

登陆集群

打开阿里云E-MapReduce控制台，在E-MapReduce控制台页面的集群列表区域，单击集群名/ID。然后在集群的主机信息栏中，复制MASTER的节点的公网ip地址，打开终端连接集群，命令 ssh root@公网Ip地址 。例如： ssh [email protected] 。提示输入 yes 然后输入登录密码，默认密码为 @Aliyun2021 。

上传数据到HDFS

创建HDFS目录：
hdfs dfs -mkdir -p /data/student

上传文件到hadoop文件系统：

创建u.txt文件（ vim u.txt ），然后写入以下数据（第一列表示userid，第二列表示movieid，第三列表示rating，第四列表示unixtime），最后上传文件u.txt到hadoop文件系统（ hdfs dfs -put u.txt /data/student ）：以下数据没有问题，请放心复制使用

查看文件： hdfs dfs -ls /data/student

使用hive创建表

登录hive数据库： hive
创建user表：

CREATE TABLE emrusers (
   userid INT,
   movieid INT,
   rating INT,
   unixtime STRING ) 
  ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY '\t' 
  ;

把hadoop文件系统数据加载到hive数据表：

LOAD DATA INPATH '/data/student/u.txt' INTO TABLE emrusers;

对表进行操作

查看5行表数据： select * from emrusers limit 5;
查询数据表中有多少条数据： select count(*) from emrusers;
查询数据表中评级最高的三个电影： select movieid,sum(rating) as rat from emrusers group by movieid order by rat desc limit 3;
仅删除表数据： truncate table emrusers;

数据表无数据

如果你在进行对表操作时，查询不到数据，如下图，那幺是你的第二步上传数据到HDFS时的数据有些许问题。阿里云手册的数据有些许的问题，如果你是直接复制的那幺数据结构有问题，需要手动调整数据中分隔为Table，或者在创建hive表时使用两个空格切分数据。第二步我的数据已经做了手动调整，可以放心复制使用。先清空表数据（ truncate table emrusers; ），重复第二、三步操作即可，创建目录、创建表操作除外。

使用阿里云Elasticsearch快速搭建智能运维系统

使用Beats采集器收集集群上的系统数据和Nginx日志数据，配置基础的指标分析看板，简单展示数据采集、分析的过程和操作方式

登录Kibana

登录阿里云Elasticsearch控制台（ https://elasticsearch-cn-hangzhou.console.aliyun.com ），本次实验使用的Elasticsearh6.8。

在Elasticsearch栏，点击集群管理>实例ID>配置与管理>可视化控制，然后在Kibana栏中点击修改配置，再开启Kibana私网访问。返回上级页面，在Kibana栏，点击公网入口，复制云产品资源的Elasticsearch登录名和登录密码，到Kibana登录页面的账号、密码，最后登录。在登录成功页面，单击 Explore on my own 。

开启自动创建索引功能

点击Kibana左侧导航栏中的Dev Tools（开发工具），再单击Go to work。在Console页签下，执行如下命令，开启阿里云ES实例的自动创建索引功能。

PUT _cluster/settings
{
"persistent": {
"action.auto_create_index": "true" 
}
}

开启成功后，结果如下：

{
  "acknowledged" : true,
  "persistent" : {
    "action" : {
      "auto_create_index" : "true"
    }
  },
  "transient" : { }
}

使用Metricbeat采集集群上的系统数据

返回Elasticsearch管理控制台，单击Beats数据采集>创建采集器>Metricbeat>确定服务。在采集器配置中，输入采集器信息，复制云产品资源的Elasticsearch登录名和登录密码，至用户名密码，采集器名称输入 system_metric ，启动 Monitoring 和 Kibana Dashboard ，然后在 metricbeat.yml 中末尾添加如下脚本，单击下一步。

metricbeat.modules:

- module: system
  metricsets:
    - cpu             
    - load            
    - memory         
    - network        
    - process         
    - process_summary 
    - uptime          
    - socket_summary  
    - core
    - diskio 
    - filesystem
    - fsstat
  enabled: true
  period: 10s
  processes: ['.*']
  cpu.metrics:  ["percentages"]
  core.metrics: ["percentages"]

选择采集器安装的ECS实例，单击启动，启动采集器的过程需等待3~5分钟，启动成功后，系统弹出启动成功对话框，单击前往采集中心查看，在采集器管理栏中，查看启动成功的Metricbeat采集器，等待采集器状态变为已生效 1/1 。

返回Kibana，单击Dev Tools（开发工具），执行如下命令，查看索引。

GET _cat/indices?v

单击打开Dashboard，搜索 [Metricbeat System] Overview ，点击进入[Metricbeat System] Overview页面，点击 Host Overview ，即可查看监控仪表板。

使用Filebeat采集集群上的Nginx服务数据

打开Elasticsearch管理控制台，在Beats数据采集中心，将鼠标移至Filebeat上，点击ECS日志，在采集器配置中输入采集器信息，采集器名称输入 filebeat_nginx ，版本选择 6.8.5 ，采集器选择使用的机器，用户名密码还是输入Elasticsearch登录名和登录密码，启动 Monitoring 和 Kibana Dashboard ，填写Filebeat文件目录为 /var/log/nginx/ 。

最后需要在 filebeat.yml 中更改如下脚本，在第24行enabled更改为 true ，在第28行更改为 - /var/log/nginx/*.log 。最后下一步，选择采集器安装的机器，点击启动，前往采集中心查看，在采集器管理区域中，查看启动成功的Filebeat采集器，等待采集器状态变为已生效 1/1 。

返回Kibana，打开Dev Tools（开发工具），执行如下命令，查看索引。

GET _cat/indices?v

然后单击Discover，点击选择filebeat，即可查看采集的数据详情。

使用协同过滤实现商品推荐

开通机器学习PAI服务

打开阿里云机器学习平台PAI控制台（ https://pai.console.aliyun.com ），点击免费开通并创建默认工作空间，然后确认开通并创建默认工作空间。然后会自动跳转到PAI管理控制台。

创建PAI Studio项目

打开模型开发和训练栏中的可视化建模（Studio），在PAI Studio页面点击进入机器学习，如果没有项目可以单击创建项目，MaxCompute选择按量付费，项目名称可输入 mytestproj1 ，然后点击确认。

创建实验

在机器学习界面左侧点击首页，找到【推荐算法】商品推荐，点击从模板创建，点击确定即可创建。

查看实验数据

创建完成后会自动打开实验界面，右键点击 cf_训练_data节点 ，然后点击查看数据，可以看到训练数据为7月份以前的用户购买行为数据。源数据的字段解释如下：

右键点击 cf_结果_data节点 ，然后点击查看数据，可以看到结果数据为7月份以后的用户购买行为数据。

运行实验

在实验的左上角点击运行，等到几分钟之后，所有节点全都显示为绿色的对号时，实验运行完成。

查看实验结果

右键点击join-1节点，然后点击查看数据，表中similar_item字段为经过协同过滤算法计算得出的该用户购买可能性最大的商品。

右键点击 全表统计-1节点 ，然后点击查看数据，统计了根据协同过滤算法推荐的商品数量，共有18065个商品可推荐。

右键点击 全表统计-2节点 ，然后点击查看数据，统计了7月份真实购买行为数据中与经过协同过滤算法所推荐的商品的命中数量，可以看到有60个推荐的商品被购买。