基于大数据平台的毕业设计
基于大数据平台的毕业设计
前言
文末有大数据毕设交流群二维码，二维码过期可通过公众号添加博主VX，备注来意。
2022年最新大数据毕设文章：
2024年最新大数据毕设文章：
前言
在大数据流数据实时开发中，常用的技术就是SparkStreaming和Flink。在初学实时处理技术时，总是围绕着 处理数据的实时性 ，来对不同技术做一个比较。
但是在实际应用开发场景中，很多时候都需要Window（窗口）操作，这就相当于数据在窗口”形成的过程“中不处理数据，当窗口形成之后，才会触发窗口计算。所以，这时候的实时处理就变成了基于窗口的微批处理。
关于窗口
在Spark中是基于RDD（Resilient Distributed Dataset）计算的，RDD是一个数据的集合，所以说SparkStreaming本身就是基于微批计算的，在构造SparkContext时设置批次间隔，最小值为50毫秒。这里的批次，就可以理解为窗口
当达到批次设定的时间时，Spark就会开始执行开发基于RDD实现的计算逻辑，所以，SparkStreaming是自带”窗口“的，而且计算逻辑是基于RDD实现的。
Flink中的数据计算是以事件为驱动的，这里的事件是指数据流中的单个数据元素，所以在Flink中每个事件都可以触发相应的处理逻辑，而不是按照固定的时间间隔进行处理。所以说，在Flink中如果想实现窗口处理，就必须使用窗口函数来实现。
什么场景下会用到窗口计算？
例如数据的一分钟去重（reduceByKey)，计数（count）、关联（join）等操作，就需要用到窗口计算。今天就先看看如何玩转SparkStreaming的窗口操作。
SparkStreaming窗口计算
上面SparkStreaming就是自带时间窗口的，一个批次中的RDD就代表着一个窗口，对RDD的计算就是窗口计算，所以SparkStreaming没有提供普通窗口的算子。
如图，RDD中数据的获取时间time 0 to 1就是一个时间窗口，数据间隔就是设置的 批次间隔 。既然SparkStreaming都有了RDD这个”时间窗口“了，那还有什么窗口好讲的？
在RDD计算中，一个窗口通常只能计算一个RDD的数据，当本批次RDD计算完之后，默认就会被回收，然后再拉取下一个时间批次的数据生成RDD进行计算。当我们需要对多个RDD即多个时间窗口进行计算时，就必须要借助 滑动窗口 的算子来实现。
滑动窗口
什么是滑块
最近有很多人问我，大数据专业有什么好的毕设项目，我就简单的回复了一下。也有直接问我要源码的…
所以就抽空写一写自己毕业设计的一个思路，大数据是我实习自学的，这个思路是我当初自己想的，就当做一份参考吧。
在我毕业那年，同学们毕业设计大多都是以Java语言开发的各种管理系统、xx商城为主，包括我刚开始的想法也是这样的。这也是计算机专业很常见的毕业设计选题。
这种选择的好处就是简单，网上模板多。动手能力强的同学，直接去github上拉下来源码，稍微修改一下，一个毕业设计项目就完成了。动手能力弱的同学，也可以使用钞能力低成本完成。
至于缺点嘛，就是这类毕设太常见了，除非UI设计和思路特别出彩，让老师眼前一亮。要不然见多识广的老师，就会带着一颗毫无波澜的内心，用空洞的眼神看完你的演示，机械般的给你打下一个及格分。
当然，对于大部分同学的内心想法就是： 能过就行 。也有的同学担心，自己的毕设项目和其他同学的重合度很高，老师可能会问一些细节（稀奇古怪）的问题。所以， 毕设最好还是自己做，就算找的模板，也要把技术和架构搞清楚 。
同时，想要做一个与众不同的毕设，在技术上也一定要“花里胡哨”。
大数据毕设思路
大数据方向的毕设，归根结底还是基于大数据平台进行构思。对于管理系统、商城这种项目毕设来说，我们面向的是编程语言，而大数据主要还是还是面向平台。就像你一说大数据，别人接着就说， 大数据…就是那个Hadoop吗？
是的。虽然这个回答很片面，但是对于大数据毕设来说，就是基于Hadoop来发散延伸。
我学的不是大数据专业，也曾有成为一名优©秀(V)的Java开发的梦想。后来，17年实习阴差阳错就接触到大数据，并开始自学大数据，所以在18年毕业的时候，就基于大数据完成了毕业设计。这里就简单说一下当初我的毕业设计流程。
- 在虚拟机搭建Hadoop、Hive、Kafka、Spark集群
- 使用Java（建议Python）采集了163w数据放入MySQL
- 用Flume将mysql中的数据实时写入到了Kafka中
- Scala开发sparkstreaming程序，读取kafka数据进行处理，然后写入Kafka
- 使用Flume将kafka数据写入到了HDFS，然后加载到hive进行hsql分析
- 使用Springboot和Vue，开发数据管理系统，对数据进行查询和图形化展示，对接了echarts和百度地图。
就很简单，很简单。大家可以在上面的思路上进行扩展。下面就展开说一下具体步骤。
大数据毕设实践
关于下文中提到的一些大数据概念，可以参考之前写的一篇大数据的文章。
0. 数据准备
大数据，大数据，数据肯定是大的无边无际。那多大才算大？自从18年负责一天1w亿条数据的接入、存储、处理工作之后，我就飘了~ 经常同事告诉我说，要接入一个大数据量的文件接口，我问他多少，他说一天一百亿条，我一般会轻飘飘地说一句，一百亿，算多吗 ~~~
其实，对于毕业设计来说，数据量并不需要那么大， 数据在大数据平台中的流转，以此来模拟大数据中的ETL和实时处理，从而体现数据的价值。 那么，数据从哪里获取呢？
方法1，我们可以写一个程序来生成一些测试数据，但是这样的话，数据重合度太高，很难体现出数据分析价值。那么就采用方法二， 开发爬虫进行采集网上的数据 。
当时我用Java开发了一个爬虫，采集了163w条POI位置数据，存到了MySQL中，完成了数据的准备工作。爬虫的开发还是推荐用Python，17年我还不会Python，后来18年开始学习Python，后来又做了很多爬虫开发工作，再后来写了爬虫系列由浅入深的学习文章，大家也可以参考一下。
1. 大数据平台搭建
欲抬手摘星望月，必先平地起高楼。
上面也说了，大数据还是围绕着平台来搞。当时我在笔记本上搭建了三台centos系统的虚拟机，主要用来搭建下面的集群。
在集群搭建之前，需要完成下列操作系统和环境的配置。
- 安装JDK、Scala
- 三台虚拟机之间进行互信操作
- 安装mysql数据，作为hive的元数据库
Hadoop - 基础核心
Hadoop集群作为大数据基础建设，同时也是大数据核心。其HDFS提供了分布式存储，Yarn提供了计算资源。
如果是毕设的话，可以选择 一主两从 的架构，即一个NameNode和两个DataNode的架构。如果想要玩的花一点，就选择HA高可用架构，即两主两从，这里就需要四台虚拟机。
关于HA，就是两个NameNode，但是一个NN处于工作状态（active），一个NN处于待命状态（standby）。你可以kill掉active的NN，然后让standby的NN接管集群。
关于HA，在大数据是随处可见的。在Hadoop生态中,集群中的多NN和多DN是HA，HDFS的副本机制也是HA，这一块在论文中还是能体现不少东西的。
下面就是Hadoop集群的NN和DN的基本信息。
Hive - 离线分析
Hive在我的毕设中的角色就是一个数据分析的工具，主要表述的是大数据ETL中L阶段，以及大数据平台的离线分析部分。
Hive是一个数据仓库，关于它的作用就是对HDFS上的数据进行离线分析，虽然它不是数据库，但是大家可以把它当做数据库来用。这里其他基础的概念就不多介绍了。
时至今日，也有很多hive的平替产品，例如号称比hive快800倍的clickhouse，以及druid，但是在应用场景方面和hive还是有一定出入的，有兴趣的可以去了解一下。
大数据在数仓方面，有很多值得玩的平台架构和一些基本概念，ETL描述的就是基于数据仓库进行的数据处理过程。
Spark、Kafka - 实时计算
现在提到实时计算，可能大家首先会想到flink。的确，flink在开源实时领域方面绝对算是TOP了。18年的时候，实时处理还是SparkStreaming应用的比较广泛。所以当时我安装的是Spark集群，来模拟的实时计算。
其实Spark/flink集群都是可以不搭建的，在Spark集群上运行程序属于standlone模式，如果使用yarn模式只需要有客户端就可以了。Spark程序运行在yarn上，能对cpu和内存进行资源隔离，而且不需要要单独维护一个Spark集群。
而作为实时处理配套，Kafka和Rabbitmq之间我还是倾向于Kafka。在Kafka搭建之前，先搭建zookeeper集群，zk是kafka的依赖组件，用来记录一些元数据。
下图命令操作就是消费写入Kafka的数据。
我们要做的就是将数据库/数据仓库中的离线数据，转换为数据流（Data Stream），作为生产者实时写入到Kafka中。
我们开发的Spark/flink程序作为消费者实时读取Kafka中的数据，实时处理并数据计算结果。如下图，为SparkStreaming的程序监控页面。
SparkStreming程序，可以使用Java、Scala、Python开发，但是选择Scala比较好一些。一是Scala的语法结构更贴合流式处理,二是源码都是Scala写的。
Flume - 数据交换神器
当初刚接触Flume的时候，真的没玩明白，云里雾里的。后来深入研究了一下之后，数据在oracle、MySQL、Kafka、HDFS以及其他存储平台上，就可以进行同步。不过MySQL和oracle需要自己定义Source和Sink。
Flume的简单之处在于配置化。当初我将数据从MySql抽取到Kafka，部分配置如下。
顺带一提，在大数据量的情况下，Flume很多参数还是需要调的。当初我将1W亿/天的数据从Kafka落地到HDFS的时候，写了几千行的配置，调了很多参数。
3. 数据展示
最后就是前台的数据展示了，使用了Springboot和Vue做了一个POI数据管理系统。主要实现分类查询和POI搜索标点地图展示功能。
但是这个系统，我只找到了登录页面和地图搜索标点的截图了…
数据管理系统发挥的空间还是挺多的，比如页面样式的优化，再比如前台可以使用Node + Vue，后端使用Springboot来实现前后端分离架构。
结语
主要是给大家提供一个大数据平台毕业设计的基本思路，很多细节的地方还可以优化。我们也不难发现，这里的大数据集群都是独立安装的，我们同样可以使用Ambari进行统一的安装、管理、启动、状态监控。
最近也是在研究Ambari，前几周刚花了一个星期，完成了Ambari2.7.5的编译安装工作。后期的目标是 配合docker在一台机器上完成大数据集群的搭建工作 ，当然这里主要是玩，构建测试环境，性能啥的就不要考虑了哈。
忙完这一阵，完成Scrapy系列文章，就开始着手准备大数据平台系列文章的编写。期待下一次相遇。
