采集微博数据ETL项目的处理以及相关技术点

中小型数据仓库项目的标准开发流程

以数据流来驱动项目开发

以已下载微博数据ETL项目为例

1. 基于定的微博数据目录，拿到该目录下所有的输入数据的文件路径。（技术问题done）
2. 基于文件路径，读取文本文件的数据。
3. 解析读取出来的文件数据，成为结构化数据-微博博文对象抽象类-ContentPojo，最终获取对应的对象集合。（技术问题done）
4. 解析读取出来的文件数据，成为结构化数据-用户对象抽象类-UserPojo, 最终获取对应的对象集合。（技术问题done）
5. 将两个抽象的对象集合，进行文本化数据落地，形成待load到hive的数据文件。
6. load两个类型的文件数据到hive的两张表当中。(提前创建两张表，均为外表)
7. 测试数据及查询结果的准确性。

Java操作正则

1. java对正则的核心抽象
   2.Pattern：模式匹配引擎

• Pattern.compile(regex)来获Pattern对象

• Pattern.match(input)来获取matcher对象

  3.Matcher：获取匹配结果

• Matcher获取数据的3种方式

  • Matches:全部匹配
  • lookingAt:前向匹配
  • find：任意位置匹配均可
  • 取值APi:Matcher.group来获取匹配到的值

正则匹配当中的贪婪匹配规则

• 当正则表达式匹配到多个输入时，采集贪婪算法，总是拿最后一个、即最长匹配值作为最终的结果

抽象封装的分类

• 方法抽象或是字段抽象

• 类抽象

• 库抽象-log4j,neo4j

• 组件抽象-spring,ssm,springcloud

• 子系统抽象-hdfs,mapreduce等更大级别的抽象

如何完成方法或字段抽象

1. 先写测试类
2. 确定输入与输出的抽象

• • Input
  • Output

1. 抽象成方法及其修饰符

• 方法名称

  • 见名知义如：getMatchContent,getMatchGroupContent,getRegexContent。

• 是类方法还是成员方法

  • 一个方法解决战斗，不需要依赖外部的成员对象，则使用静态方法。

• 如果还需要依赖外部成员对象，则必须使用成员方法。

• 抽象成类

  • 基于方法的功能特性，起一个见名知义、有一定扩展的更高级抽象的名称,比如：RegexUtil

封装分类-按其用途

• 1、技术型封装-工具类

• 2、业务型封装-业务管理类

解析特殊情况数据的处理方法

• 1、经验处理法

• 2、case by case,one by one

数据分析题目录中的权重打法

• 1. 拿出所有的候选因子
• 1. 对候选因子，先定性、再定量
     • 定性：定性原则即为物以稀为贵。
     • 定量：目前没有一个比较成熟、公认的搞法，更多是靠业务专家的主观定量后，再进行review来最终确定。可以通过常识验证一下

一般性用户数据分析的分类

• 活跃度分析
• 行为特征分析

作者：da9268f7a1bd
链接：https://www.jianshu.com/p/9bdba7661ee3
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

标签：匹配,对象,方法,采集,微博,抽象,Pattern,数据,ETL
来源： https://blog.csdn.net/m0_58421245/article/details/121089879