一、主流的批处理和流处理框架
- Hadoop中的MapReduce只能做离线计算，也就是批处理，并且基于磁盘计算，属于IO密集型，Shuffle阶段需要大量算力，并且只有map和reduce。
- Spark作为一个微批处理的大数据计算框架，主要作用就是类似MapReduce，Spark Streaming可以实现传统意义上的流式计算，但是正如开头所说，属于微批处理，并不是完全的实时，但是Spark基于内存运算，计算能力非常强大。
- Storm是真正的流式处理，来一条数据处理一条，但是对于超大流量Storm的处理并不太好。
- 而最近几年兴起的Flink，作为和Spark一样的计算框架，利用Hadoop作为数据存储，利用Flink进行计算，Flink是真正的满足实时性要求的计算框架，可以实现毫秒级的相应，面向真正的流数据，以一行一行为计算单位，速度非常快。
二、Flink相关介绍
批处理和流处理
- 批处理
批处理主要操作大容量静态数据集，并在计算过程完成后返回结果。可以认为处理的是一个固定时间间隔分组的数据点集合。批处理模式中使用的数据集通常符合下列特征：
1. 有界：批处理数据集代表数据的有限集合
2. 持久：数据通常始终存储在某种类型的持久存储位置中
3. 大量：批处理操作通常是处理极为海量数据集的唯一方法 - 流处理
流处理可以对随时进入系统的数据进行计算。流处理方式无需针对整个数据集执行操作，而是对通过系统传输的每个数据项执行操作。流处理中的数据集是“无边界”的，这就产生了几个重要的影响：
1. 可以处理几乎无限量的数据，但同一时间只能处理一条数据，不同记录间只维持最少量的状态
2. 处理工作是基于事件的，除非明确停止否则没有“尽头”
3. 处理结果立即可用，并会随着新数据的抵达继续更新
三、电商用户行为分析指标
- 统计分析
1. 点击、浏览
2. 热门商品、近期热门商品、分类热门商品、流量统计 - 偏好统计
1. 收藏、喜欢、评分、打标签
2. 用户画像，推荐列表（结合特征工程和集器学习算法） - 风险控制
1. 下订单、支付、登录
2. 刷单监控，订单失效监控，恶意登录（短时间内频繁登录失败）监控
四、项目环境
Windows10、Centos7(三集群,三台分别都是6G，8核)、Idea2019.3、Maven3.3.9、Flink1.7.2、kafka2.11-2.1.0、sacla2.1.18、jdk1.8
五、项目主要模块
-
热门统计
利用用户的点击浏览行为，进行流量统计、近期热门商品统计等。 -
偏好统计
利用用户的偏好行为，比如收藏、喜欢、评分等，进行用户画像分析，给出个性化的商品推荐列表。 -
风险控制
利用用户的常规业务行为，比如登录、下单、支付等，分析数据，对异常情况进行报警提示。 -
说明
本项目限于数据，只实现热门统计和风险控制中的部分内容，将包括以下四大模块：实时热门商品统计、实时流量统计、恶意登录监控和订单支付失效监控。
由于对实时性要求较高，用flink作为数据处理的框架。综合运用flink的各种API，基于EventTime去处理基本的业务需求，并且使用底层的processFunction，基于状态编程和CEP去处理更加复杂的情形。
五、数据源解析
一共是五份淘宝用户行为数据集，保存为 csv 文件。此数据集包含了淘宝上某一天随机一百万用户的所有行为（包括点击、购买、收藏、喜欢）。数据集的每一行表示一条用户行为，由用户 ID、商品 ID、商品类目 ID、行为类型和时间戳组成，并以逗号分隔，分别保存在每一个分项目的resource中。
六、项目地址
Flink电商用户行为分析系统（用户画像）Github地址
可Fork可Clone