让数据完美：使用LogHub进行数据清洗/ETL
Dingxiaofei 2016-08-31
数据清洗/ETL
日志处理过程中一个假设是：数据并不是完美的。在原始数据与最终结果之间有Gap，需要通过ETL（Extract Transformation Load）等手段进行清洗、转换与整理。
案例
“我要点外卖“是一个平台型电商网站，用户、餐厅、配送员等。用户可以在网页、App、微信、支付宝等进行下单点菜；商家拿到订单后开始加工，并自动通知周围的外卖送货员；快递员将外卖送到用户手中。
运营小组有两个任务：
掌握外卖送货员的位置，定点调度
掌握优惠券、现金使用情况，定点投放优惠券进行互动运营
送货员位置信息（GPS）数据加工
GPS 数据（X，Y）通过送货员App每分钟汇报一次，格式如下：
2016-06-26 19:00:15 ID:10015 DeviceID:EXX12345678 Network:4G GPS-X:10.30.339 GPS-Y:17.38.224.5 Status:Delivering
其中记录了上报时间，送货员ID，使用网络，设备号，坐标位置GPS-X，GPS-Y。 GPS给出的经纬度非常准确，但运营小组需要统计每个区域当前的状态，并不需要这么细的数据。因此对原始数据需要做一次转换（Transformation），通过坐标变成可读的城市、区域、邮政编码等字段。
(GPS-X,GPS-Y) --> (GPS-X, GPS-Y, City, District, ZipCode)
这就是一个典型ETL需求，使用LogHub功能，创建两个Logstore（PositionLog），以及转换后Logstore（EnhancedLog）。通过运行ETL程序（例如Spark Streaming、Storm、或容器中启动Consumer Library），实时订阅PositionLog，对坐标进行转化，写入EnhancedLog。可以对EnhancedLog数据机型仓库，连接实时计算进行可视化，或建立索引进行查询。
整个过程推荐架构如下：
快递员App上埋点，每分钟汇报当前GPS位置一次，写入第一个Logstore（PositionLog）
推荐使用LogHub Android/IOS SDK、MAN（移动数据分析）将移动设备日志接入
通过实时程序实时订阅PositionLog数据，处理后实时写入EnhancedLog Logstore
推荐使用Spark Streaming、Storm 或 Consumer Lib（一种自动负载均衡的编程模式） 或SDK订阅
对Enahanced Log进行处理，例如计算后进行数据可视化。推荐：
LogHub对接流计算
LogShipper投递（OSS，E-MapReduce，TableStore、MaxCompute）
LogSearch：订单查询等
支付订单脱敏与分析
支付服务接受支付请求，包括支付的账号、方式、金额、优惠券等。
1. 其中包含部分敏感信息，需要进行脱敏
2. 需要对支付信息中优惠券、现金两个部分进行剥离
整个过程如下：
1. 创建4个Logstore，原始数据（PayRecords），脱敏后数据（Cleaned），现金订单（Cash），代金券（Coupon）。应用程序通过Log4J Appender向原数据Logstore（PayRecords）写入订单数据
* 推荐使用Log4J Appender或Producer Library，敏感数据不落盘
2. 脱敏程序实时消费PayRecords，将账号相关信息剥离后，写入Cleaned Logstore
3. 分流程序实时消费Cleaned Logstore，通过业务逻辑把优惠券、现金两个部分分别存入对账相关的Logstore（Cash、Coupon）进行后续处理
* 实时脱敏、分流程序推荐使用 推荐使用Spark Streaming、Storm 或 Consumer Lib（一种自动负载均衡的编程模式） 或SDK订阅
其他
LogHub功能下每个Logstore可以通过RAM进行账号级权限控制，参见RAM
LogHub当前读写可以通过监控获得，消费进度可以通过控制台查看
更多深度技术内容，请关注云栖社区微信公众号：yunqiinsight。
