综合案例 第80课：Spark SQL网站搜索综合案例实战 以京东找出搜索平台上用户每天搜索排名5名的产品，The hottest！

* * *王家林老师授课http://weibo.com/ilovepains */ 每天晚上20：00YY频道现场授课频道68917580

/**

*@author DT大数据梦工厂

* 新浪微博：http://weibo.com/ilovepains/

*Created by hp on 2016/4/1.

* 项目：以京东找出搜索平台上用户每天搜索排名5名的产品，Thehottest！

* 元数据：Date、UserID、Item、City、Device；

* 总体思路：混合使用了Spark SQL和Spark Core的内容

* 第一步：原始的ETL，过滤数据后产生目标，在实际企业中可能过滤条件非常复杂（进行广播），使用RDD的filter等进行操作；

* 第二步：对过滤后的目标数据进行指定条件的查询，查询条件有可能非常复杂（进行广播），使用RDD的filter算子；

* 第三步：由于商品是分为种类的，我们在得出最终结果的之前，首先会基于商品进行UV（当然你也可以对用户访问商品的PV进行分析）；

* 此时我们要对商品进行UV计算的话，必须构建K-V的RDD，例如过程成为
(date#Item,userID)以方便进行groupByKey操作

* 在调用了groupByKey之后对user进行去重，并计算出每一天每一种商品的UV,最终计算出来的结果的数据类型(date#Item,UV)

* 第四步：使用开窗函数row_number统计出每日商品UV前5名的内容，

* row_number() OVER (PARTITION BY date ORDER BY UV DESC) rank

* 此时会产生以date、item、uv为Row的DataFrame

* 第五步：DataFrame转成RDD,根据日期进行分组并分析出每天排名前5为的热搜索Item；

* 第六步:进行Key-Value交换，然后进行调用sortByKey进行点击热度排名；

* 第七步：再次进行Key-Value交换，得出目标数据为(date#Item,UV)的格式；

* 第八步：通过RDD直接操作Mysql等把结果放入生产系统中的DB中，在通过Java
EE等Server技术可视化结果以供市场

* 营销人员、仓库调度系统、快递系统、管理决策人员使用数据创造价值；

* 当然也可以放在Hive中，Java EE等技术通过JDBC等连接访问Hive；

* 当然也可以就放在Spark SQL中，通过Thrift技术供Jave EE使用等；

* 当时，如果是像双十一等时候，一般首选放在Redis中，这样可以实现类似秒杀系统的响应速度！

*/





运行结果！



综合作业 第80课Spark SQL网站搜索综合案例实战

以京东为例找出搜索平台上用户每天搜索排名5名的产品，The hottest！

用户登录京东网站，在搜索栏搜索的时候，将用户每天搜索排名前5名的商品列出来。

一：生成模拟京东用户搜索的测试数据。

 SparkSQLUserlogsHottest.log测试数据文件包括时间、用户id、商品、地点、设备信息 10000条数据

二：根据测试数据实现搜索平台上用户每天搜索排名5名的产品。

 创建JavaSparkContext及HiveContext

 sc.textFile读入测试数据文件，生成JavaRDD<String>类型的数据集合line0。

 sc.broadcast定义广播变量，用于测试数据的查询及过滤。

 lines0.filter使用匿名接口函数Function的call方法过滤出包含广播变量的数据，生成JavaRDD<String> 类型的数据集合lines。

 测试验证点：

测试数据广播变量的过滤是否成功？打印出lines的数据验证。

 lines.mapToPair 使用匿名接口函数PairFunction的call方法对lines中的数据按"\t"进行分割，分割以后将(date#Item#userID)三个字段合并为Key, 将 Value值设置为1，形成 K，V键值对。返回的结果pairs类型为JavaPairRDD<String, Integer>。相当于hadoop mapreduce中的map，将某天某用户点击某商品的次数计数为1。

 测试验证点：

测试(date#Item#userID)三个字段合并为Key成功了吗？k，v是否符合预期？

 pairs.reduceByKey使用匿名接口函数Function2的call方法对pairs中数据进行reduce汇总，将pairs具有相同key值的数据，累加统计数值，返回的结果reduceedPairs 的类型为JavaPairRDD<String, Integer>。相当于hadoop mapreduce中的reduce，将某天某用户点击某商品的所有点击次数累加汇总。

 测试验证点：

测试(date#Item#userID) k，v的reduce统计是否成功？

将reduceedRow中的每行数据拆分，reduceedRow的key值分割为三个字段：时间、用户id、商品，将reduceedRow的商品累计点击数值value记为count，然后将这四个字段时间、用户id、商品、count再拼接成json格式放到peopleInformations列表里面，打印输出。peopleInformations类型为List<String>，为json格式。

 sc.parallelize(peopleInformations)将scala空间的变量peopleInformations转换为Spark RDD空间的变量peopleInformationsRDD，类型为JavaRDD<String>

 sqlContext.read().json(peopleInformationsRDD)通过内容为JSON的RDD来构造peopleInformationsDF，类型为DataFrame

 DataFrame注册成为临时表

peopleInformationsDF.registerTempTable("peopleInformations")

 窗口函数：使用子查询的方式完成目标数据的提取，在目标数据内幕使用窗口函数row_number来进行分组排序， PARTITION BY :指定窗口函数分组的Key， ORDER BY：分组后进行排序；

String sqlText = "SELECT UserID,Item, count "

+ "FROM ("

+ "SELECT "

+ "UserID,Item, count,"

+ "row_number() OVER (PARTITION BY UserID ORDER BY count DESC) rank"

+" FROM peopleInformations "

+ ") sub_peopleInformations "

+ "WHERE rank <= 3 " ;

Sql查询语句：

 使用窗口函数，查询peopleInformations表，按照用户分组，将同一用户的每天的点击的商品数排名，形成一张子表sub_peopleInformations。

 然后从排名后的子表sub_peopleInformations中，查询出前三名的用户点击的商品和计数。

 测试验证点：

验证窗口函数sql语句执行是否成功？

sqlContext.sql(sqlText)执行sql查询，execellentNameAgeDF.show()显示sql查询结果。

 将execellentNameAgeDF的结果保存为json文件格式

execellentNameAgeDF.write().format("json").save(）;

三：源代码SparkSQLUserlogsHottestDataManually.java和SparkSQLUserlogsHottest.java