大数据IMF传奇行动绝密课程第98-99课:使用Spark Streaming实战对论坛网站动态行为的多维度分析
2017-04-03 21:50
951 查看
使用Spark Streaming实战对论坛网站动态行为的多维度分析
1、技术分析2、实现实战
package com.tom.spark.SparkApps.sparkstreaming; import java.io.PrintWriter; import java.util.HashMap; import java.util.HashSet; import java.util.Map; import java.util.Set; import kafka.serializer.StringDecoder; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.function.Function; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaPairDStream; import org.apache.spark.streaming.api.java.JavaPairInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import org.apache.spark.streaming.kafka.KafkaUtils; import scala.Tuple2; public class OnlineBBSUserLogs { /** * @param args */ public static void main(String[] args) { // TODO Auto-generated method stub /** * 第一步:配置SparkConf, * 1、至少2条线程:因为Spark Streaming应用程序在运行的时候至少有一条 * 线程用于不断的循环接收数据,并且至少有一条线程用于处理接收的数据(否则的话无法有线程用 * 于处理数据,随着时间的推移,内存和磁盘都会不堪重负) * 2、对于集群而言,每个Executor一般肯定不止一个Thread,那对于处理Spark Streaming * 应用程序而言,每个Executor一般分配多少Core比较合适?根据经验,5个左右的Core是最佳的 * (一个段子:分配为奇数个Core表现最佳,例如3个、5个、7个Core等 */ SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("OnlineBBSUserLogs"); /** * 第二步:创建Spark StreamingContext: * 1、这是SparkStreaming应用程序所有功能的起始点和程序调度的核心. * SparkStreamingContext的构建可以基于SparkConf参数,也可以基于持久化的SparkStreamingContext的 * 内容来恢复过来(典型的场景是Driver崩溃后重新启动,由于Spark Streaming具有连续7*24小时不间断运行的特征, * 所以需要在Driver重新启动后继续上一次的状态,此时的状态恢复需要基于曾经的Checkpoint) * 2、在一个Spark Streaming应用程序中可以创建若干个SparkStreamingContext对象,使用下一个SparkStreaming * 之前需要把前面正在运行的SparkStreamingContext对象关闭掉,由此,我们得出一个重大启发,SparkStreaming框架也只是 * Spark Core上的一个应用程序而已,只不过Spark Streaming框架想运行的话需要Spark工程师写业务逻辑处理代码 */ JavaStreamingContext javassc = new JavaStreamingContext(conf, Durations.seconds(5)); /** * 第三步:创建Spark Streaming输入数据来源input Stream: * 1、数据输入来源可以基于File、HDFS、Flume、Kafka、Socket等 * 2、在这里我们指定数据来源于网络Socket端口,Spark Streaming连接上该端口并在运行的时候一直监听该端口的数据 * (当然该端口服务首先必须存在),并且在后续会根据业务需要不断有数据产生(当然对于Spark Streaming * 应用程序的运行而言,有无数据其处理流程都是一样的) * 3、如果经常在每间隔5秒钟没有数据的话不断启动空的Job其实会造成调度资源的浪费,因为并没有数据需要发生计算;所以 * 实际的企业级生成环境的代码在具体提交Job前会判断是否有数据,如果没有的话就不再提交Job; */ Map<String, String> kafkaParameters = new HashMap<String, String>(); kafkaParameters.put("metadata.broker.list", "Master:9092,Worker1:9092,Worker2:9092"); Set<String> topics = new HashSet<String>(); topics.add("UserLogs"); JavaPairInputDStream<String, String> lines = KafkaUtils.createDirectStream(javassc, String.class, String.class, StringDecoder.class, StringDecoder.class, kafkaParameters, topics); //在线PV计算 onlinePagePV(lines); //在线UV计算 onlineUV(lines); //在线注册人数 onlineRegistered(lines); //在线跳出率 onlineJumped(lines); //在线不同模块的PV onlineChannelPV(lines); /** * Spark Streaming 执行引擎也就是Driver开始运行,Driver启动的时候是位于一条新的线程中的,当然其内部有消息循环体,用于 * 接收应用程序本身或者Executor中的消息, */ javassc.start(); javassc.awaitTermination(); // javassc.close(); } private static void onlineChannelPV( JavaPairInputDStream<String, String> lines) { // TODO Auto-generated method stub lines.mapToPair(new PairFunction<Tuple2<String, String>, String, Long>() { public Tuple2<String, Long> call(Tuple2<String, String> t) throws Exception { // TODO Auto-generated method stub String[] logs = t._2.split("\t"); String channelName = logs[4]; return new Tuple2<String, Long>(channelName, 1L); } }).reduceByKey(new Function2<Long, Long, Long>(){ //对相同的key,进行Value的累加(包括Local和Reducer级别同时Reduce) public Long call(Long v1, Long v2) throws Exception { // TODO Auto-generated method stub return v1 + v2; } }).print(); } private static void onlineJumped(JavaPairInputDStream<String, String> lines) { // TODO Auto-generated method stub lines.mapToPair(new PairFunction<Tuple2<String, String>, Long, Long>() { public Tuple2<Long, Long> call(Tuple2<String, String> t) throws Exception { // TODO Auto-generated method stub String[] logs = t._2.split("\t"); Long userId = Long.valueOf("null".equals(logs[2]) ? "-1" : logs[2]); return new Tuple2<Long, Long>(userId, 1L); } }).reduceByKey(new Function2<Long, Long, Long>(){ //对相同的key,进行Value的累加(包括Local和Reducer级别同时Reduce) public Long call(Long v1, Long v2) throws Exception { // TODO Auto-generated method stub return v1 + v2; } }).filter(new Function<Tuple2<Long, Long>, Boolean>() { public Boolean call(Tuple2<Long, Long> v1) throws Exception { // TODO Auto-generated method stub return 1L == v1._2; } }).count().print(); } private static void onlineRegistered( JavaPairInputDStream<String, String> lines) { // TODO Auto-generated method stub lines.filter(new Function<Tuple2<String,String>, Boolean>() { public Boolean call(Tuple2<String, String> v1) throws Exception { // TODO Auto-generated method stub String[] logs = v1._2.split("\t"); String action = logs[5]; return "register".equals(action); } }).count().print(); } /** * 因为要计算UV,所以需要获得同样的Page的不同的User,这个时候就需要去重操作,DStream中有distinct吗?当然没有(截止到Spark1.6.1) * 此时我们就需要求助于DStream魔术般的方法transform,在该方法内部直接对RDD进行distinct操作,这样就是实现了用户UserID的去重,进而计算UV * @param lines */ private static void onlineUV(JavaPairInputDStream<String, String> lines) { // TODO Auto-generated method stub /** * 第四步:接下来就像对于RDD编程一样基于DStream进行编程,原因是DStream是RDD产生的模板(或者说类),在Spark Streaming具体 * 发生计算前,其实质是把每个Batch的DStream的操作翻译成为对RDD的操作! * */ JavaPairDStream<String, String> logsDStream = lines.filter(new Function<Tuple2<String,String>, Boolean>() { public Boolean call(Tuple2<String, String> v1) throws Exception { // TODO Auto-generated method stub String[] logs = v1._2.split("\t"); String action = logs[5]; return "view".equals(action); } }); /** * 第4.2步:在单词拆分的基础上对每个单词实例计数为1,也就是word => (word, 1) */ logsDStream.map(new Function<Tuple2<String,String>, String>() { public String call(Tuple2<String, String> v1) throws Exception { // TODO Auto-generated method stub String[] logs = v1._2.split("\t"); Long userId = Long.valueOf(logs[2] != null ? logs[2] : "-1"); Long pageId = Long.valueOf(logs[3]); return pageId + "_" + userId; } }).transform(new Function<JavaRDD<String>, JavaRDD<String>>() { public JavaRDD<String> call(JavaRDD<String> v1) throws Exception { // TODO Auto-generated method stub return v1.distinct(); } }).mapToPair(new PairFunction<String, Long, Long>() { public Tuple2<Long, Long> call(String t) throws Exception { // TODO Auto-generated method stub String[] logs = t.split("_"); Long pageId = Long.valueOf(logs[0]); return new Tuple2<Long, Long>(pageId, 1L); } }).reduceByKey(new Function2<Long, Long, Long>(){ //对相同的key,进行Value的累加(包括Local和Reducer级别同时Reduce) public Long call(Long v1, Long v2) throws Exception { // TODO Auto-generated method stub return v1 + v2; } }).print(); } private static void onlinePagePV(JavaPairInputDStream<String, String> lines) { /** * 第四步:接下来就像对于RDD编程一样基于DStream进行编程,原因是DStream是RDD产生的模板(或者说类),在Spark Streaming具体 * 发生计算前,其实质是把每个Batch的DStream的操作翻译成为对RDD的操作! */ JavaPairDStream<String, String> logsDStream = lines.filter(new Function<Tuple2<String,String>, Boolean>() { public Boolean call(Tuple2<String, String> v1) throws Exception { // TODO Auto-generated method stub String[] logs = v1._2.split("\t"); String action = logs[5]; return "view".equals(action); } }); /** * 第4.2步:在单词拆分的基础上对每个单词实例计数为1,也就是word => (word, 1) */ JavaPairDStream<Long, Long> pairs = logsDStream.mapToPair(new PairFunction<Tuple2<String,String>, Long, Long>() { public Tuple2<Long, Long> call(Tuple2<String, String> t) throws Exception { // TODO Auto-generated method stub String[] logs = t._2.split("\t"); Long pageId = Long.valueOf(logs[3]); return new Tuple2<Long, Long>(pageId, 1L); } }); /** * 第4.3步:在单词实例计数为1基础上,统计每个单词在文件中出现的总次数 */ JavaPairDStream<Long, Long> wordsCount = pairs.reduceByKey(new Function2<Long, Long, Long>(){ //对相同的key,进行Value的累加(包括Local和Reducer级别同时Reduce) public Long call(Long v1, Long v2) throws Exception { // TODO Auto-generated method stub return v1 + v2; } }); /** * 此处的print并不会直接触发Job的支持,因为现在的一切都是在Spark Streaming框架的控制之下的,对于SparkStreaming * 而言,具体是否触发真正的Job运行是基于设置的Duration时间间隔的 * * 注意,Spark Streaming应用程序要想执行具体的Job,对DStream就必须有ouptputstream操作 * outputstream有很多类型的函数触发,例如print,saveAsTextFile,saveAsHadoopFiles等, * 其中最为重要的一个方法是foreachRDD,因为Spark Streaming处理的结果一般会放在Redis、DB、DashBoard * 等上面,所以foreachRDD主要就是用来完成这些功能的,而且可以随意自定义具体数据到底放在哪里。 * * 在企业生产环境下,一般会把计算的数据放入Redis或者DB中,采用J2EE等技术进行趋势的绘制等,这就像动态更新的股票交易一样, * 来实现在线的监控等 */ wordsCount.print(); } }
数据生成代码:
package com.tom.spark.SparkApps.sparkstreaming; import java.text.SimpleDateFormat; import java.util.Date; import java.util.Properties; import java.util.Random; import kafka.javaapi.producer.Producer; import kafka.producer.KeyedMessage; import kafka.producer.ProducerConfig; /** * 论坛数据自动生成代码,该生成的数据会作为Producer的方式发送给Kafka,然后Spark Streaming程序会从 * Kafka中在线Pull到论坛或者网站的用户在线行为信息,进而进行多维度的在线分析 数据格式如下: data:日期,格式为yyyy-MM-dd * timestamp:时间戳 userID:用户ID pageID:页面ID channelID:板块ID action:点击和注册 */ public class SparkStreamingDataManuallyProducerForKafka extends Thread { static String[] channelNames = new String[] { "Spark", "Scala", "Kafka", "Flink", "Hadoop", "Storm", "Hive", "Impala", "HBase", "ML" }; // 用户的两种行为模式 static String[] actionNames = new String[] { "register", "view" }; private String topic; // 发送给Kafka的数据的类别 private Producer<Integer, String> producerForKafka; private static String dateToday; private static Random random; public SparkStreamingDataManuallyProducerForKafka(String topic) { random = new Random(); dateToday = new SimpleDateFormat("yyyy-MM-dd").format(new Date()); this.topic = topic; Properties conf = new Properties(); conf.put("metadata.broker.list", "Master:9092,Worker1:9092,Worker2:9092"); conf.put("serializer.class", "kafka.serializer.StringEncoder"); producerForKafka = new Producer<Integer, String>(new ProducerConfig( conf)); } public void run() { int counter = 0; while (true) { counter++; String userLog = userlogs(); System.out.println("product:" + userLog); producerForKafka.send(new KeyedMessage<Integer, String>(topic, userLog)); if (0 == counter % 500) { counter = 0; try { Thread.sleep(1000); } catch (InterruptedException e) { // TODO Auto-generated catch block e.printStackTrace(); } } } } public static void main(String[] args) { new SparkStreamingDataManuallyProducerForKafka("UserLogs").start(); } private static String userlogs() { // TODO Auto-generated method stub StringBuffer userLogBuffer = new StringBuffer(""); int[] unregisteredUsers = new int[] { 1, 2, 3, 4, 5, 6, 7, 8 }; long timestamp = new Date().getTime(); Long userID = 0L; long pageID = 0; // 随机生成的用户ID if (unregisteredUsers[random.nextInt(8)] == 1) { userID = null; } else { userID = (long) random.nextInt((int) 2000); } // 随机生成的页面ID pageID = random.nextInt((int) 2000); // 随机生成Channel String channel = channelNames[random.nextInt(10)]; // 随机生成acton行为 String action = actionNames[random.nextInt(2)]; userLogBuffer.append(dateToday).append("\t").append(timestamp) .append("\t").append(userID).append("\t").append(pageID) .append("\t").append(channel).append("\t").append(action); return userLogBuffer.toString(); } }
相关文章推荐
- 第98讲 使用Spark Streaming实战对论坛网站动态行为的多维度分析(上)
- 第98课: 使用Spark Streaming实战对论坛网站动态行为的多维度分析(上)
- 大数据IMF传奇行动绝密课程第83课:透彻讲解使用Scala和Java两种方式实战Spark Streaming开发
- 大数据IMF传奇行动绝密课程第97课:使用SparkStreaming+SparkSQL实现在线动态计算出特定时间窗口
- 第99课:使用Spark Streaming+Kafka实战对论坛网站动态行为的多维度分析及java.lang.NoClassDefFoundError问题解决完整内幕版本解密
- 第99讲:使用sparkStreaming实战对论坛网站动态行为的多维度分析下
- 大数据IMF传奇行动绝密课程第62课:Spark SQL下的Parquet使用最佳实践和代码实战
- 大数据IMF传奇行动绝密课程第100-101课:使用Spark Streaming+Spark SQL+Kafka+FileSystem综合案例
- 大数据IMF传奇行动绝密课程第93课:SparkStreaming updateStateByKey案例实战和内置源码解密
- 大数据IMF传奇行动绝密课程第82课:Spark Streaming案例动手实战并在电光石火间理解其工作原理
- 大数据IMF传奇行动绝密课程第88课:SparkStreaming从Flume Poll数据案例实战和内幕源码解密
- 大数据IMF传奇行动绝密课程第80课:Spark SQL网站搜索综合案例实战
- 大数据IMF传奇行动绝密课程第91课:SparkStreaming基于Kafka Direct案例实战和内幕源码解密
- 大数据IMF传奇行动绝密课程第90课:SparkStreaming基于Kafka Receiver案例实战和内幕源码解密
- 大数据IMF传奇行动绝密课程第94课:SparkStreaming实现广告计费系统中在线黑名单过滤实战
- Spark Streaming实战对论坛网站动态行为pv,uv,注册人数,跳出率的多维度分析
- 大数据IMF传奇行动绝密课程第95课:通过SparkStreaming的window操作实战模拟新浪微博、百度、京东等热点搜索词案例实战
- 使用Spark Streaming实战对网站动态行为的多维度分析
- 大数据IMF传奇行动绝密课程第103课:动手实战Spark Streaming Broadcast、Accumulator实现在线黑名单过滤和计数
- 大数据IMF传奇行动绝密课程第102课:动手实战Spark Streaming自定义Receiver并进行调试和测试