使用SparkSQL 分析日志中IP数、流量等数据

写在前面

前面文章中，我们使用Spark RDD从非结构化的日志文件中分析出了访问独立IP数，单个视频访问独立IP数和每时CDN流量，这篇文章主要介绍使用Spark SQL从结构化的数据中完成这些数据的分析，如下图所有，先将日志文件结构化成csv文件，此文件可从源码cdn.csv中获取

Pom文件中添加SparkSQL依赖

<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.0.0</version>
</dependency>

创建SparkSession对象

//创建sparkSession
val sparkSession = SparkSession.builder
.config("spark.sql.warehouse.dir", "D:\\WorkSpace\\spark\\spark-learning\\spark-warehouse")
.master("local")
.appName("spark session example")
.getOrCreate()

加载结构化数据

//获取文件路径
val path=sqlWordCount.getClass.getClassLoader.getResource("cdn.csv").getPath
//读取文件
val df = sparkSession.read.csv(path)
//将加载的数据临时命名为log
df.createOrReplaceTempView("log")

计算独立IP总数和每个IP访问数

代码

val allIpCountSQL="select count(DISTINCT _c1)   from log "
val ipCountSQL="select _c1 as IP,count(_c1) as ipCount    from log group by _c1 order by ipCOunt desc   limit 10"
//查询独立IP总数
sparkSession.sql(allIpCountSQL).foreach(row=>println("独立IP总数:"+row.get(0)))
//查看IP数前10
sparkSession.sql(ipCountSQL).foreach(row=>println("IP:"+row.get(0)+" 次数:"+row.get(1)))

上面这段代码就是简单的数据库SQL统计查询，好像比前面使用RDD计算简单多了

结果

独立ID总数:21012
IP:114.55.227.102 次数:481
IP:114.55.25.11 次数:481
IP:115.236.173.95 次数:378
IP:27.18.175.140 次数:333
IP:115.201.129.102 次数:288
IP:39.190.84.175 次数:277
IP:125.122.240.71 次数:258
IP:115.236.173.94 次数:257
IP:114.55.109.239 次数:231
IP:183.129.67.106 次数:223

计算每个视频独立IP总数

代码

//查询每个视频独立IP数
val videoIpCount="select _c0,count(DISTINCT _c1) as count from log  group by _c0 order by count desc  limit 10 "
sparkSession.sql(videoIpCount).foreach(row=>println("IP:"+row.get(0)+" 次数:"+row.get(1)))

看了这个代码，感觉也是很简单的，就是按视频ID分组，再统计每个分组中不同IP的数量

结果

视频ID:149356 次数:3958
视频ID:149064 次数:3885
视频ID:149349 次数:1938
视频ID:149341 次数:1631
视频ID:149344 次数:1334
视频ID:149328 次数:1237
视频ID:89973 次数:945
视频ID:149339 次数:826
视频ID:149345 次数:578
视频ID:149327 次数:545

计算每个小时CDN流量

计算思路

这里面主要有一个时间段的问题，不然和上面的都是一样 groupby 一下再 sum 一下就OK了，不过日志中记录的是Unix时间戳，只能按秒去分组统计每秒的流量，我们要按每小时分组去统计，所以核心就是将时间戳转化成小时，总体过程如下

1. 通过SQL查出时间和大小

2. 将结果中的时间转成小时

3. 将时间格式化好后的RDD转成DataFrame，用于SQL查询

4. 通过SQL按小时分组查出结果

代码

def  getHour(time:String)={
val date=new Date(Integer.valueOf(time)*1000);
val sf=new SimpleDateFormat("HH");
sf.format(date)
}

//查询每个小时视频流量
val hourCdnSQL="select _c4,_c8 from log "
//取出时间和大小将格式化时间，RDD中格式为 (小时,大小)
val dataRdd= sparkSession.sql(hourCdnSQL).rdd.map(row=>Row(getHour(row.getString(0)),java.lang.Long.parseLong(row.get(1).toString)))

val schema=StructType(
Seq(
StructField("hour",StringType,true)
,StructField("size",LongType,true)
)
)

//将dataRdd转成DataFrame
val peopleDataFrame = sparkSession.createDataFrame(dataRdd,schema)
peopleDataFrame.createOrReplaceTempView("cdn")
//按小时分组统计
val results = sparkSession.sql("SELECT hour , sum(size) as size  FROM cdn group by hour  order by hour ")
results.foreach(row=>println(row.get(0)+"时 流量:"+row.getLong(1)/(1024*1024*1024)+"G"))

结果

00时 流量:4G
01时 流量:12G
02时 流量:18G
03时 流量:23G
04时 流量:26G
05时 流量:28G
06时 流量:23G
07时 流量:22G
08时 流量:4G
09时 流量:20G
10时 流量:24G
11时 流量:29G
12时 流量:36G
13时 流量:33G
14时 流量:29G
15时 流量:34G
16时 流量:42G
17时 流量:39G
18时 流量:29G
19时 流量:22G
20时 流量:27G
21时 流量:6G
22时 流量:4G
23时 流量:3G

完整项目代码及数据

https://git.oschina.net/whzhaochao/spark-learning

原文地址 http://blog.csdn.net/whzhaochao/article/details/72529351