Spark SQL 笔记(10)——实战网站日志分析(1)
2018-11-14 19:57
429 查看
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u012292754/article/details/83997402
4.3.5 修改
1 用户行为日志介绍
1.1 行为日志生成方法
- Nginx
- Ajax
1.2 日志内容
- 访问的系统属性:操作系统、浏览器
- 访问特征:点击的 url、从哪个url 跳转过来的(referer)、页面停留时间
- 访问信息: session_id, 访问ip,
2 离线数据处理架构
- 数据采集: Flume: web日志写入到 HDFS
- 数据清洗:Spark,hive,mapreduce,清洗后可以存放到HDFS
- 数据处理:按照需求进行相应的业务统计分析
- 处理结果入库:存放到 RDBMS,NoSQL
- 数据可视化:Echarts,HUE, Zeppelin
3 需求
- 主站最受欢迎的课程/手记 Top N访问次数;
- 按照地市统计最受欢迎的 Top N 课程;
- 根据IP地址提取出城市信息;
- 窗口函数在 Spark SQL 中的使用;
- 按照流量统计最受欢迎的 Top N;
4 原始日志清洗
原始记录案例
183.162.52.7 - - [10/Nov/2016:00:01:02 +0800] "POST /api3/getadv HTTP/1.1" 200 813 "www.imooc.com" "-" cid=0×tamp=1478707261865&uid=2871142&marking=androidbanner&secrect=a6e8e14701ffe9f6063934780d9e2e6d&token=f51e97d1cb1a9caac669ea8acc162b96 "mukewang/5.0.0 (Android 5.1.1; Xiaomi Redmi 3 Build/LMY47V),Network 2G/3G" "-" 10.100.134.244:80 200 0.027 0.027
截取前 20000 条数据
$ head -20000 access.20161111.log >> access_20000.log
4.1 第一次清洗
打断点
4.2 源码
DateUtils.scala
package com.weblog.cn import java.util.{Date, Locale} import org.apache.commons.lang3.time.FastDateFormat /* * 日期时间解析类 * */ object DateUtils { /* * SimpleDateFormat 是线程不安全的 * */ //输入文件时间格式 [10/Nov/2016:00:01:02 +0800] val YYYYMMDDHHMM_TIME_FORMAT = FastDateFormat.getInstance("dd/MMM/yyyy:HH:mm:ss Z", Locale.ENGLISH) //输出时间格式 val TARGET_FORMAT = FastDateFormat.getInstance("yyyy-MM-dd HH:mm:ss") // 获取时间 yyyy-MM-dd HH:mm:ss def parse(time: String) = { TARGET_FORMAT.format(new Date(getTime(time))) } //获取驶入日志时间 : long 类型 //time : [10/Nov/2016:00:01:02 +0800] def getTime(time: String) = { try{ YYYYMMDDHHMM_TIME_FORMAT.parse(time.substring(time.indexOf("[")+1, time.lastIndexOf("]"))).getTime }catch { case e:Exception => { 0l } } } /* def main(args: Array[String]): Unit = { println(parse("[10/Nov/2016:00:01:02 +0800]")) } */ }
SparkStatFormatJob.scala
package com.weblog.cn import org.apache.spark.sql.SparkSession /* * * */ object SparkStatFormatJob { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName(" SparkStatFormatJobApp") .master("local[2]").getOrCreate() val access = spark.sparkContext.textFile("file:///d://access_20000.log") //access.take(10).foreach(println) /*access.map(line =>{ val splits = line.split(" ") val ip = splits(0) ip }).take(10).foreach(println)*/ /*access.map(line =>{ val splits = line.split(" ") val ip = splits(0) //[10/Nov/2016:00:01:02 +0800] val time = splits(3)+" "+splits(4) val url = splits(11).replaceAll("\"","") //流量 val traffic = splits(9) (ip,DateUtils.parse(time),url,traffic) }).take(10).foreach(println)*/ access.map(line => { val splits = line.split(" ") val ip = splits(0) //[10/Nov/2016:00:01:02 +0800] val time = splits(3) + " " + splits(4) val url = splits(11).replaceAll("\"", "") //流量 val traffic = splits(9) DateUtils.parse(time) + "\t" + url + "\t" + traffic + "\t" + ip }).saveAsTextFile("file:///d://weblog") } }
结果
2016-11-10 00:01:02 - 813 183.162.52.7 2016-11-10 00:01:02 - 0 10.100.0.1 2016-11-10 00:01:02 http://www.imooc.com/code/1852 2345 117.35.88.11 2016-11-10 00:01:02 - 94 182.106.215.93 2016-11-10 00:01:02 - 0 10.100.0.1 2016-11-10 00:01:02 - 19501 183.162.52.7 2016-11-10 00:01:02 - 0 10.100.0.1 2016-11-10 00:01:02 - 2510 114.248.161.26 2016-11-10 00:01:02 - 633 120.52.94.105 2016-11-10 00:01:02 - 0 10.100.0.1 2016-11-10 00:01:02 - 94 112.10.136.45 2016-11-10 00:01:02 http://www.imooc.com/code/2053 331 211.162.33.31 2016-11-10 00:01:02 http://www.imooc.com/code/3500 54 116.22.196.70 2016-11-10 00:01:02 - 0 10.100.0.1 2016-11-10 00:01:02 - 125 113.47.86.12 2016-11-10 00:01:02 http://www.imooc.com/code/547 54 119.130.229.90
4.2 第二次清洗
- 使用 Spark SQL 解析访问日志
- 解析出课程编号、类型
- 根据IP解析出城市信息
https://github.com/wzhe06/ipdatabase
- 使用 Spark SQL 将访问时间按天进行分区输出
第一次清洗的结果
2017-05-11 14:09:14 http://www.imooc.com/video/4500 304 218.75.35.226 2017-05-11 15:25:05 http://www.imooc.com/video/14623 69 202.96.134.133 2017-05-11 07:50:01 http://www.imooc.com/article/17894 115 202.96.134.133 2017-05-11 02:46:43 http://www.imooc.com/article/17896 804 218.75.35.226 2017-05-11 09:30:25 http://www.imooc.com/article/17893 893 222.129.235.182 2017-05-11 08:07:35 http://www.imooc.com/article/17891 407 218.75.35.226 2017-05-11 19:08:13 http://www.imooc.com/article/17897 78 202.96.134.133
4.3 使用 github 开源项目获取城市
https://github.com/wzhe06/ipdatabase
4.3.1 下载后解压,然后编译
4.3.2 安装 jar 包到自己的Maven仓库
mvn install:install-file -Dfile=d://ipdatabase-1.0-SNAPSHOT.jar -DgroupId=com.ggstar -DartifactId=ipdatabase -Dversion=1.0 -Dpackaging=jar
4.3.3 修改 pom 文件
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>com.tzb.demo2</groupId> <artifactId>SQLContext</artifactId> <version>1.0</version> <inceptionYear>2008</inceptionYear> <properties> <scala.version>2.11.8</scala.version> <spark.version>2.1.0</spark.version> </properties> <repositories> <repository> <id>scala-tools.org</id> <name>Scala-Tools Maven2 Repository</name> <url>http://scala-tools.org/repo-releases</url> </repository> </repositories> <pluginRepositories> <pluginRepository> <id>scala-tools.org</id> <name>Scala-Tools Maven2 Repository</name> <url>http://scala-tools.org/repo-releases</url> </pluginRepository> </pluginRepositories> <dependencies> <dependency> <groupId>org.scala-lang</groupId> <artifactId>scala-library</artifactId> <version>${scala.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.11</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-hive_2.11</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>5.1.38</version> </dependency> <dependency> <groupId>com.ggstar</groupId> <artifactId>ipdatabase</artifactId> <version>1.0</version> </dependency> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxml</artifactId> <version>3.14</version> </dependency> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi</artifactId> <version>3.14</version> </dependency> </dependencies> <build> <sourceDirectory>src/main/scala</sourceDirectory> <testSourceDirectory>src/test/scala</testSourceDirectory> <plugins> <plugin> <groupId>org.scala-tools</groupId> <artifactId>maven-scala-plugin</artifactId> <executions> <execution> <goals> <goal>compile</goal> <goal>testCompile</goal> </goals> </execution> </executions> <configuration> <scalaVersion>${scala.version}</scalaVersion> <args> <arg>-target:jvm-1.5</arg> </args> </configuration> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-eclipse-plugin</artifactId> <configuration> <downloadSources>true</downloadSources> <buildcommands> <buildcommand>ch.epfl.lamp.sdt.core.scalabuilder</buildcommand> </buildcommands> <additionalProjectnatures> <projectnature>ch.epfl.lamp.sdt.core.scalanature</projectnature> </additionalProjectnatures> <classpathContainers> <classpathContainer>org.eclipse.jdt.launching.JRE_CONTAINER</classpathContainer> <classpathContainer>ch.epfl.lamp.sdt.launching.SCALA_CONTAINER</classpathContainer> </classpathContainers> </configuration> </plugin> </plugins> </build> <reporting> <plugins> <plugin> <groupId>org.scala-tools</groupId> <artifactId>maven-scala-plugin</artifactId> <configuration> <scalaVersion>${scala.version}</scalaVersion> </configuration> </plugin> </plugins> </reporting> </project>
4.3.4 测试ip地址解析
package com.weblog.cn import com.ggstar.util.ip.IpHelper /* * ip 解析工具类 * */ object IpUtils { def getCity(ip:String) = { IpHelper.findRegionByIp(ip) } def main(args: Array[String]): Unit = { println(getCity("58.30.15.255")) } }
4.3.5 修改 AccessConvertUtil.scala
val city = IpUtils.getCity(ip)
4.4 数据清洗结果存储到目标文件
调优点,控制文件输出的大小
coalesce
SparkStatCleanJob.scala
object SparkStatCleanJob { def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("SparkStatCleanJobApp") .master("local[2]").getOrCreate() val accessRDD = spark.sparkContext.textFile("file:///d://access.log") //accessRDD.take(10).foreach(println) //RDD -> DF val accessDF = spark.createDataFrame(accessRDD.map(x => AccessConvertUtil.parseLog(x)), AccessConvertUtil.struct) // accessDF.printSchema() // accessDF.show(false) accessDF.coalesce(1).write.format("parquet").mode(SaveMode.Overwrite) .partitionBy("day").save("d://weblog_clean") spark.stop() } }
阅读更多
相关文章推荐
- Spark SQL 笔记(12)——实战网站日志分析(3)按照地市统计结果
- Spark SQL 笔记(11)——实战网站日志分析(2)统计结果入库
- Spark SQL 笔记(13)——实战网站日志分析(3)按照流量统计TopN
- Spark SQL 笔记(14)——实战网站日志分析(4)代码重构之删除指定日期已有的数据
- Spark SQL 笔记(15)——实战网站日志分析(5)数据可视化
- Spark 09 Spark SQL 实战:日志分析(二)实现需求
- Spark 10 Spark SQL 实战:日志分析(三)结果可视化
- Spark 08 Spark SQL 实战:日志分析(一)介绍、数据清洗
- Spark 实战,第 3 部分: 使用 Spark SQL 对结构化数据进行统计分析
- Hadoop学习笔记—20.网站日志分析项目案例(一)项目介绍
- 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
- python数据分析与挖掘学习笔记(6)-电商网站数据分析及商品自动推荐实战与关联规则算法
- Hadoop之网站日志分析项目案例(二)数据清洗(笔记22)
- 大数据技术学习笔记之网站流量日志分析项目:Flume日志采集系统1
- 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)
- Hadoop学习笔记—20.网站日志分析项目案例(二)数据清洗
- 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
- Hadoop学习笔记—20.网站日志分析项目案例(二)数据清洗
- spark中使用sparksql对日志进行分析(属于小案例)
- spark sql之java和scala版本——电影受众分析系统--得分最高的10部电影;看过电影最多的前10个人