一、 基本的离线数据处理架构：
- 数据采集 Flume：Web日志写入到HDFS
- 数据清洗 脏数据 Spark、Hive、MR等计算框架来完成。 清洗完之后再放回HDFS
- 数据处理 按照需要，进行业务的统计和分析。 也通过计算框架完成
- 处理结果入库 存放到RDBMS、NoSQL中
- 数据可视化 通过图形化展示出来。 ECharts、HUE、Zeppelin
处理框图：
1 2 3 4 5 6 7为离线处理，其中5不一定是Hive（还有Spark SQL等） 6不一定是RDBMS（NoSQL）
执行时，可用调度框架Oozie、Azkaban，指定任务执行的时间
另外一条线是实时处理
拟定项目需求：
- 统计某时间段最受欢迎的某项的TopN和对应的访问次数
- 按地市统计最受欢迎 从IP提取城市信息
- 按访问流量统计
互联网日志一般包括有：
访问时间 访问URL 耗费流量 访问IP地址
从日志里提取以上我们需要的数据
假设我们现在仅有一台电脑供学习作为集群使用，为了防止内存溢出，有必要进行剪切日志：
用head -10000命令截取前10000条
数据量太大的话，在IDE中可能会报错
二、日志处理过程
数据清洗：
第一步： 从原始日志提取有用信息，本例中就是拿到时间、URL、流量、IP
- 读取日志文件，得到RDD，通过map方法，split成一个数组，然后选择数组中有用的几项（用断点的方法分析哪几项有用，并匹配相应的变量）
- 获取到的信息有可能因为某些问题，如线程问题而导致生成了带有错误的信息，第一步中一开始用了SimpleDateFormat（线程不安全）来转变时间格式，会导致某些时间转换错误。一般要改成FastDateFormat来做
实现代码：
//提取有用信息，转换格式 object SparkStatFormatJob { def main(args: Array[String]) = { val spark = SparkSession.builder().appName("SparkStatFormatJob").master("local[2]").getOrCreate() val access = spark.sparkContext.textFile("/Users/kingheyleung/Downloads/data/10000_access.log") //access.take(10).foreach(println) access.map(line => { val splits = line.split(" ") val ip = splits(0) //用断点的方法，观察splits数组，找出时间、url、流量对应哪一个字段 //创建时间类DateUtils，转换成常用的时间表达方式 //把url多余的""引号清除掉 val time = splits(3) + " " + splits(4) val url = splits(11).replaceAll("\"", "") val traffic = splits(9) //(ip, DateUtils.parse(time), url, traffic) 用来测试输出是否正常 //把裁剪好的数据重新组合,用Tab分割 DateUtils.parse(time) + "\t" + url + "\t" + traffic + "\t" + ip }).saveAsTextFile("file:///usr/local/mycode/immooclog/") spark.stop() } }
//日期解析 object DateUtils { //输入格式 val ORIGINAL_TIME_FORMAT = FastDateFormat.getInstance("dd/MMM/yyyy:HH:mm:sss Z", Locale.ENGLISH) //输出格式 val TARGET_TIME_FORMAT = FastDateFormat.getInstance("yyyy-MM-dd HH:mm:ss") def parse(time:String) = { TARGET_TIME_FORMAT.format(new Date(getTime(time))) } def getTime(time:String) = { try { ORIGINAL_TIME_FORMAT.parse(time.substring(time.indexOf("[") + 1, time.lastIndexOf("]"))).getTime } catch { case e : Exception => { 0l } } }
一般日志处理需要进行分区
本例中按照日志中的访问时间进行分区
第二步：解析上一步得到的有用信息，我把它称为解析日志
其实就是把较为整洁的数据日志，解析出每个字段的含义，并把RDD转成DF
在此案例中，完成的是：
输入：访问时间 访问URL 耗费流量 访问IP地址 =>转变为输出：url、类型（本例中url的后缀有article还是video）、对应ID号、流量、ip、城市、时间、天（用于分组）
并且创建DataFrame（也就是定义Row和StructType，其中Row要和原日志的每个字段对应，而StructType是根据所需要的输出来定义就行）
实现代码：
//解析日志 object SparkStatCleanJob { def main(args: Array[String]) = { val spark = SparkSession.builder().appName("SparkStatCleanJob").master("local[2]").getOrCreate() val accessRDD = spark.sparkContext.textFile("file:///Users/kingheyleung/Downloads/data/access_10000.log") //RDD convert to DF, define Row and StructType val accessDF = spark.createDataFrame(accessRDD.map(line => LogConvertUtils.convertToRow(line)), LogConvertUtils.struct) //accessDF.printSchema() //accessDF.show(false) spark.stop() } }
//RDD转换成DF的工具类 object LogConvertUtils { //构建Struct val struct = StructType( Array( StructField("url", StringType), StructField("cmsType", StringType), StructField("cmsId", LongType), StructField("traffic", LongType), StructField("ip", StringType), StructField("city", StringType), StructField("time", StringType), StructField("day", StringType) ) ) //提取信息，构建Row def convertToRow(line:String) = { try { val splits = line.split("\t") val url = splits(1) val traffic = splits(2).toLong val ip = splits(3) val domain = "http://www.imooc.com/" val cms = url.substring(url.indexOf(domain) + domain.length()) val cmsSplits = cms.split("/") var cmsType = "" var cmsId = 0l //判断是否存在 if (cmsSplits.length > 1) { cmsType = cmsSplits(0) cmsId = cmsSplits(1).toLong } val city = IpUtils.getCity(ip) //通过Ip解析工具传进，具体看下面 val time = splits(0) val day = time.substring(0, 10).replaceAll("-", "") //定义Row，与Struct一样 Row(url, cmsType, cmsId, traffic, ip, city, time, day) } catch { case e: Exception => Row(0) } } }
注意：转换时一定要记得类型转换！！！！
进一步解析：对IP地址解析来获得城市信息
在这里，为了让IP地址转换成直观的城市信息，我使用了GitHub上的开源项目来实现：
用Maven编译下载的项目
mvn clean package -DskipTests
安装jar包到自己的Maven仓库中：
mvn install:install-file -Dfile=路径.jar -DgroupId=com.ggstar -DartifactId=ipdatabase -Dversion=1.0 -Dpackaging=jar
在IDE里面的pom.xml添加dependency，参照GitHub主页上的pom.xml中的dependency
但是出现报错了：
java.io.FileNotFoundException:
file:/Users/rocky/maven_repos/com/ggstar/ipdatabase/1.0/ipdatabase-1.0.jar!/ipRegion.xlsx (No such file or directory)
根据提示，我们需要在项目源码中找到相应的文件拷进去IDE中的main/resources中！
存储清洗后的数据：
按day分区来进行存储 partitionBy
存储模式：mode(SaveMode.Overwrite) 覆盖存储
coalesce：据说生产中经常用，是项目的调优点，控制文件的输出大小，个数
三、统计功能实现
功能实现一：统计TopN视频
第一步：读取数据，read.format().load
第二步：
- 使用DataFrame API统计分析
- SQL API
最后把统计结果保存在mysql数据库中
调优点：
读取parquet文件时，系统会默认解析各字段相应的数据类型，但有时候我们就只需要它是String类型，需要在SparkSession定义时添加：
config("spark.sql.sources.partitionColumnTypeInference.enabled, "false"")
变成只会按照原类型读入
两种方法：
若使用DataFrame API来做：
用$号时候需要导入隐式转换（这里是列名转换成列）！spark.implicits._
用到dataframe的count()函数要导入包：org.apache.spark.sql.functions._
若使用SQL API来做：
创建临时表createTempView
小心写SQL语句换行时不注意而忽略空格
实现代码：
//完成统计操作 object TopNStatJob { def main(args: Array[String]) { val spark = SparkSession.builder().appName("TopNStatJob") .config("spark.sql.sources.partitionColumnTypeInference.enabled", "false") .master("local[2]").getOrCreate() val accessDF = spark.read.format("parquet").load("/Users/kingheyleung/Downloads/data/clean/") dfCountTopNVideo(spark, accessDF) sqlCountTopNVideo(spark, accessDF) //accessDF.printSchema() spark.stop() } def dfCountTopNVideo(spark: SparkSession, accessDF: DataFrame): Unit = { /* * DF API * */ //导入隐式转换, 留意$号的使用, 并且导入functions包，使agg聚合函数count能够使用，此处若不用$的话，就无法让times进行desc排序了 import spark.implicits._ val topNDF = accessDF.filter($"day" === "20170511" && $"cmsType" === "video") .groupBy("day", "cmsId").agg(count("cmsId").as("times")).orderBy($"times".desc) topNDF.show(false) } def sqlCountTopNVideo(spark: SparkSession, accessDF: DataFrame): Unit = { /* * SQL API * */ //创建临时表access_view，注意换行时，很容易忽略掉空格 accessDF.createTempView("access_view") val topNDF = spark.sql("select day, cmsId, count(1) as times from access_view " + "where day == ‘20170511‘ and cmsType == ‘video‘ " + "group by day, cmsId " + "order by times desc") topNDF.show(false) } }
在保存数据之前，需要写连接MySQL数据库的工具类，用到java.sql包
- 使用DriverManager，连接到mysql 3306
- 释放资源，connection和preparedstatement都要，注意处理异常
注意：若测试时拿不到连接，出现以下报错，那就是没有在dependency中添加或者选对mysql-connetor包
java.sql.SQLException: No suitable driver found for jdbc:mysql://localhost:3306/imooc_project?user=root&password=666
Error:scalac: error while loading <root>, Error accessing /Users/kingheyleung/.m2/repository/mysql/mysql-connector-java/5.0.8/mysql-connector-java-5.0.8.jar
我最终选的是5.1.40版本才对了
实现代码：
/* * 连接MySQL数据库 * 操作工具类 * */ object MySQLUtils { //获得连接 def getConnection(): Unit = { DriverManager.getConnection("jdbc:mysql://localhost:3306/imooc_project?user=root&password=666") } //释放资源 def release(connection: Connection, pstmt: PreparedStatement): Unit = { try { if (pstmt != null) { pstmt.close() } } catch { case e: Exception => e.printStackTrace() } finally { connection.close() } } }
把统计数据保存到MySQL
- 在mysql中创建一张表，包含day，cms_Id，times三个字段（注意各自的数据类型，以及定义不允许为NULL，并把day和cms_Id作为PRI KEY）
- 创建模型类case class，三个输入参数，day、cms_Id，times
- 创建操作数据库DAO类，输入的参数是一个list，list装的是上面的模型类，目的是插入insert记录到数据库中，DAO中分以下几步：
- 首先，做jdbc连接的准备，创建connection和prepareStatement，把关闭连接也写好，用try catch finally抛出异常；
- 然后写sql语句，preparestatement需要赋值的地方用占位符放着；
- 进行对list遍历，把每个对象都放进pstmt中
- 调优点！！！遍历前把自动提交关掉，遍历中把pstmt加入批处理中，遍历完后执行批处理操作！最后手工提交连接
实现代码：
//课程访问次数实体类 case class VideoAccessStat(day: String, cmsId:Long, times: Long) /* * 各个维度统计的DAO操作 * */ object StatDAO { /* * 批量保存VideoAccessStat到数据库 * */ def insertDayAccessTopN(list: ListBuffer[VideoAccessStat]): Unit = { var connection: Connection = null //jdbc的准备工作, 定义连接 var pstmt: PreparedStatement = null try { connection = MySQLUtils.getConnection() //真正获取连接 connection.setAutoCommit(false) //为了实现批处理，要关掉默认的自动提交 val sql = "insert into day_topn_video(day, cms_id, times) values (?, ?, ?)" //占位符 pstmt = connection.prepareStatement(sql) //把SQL语句生成pstmt对象，后面才可以填充占位符中的数据 for (ele <- list) { pstmt.setString(1, ele.day) pstmt.setLong(2, ele.cmsId) pstmt.setLong(3, ele.times) pstmt.addBatch() //加入批处理 } pstmt.execute() //执行批量处理 connection.commit() //手工提交 } catch { case e: Exception => e.printStackTrace() } finally { MySQLUtils.release(connection, pstmt) } } }
为了对应以上的第3步，要把统计记录的DF生成一个个对象，放进list中：
- 创建模型类对应的list
- 对记录进行遍历，把记录的每个字段当做参数，创建模型类对象
- 把每个对象添加到list中
- 把list传进DAO类中
以下代码添加到上面的TopNJob类里面中就可以把之前生成到的topDF的结果记录保存到MySQL当中了：
try { topNDF.foreachPartition(partitionOfRecords => { // val list = new ListBuffer[VideoAccessStat] //创建list来装统计记录 //遍历每一条记录，取出来上面对应的三个字段day，cmsId，times partitionOfRecords.foreach(info => { val day = info.getAs[String]("day") //后面的就是取出来的记录的每个字段 val cmsId = info.getAs[Long]("cmsId") val times = info.getAs[Long]("times") //每一次循环创建一个VideoAccessStat对象，添加一次进入list中 list.append(VideoAccessStat(day, cmsId, times)) }) //把list传进DAO类 StatDAO.insertDayAccessTopN(list) }) } catch { case e: Exception => e.printStackTrace() }
到此为止已经把项目需求一完成。
功能实现二：按照城市来找出topN视频
在功能一的基础上，运用row_number函数来实现
具体的实现代码：
//先计算访问次数，并按照day，cmsId，city分组 val cityAccessTopNDF = accessDF.filter(accessDF.col("day") === "20170511" && accessDF.col("cmsType") === "video") .groupBy("day", "cmsId", "city").agg(count("cmsId").as("times")) //进行分地市排序，使用到row_number函数，生成一个排名，定义为time_rank, 并且取排名前3 cityAccessTopNDF.select( cityAccessTopNDF.col("day"), cityAccessTopNDF.col("cmsId"), cityAccessTopNDF.col("times"), cityAccessTopNDF.col("city"), row_number().over(Window.partitionBy(cityAccessTopNDF.col("city")) .orderBy(cityAccessTopNDF.col("times").desc) ).as("times_rank") ).filter("times_rank <= 3").show(false) }
其他步骤和功能一一样，但是插入Mysql的时候报错，原因是MySQL不支持插入中文！！！！
首先可以在mysql命令行中用SET character来改：
SET character_set_client = utf8
可通过
show variables like ‘character_set_%’;
查看当前的character编码设置
然后在jdbc连接时，加上：
useUnicode=true&characterEncoding=utf8
改了之后，虽然能够导入MySQL了，而且不出现乱码，但只有一部分数据，并且在控制台报错：
com.mysql.jdbc.PreparedStatement.fillSendPacket
com.mysql.jdbc.PreparedStatement.execute
后来把批处理删掉竟然就可以把所有数据导入了：
pstmt.executeUpdate //不使用批处理的pstmt插入
功能三：按流量来排序topN视频
和功能一几乎完全一样，只不过计算流量总和时用的不是count函数而是要用sum函数
为了代码的复用性，防止生成重复的数据，在StatDAO定义删除的函数：
def deleteDayData(day: String) = { var connection: Connection = null var pstmt: PreparedStatement = null var tables = Array("day_topn_video", "day_city_topn_video", "traffic_topn_video" ) try { connection = MySQLUtils.getConnection() for (table <- tables) { val deleteSql = s"delete from $table where day = ?” //Scala特殊处理 pstmt = connection.prepareStatement(deleteSql) pstmt.setString(1, table) pstmt.setString(2, day) pstmt.executeUpdate() } } catch { case e: Exception => e.printStackTrace() } finally { MySQLUtils.release(connection, pstmt) } }
需要注意的是，table在pstmt中的特殊用法！！
后续会对以上内容进行可视化处理、跑在YARN上的修改、性能调优