Spark综合学习笔记搜狗搜索日志分析

Posted 2021-12-14 斯特凡今天也很帅

学习致谢：

https://www.bilibili.com/video/BV1Xz4y1m7cv?p=36

一、 数据

数据网站： http: //www.sogou.com/labs/resource/q.php

二、需求

针对SougoQ用户查询日志数据中不同字段，使用SparkContext读取日志数据，封装到RDD数据集中，调用Transformation函数和Action函数进行处理不同业务统计分析

三、分词工具测试

使用比较流行好用的中文分区：HanLP,面向生产环境的自然语言处理工具包，HanLP是由一系列模型与算法组成的Java工具包，目标是普及自然语言处理在生产环境中的应用
官方网站：http://www.hanlp.com/ 添加maven依赖

<dependency>
<groupId>com.hankcs</groupId>
<artifactId>hanlp</artifactId>
<version>portable-1.7.7</version>
</dependency>

import com.hankcs.hanlp.HanLP
import com.hankcs.hanlp.seg.common.Term
import scala.collection.JavaConverters._

object HanLPTest 
  object HanLPTest 
    def main(args: Array[String]):Unit = 
      val words = "[HanLP入门案例]"
      val terms: util.List[Term] = HanLP.segment(words)//对词进行分段
      println(terms)//直接打印java的List:[[/w，HanLP/nx，入门/vn，案例/n，]/w]
      println(terms.asScala.map(_.word))//转为scaLa的List:ArrayBuffer([，HanLP，入门，案例，])
      val cleanwords1: String = words.replaceAll("HM[/NN]","")//将"["或"]"替换为空""//"HanLP入门案例"
      println(cleanwords1)//HanLP入门案例
      println(HanLP.segment(cleanwords1).asScala.map(_.word))//ArrayBuffer (HanLP,入门,案例)
      val log = """e:00:00 2982199073774412 [360安全卫士] 8 3 download.it.com.cn/softweb/software/firewall/antivirus/20036/179"""
      val cleanwords2 = log.split("Ils+")(2)//7[360安全卫士]
      println(HanLP.segment(cleanwords2).asScala.map(_.word))//ArrayBuffer(360,安全卫士)
    
  

运行结果

四、代码实现

import com.hankcs.hanlp.HanLP
import org.apache.spark.rdd.RDD
import org.apache.spark.SparkConf, SparkContext
import scala.collection.mutable

/**
  * Author
  * DESC 需求：对SougouSearchLog进行分词并统计如下指标
  * 1.热门搜索词
  * 2.用户热门搜索词（带上用户id）
  * 3.各个时间段搜索热度
  */
object SouGouSearchAnalysis 
  def main(args: Array[String]): Unit = 
    //TODO 0.准备环境
    val conf: SparkConf=new SparkConf().setAppName("spark").setMaster("local[*]")
    val sc: SparkContext=new SparkContext(conf)
    sc.setLogLevel("WARN")
    //TODO 1.加载数据
    val lines:RDD[String]=sc.textFile("data/SogouQ.sample")
    //TODO 2.处理数据
    //封装数据
    val  SogouRecordRDD: RDD[SogouRecord]=lines.map(line=>//map是一个进去一个出去
        var arr: Array[String]=line.split("\\\\s+")
      SogouRecord(
        arr(0),
        arr(1),
        arr(2),
        arr(3).toInt,
        arr(4).toInt,
        arr(5)
      )
  )
    //切割数据
    val wordsRDD:RDD[String]=SogouRecordRDD.flatMap(record=> //flatmap是一个进去多个出去会被压扁 //360安全卫士==》[360,安全卫士]
      val wordsStr:String =record.queryWords.replaceAll("\\\\[|\\\\]","")//360安全卫士
      import scala.collection.JavaConverters._//将Java集合转为Scala集合
      HanLP.segment(wordsStr).asScala.map(_.word)//ArrayBuffer(360,安全卫士)
    )

    //TODO 3.统计指标
    //1.热门搜索词
    val result1: Array[(String,Int)]=wordsRDD
      .filter(word=> !word.equals(".")&& !word.equals("+"))
      .map((_,1))
        .reduceByKey(_+_)
        .sortBy(_._2,false)
        .take(10)
    // 2.用户热门搜索词（带上用户id）
    val userIdAndWordRDD:RDD[(String,String)]=SogouRecordRDD.flatMap(record=> //flatmap是一个进去多个出去会被压扁 //360安全卫士==》[360,安全卫士]
      val wordsStr:String =record.queryWords.replaceAll("\\\\[|\\\\]","")//360安全卫士
      import scala.collection.JavaConverters._//将Java集合转为Scala集合
      val words: mutable.Buffer[String]=HanLP.segment(wordsStr).asScala.map(_.word)//ArrayBuffer(360,安全卫士)
      val userId: String=record.userId
      words.map(word=>(userId,word))
    )
    val result2: Array[((String,String),Int)]=userIdAndWordRDD
      .filter(word=> !word._2.equals(".")&& !word._2.equals("+"))
      .map((_,1))
      .reduceByKey(_+_)
      .sortBy(_._2,false)
      .take(10)
    // 3.各个时间段搜索热度
    val result3: Array[(String,Int)]=SogouRecordRDD.map(record=>
      val timeStr:String=record.queryTime
      val hourAndMinunesStr:String =timeStr.substring(0,5)
      (hourAndMinunesStr,1)
    ).reduceByKey(_+_)
        .sortBy(_._2,false)
        .take(10)
    //TODO 4.输出结果
    result1.foreach(println)
    result2.foreach(println)
    result3.foreach(println)
    //TODO 5.释放资源
      sc.stop()
  
//准备一个样例类用来封装数据




/**
用户搜索点击网页记录Record
  *@param queryTime 访问时间，格式为：HH:mm:ss
  *@param userId     用户ID
  *@param queryWords 查询词
  *@param resultRank 该URL在返回结果中的排名
  *@param clickRank  用户点击的顺序号
  *@param clickUrl   用户点击的URL
  */
case class SogouRecord(
                        queryTime:String,
                        userId:String,
                        queryWords:String,
                        resultRank:Int,
                        clickRank:Int,
                        clickUrl:String
                      )