大数据采集清洗处理：使用MapReduce进行离线数据分析完整案例

Posted 2022-12-29 sushine1

　　1 大数据处理的常用方法

　　大数据处理目前比较流行的是两种方法，一种是离线处理，一种是在线处理，基本处理架构如下：

　　在互联网应用中，不管是哪一种处理方式，其基本的数据来源都是日志数据，例如对于web应用来说，则可能是用户的访问日志、用户的点击日志等。

　　如果对于数据的分析结果在时间上有比较严格的要求，则可以采用在线处理的方式来对数据进行分析，如使用Spark、Storm等进行处理。比较贴切的一个例子是天猫双十一的成交额，在其展板上，我们看到交易额是实时动态进行更新的，对于这种情况，则需要采用在线处理。

　　当然，如果只是希望得到数据的分析结果，对处理的时间要求不严格，就可以采用离线处理的方式，比如我们可以先将日志数据采集到HDFS中，之后再进一步使用MapReduce、Hive等来对数据进行分析，这也是可行的。

　　本文主要分享对某个电商网站产生的用户访问日志(access.log)进行离线处理与分析的过程，基于MapReduce的处理方式，最后会统计出某一天不同省份访问该网站的uv与pv。

　　2 生产场景与需求

　　在我们的场景中，Web应用的部署是如下的架构：

　　即比较典型的nginx负载均衡+KeepAlive高可用集群架构，在每台Web服务器上，都会产生用户的访问日志，业务需求方给出的日志格式如下：

　　1001 211.167.248.22 eecf0780-2578-4d77-a8d6-e2225e8b9169 40604 1 GET /top HTTP/1.0 408 null null 1523188122767

　　1003 222.68.207.11 eecf0780-2578-4d77-a8d6-e2225e8b9169 20202 1 GET /tologin HTTP/1.1 504 null Mozilla/5.0 (Windows; U; Windows NT 5.1)Gecko/20070309 Firefox/2.0.0.3 1523188123267

　　1001 61.53.137.50 c3966af9-8a43-4bda-b58c-c11525ca367b 0 1 GET /update/pass HTTP/1.0 302 null null 1523188123768

　　1000 221.195.40.145 1aa3b538-2f55-4cd7-9f46-6364fdd1e487 0 0 GET /user/add HTTP/1.1 200 null Mozilla/4.0 (compatible; MSIE 7.0; Windows NT5.2) 1523188124269

　　1000 121.11.87.171 8b0ea90a-77a5-4034-99ed-403c800263dd 20202 1 GET /top HTTP/1.0 408 null Mozilla/5.0 (Windows; U; Windows NT 5.1)Gecko/20070803 Firefox/1.5.0.12 1523188120263

　　其每个字段的说明如下：

　　appid ip mid userid login_type request status http_referer user_agent time

　　其中：

　　appid包括：web:1000,android:1001,ios:1002,ipad:1003

　　mid:唯一的id此id第一次会种在浏览器的cookie里。如果存在则不再种。作为浏览器唯一标示。移动端或者pad直接取机器码。

　　login_type：登录状态，0未登录、1：登录用户

　　request：类似于此种 "GET /userList HTTP/1.1"

　　status：请求的状态主要有：200 ok、404 not found、408 Request Timeout、500 Internal Server Error、504 Gateway Timeout等

　　http_referer：请求该url的上一个url地址。

　　user_agent：浏览器的信息，例如："Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/47.0.2526.106 Safari/537.36"

　　time：时间的long格式：1451451433818。

　　根据给定的时间范围内的日志数据，现在业务方有如下需求：

　　统计出每个省每日访问的PV、UV。

　　3 数据采集：获取原生数据

　　数据采集工作由运维人员来完成，对于用户访问日志的采集，使用的是Flume，并且会将采集的数据保存到HDFS中，其架构如下：

　　可以看到，不同的Web Server上都会部署一个Agent用于该Server上日志数据的采集，之后，不同Web Server的Flume Agent采集的日志数据会下沉到另外一个被称为Flume Consolidation Agent(聚合Agent)的Flume Agent上，该Flume Agent的数据落地方式为输出到HDFS。

　　在我们的HDFS中，可以查看到其采集的日志：

　　后面我们的工作正是要基于Flume采集到HDFS中的数据做离线处理与分析。

　　4 数据清洗：将不规整数据转化为规整数据

　　4.1 数据清洗目的

　　刚刚采集到HDFS中的原生数据，我们也称为不规整数据，即目前来说，该数据的格式还无法满足我们对数据处理的基本要求，需要对其进行预处理，转化为我们后面工作所需要的较为规整的数据，所以这里的数据清洗，其实指的就是对数据进行基本的预处理，以方便我们后面的统计分析，所以这一步并不是必须的，需要根据不同的业务需求来进行取舍，只是在我们的场景中需要对数据进行一定的处理。

　　4.2 数据清洗方案

　　原来的日志数据格式是如下的：

　　appid ip mid userid login_type request status http_referer user_agent time

　　其中：

　　appid包括：web:1000,android:1001,ios:1002,ipad:1003

　　mid:唯一的id此id第一次会种在浏览器的cookie里。如果存在则不再种。作为浏览器唯一标示。移动端或者pad直接取机器码。

　　login_type：登录状态，0未登录、1：登录用户

　　request：类似于此种 "GET /userList HTTP/1.1"

　　status：请求的状态主要有：200 ok、404 not found、408 Request Timeout、500 Internal Server Error、504 Gateway Timeout等

　　http_referer：请求该url的上一个url地址。

　　user_agent：浏览器的信息，例如："Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36"

　　time：时间的long格式：1451451433818。

　　但是如果需要按照省份来统计uv、pv，其所包含的信息还不够，我们需要对这些数据做一定的预处理，比如需要，对于其中包含的IP信息，我们需要将其对应的IP信息解析出来;为了方便我们的其它统计，我们也可以将其request信息解析为method、 request_url、 http_version等，

　　所以按照上面的分析，我们希望预处理之后的日志数据包含如下的数据字段：

　　appid;　　郑州男科:http://www.hnzzyyxb.com/郑州男科医院:http://www.hnzzyyxb.com/郑州看男科哪家医院好:http://www.hnzzyyxb.com/

　　ip;

　　//通过ip来衍生出来的字段 province和city

　　province;

　　city;

　　mid;

　　userId;

　　loginType;

　　request;

　　//通过request 衍生出来的字段 method request_url http_version

　　method;

　　requestUrl;

　　httpVersion;

　　status;

　　httpReferer;

　　userAgent;

　　//通过userAgent衍生出来的字段，即用户的浏览器信息

　　browser;

　　time;

　　即在原来的基础上，我们增加了其它新的字段，如province、city等。