hadoop进阶系列之海量web日志KPI指标提取
Posted Thinkgamer_
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了hadoop进阶系列之海量web日志KPI指标提取相关的知识，希望对你有一定的参考价值。
推广一下个人的微信公众号【搜索与推荐Wiki】
转载请注明出处： 转载自 Thinkgamer的CSDN博客：blog.csdn.net/gamer_gyt
代码下载地址：点击查看
1：Web日志分析系统概述
2：需求分析：日志提取预处理，KPI指标设计，存储与展现
3：算法模型：Hadoop并行算法
4：架构设计：构建hadoop项目
5：程序实现：MR2V程序实现
6：结果可视化
一：Web日志分析系统概述
Web日志由Web服务器产生，可能是nginx，Apache，Tomcat等，从Web日志中我们可以提取到很多有用的信息，比如说网站每类网页的浏览量（PV），独立IP数，稍微复杂一些包括用户检索的关键词排行，用户停留时间，是否遭遇黑客攻击等，更复杂的我们可以构建广告点击模型，分析用户行为特征等，从而为站方创造价值
当然现在已经存在一些做的很好的日志统计分析平台，比如说百度统计，谷歌统计.......
拿上面的百度统计举例，来源分析其实就是对网站浏览量的一个监控，提取的是日志中的pv，下面的列表是便是对浏览者信息记录的呈现，其中地域便是对ip地址的一个统计，当然我们不能和百度相比，但是我们可以做一个简化的“百度统计”，暂且称它为CyanS统计吧
由于我自己网站的数据量太小了，且几乎都是我自己访问的，所以就从朋友那取了一些进行web日志分析（我的服务器只是简单的部署了环境，作品展示用的，呵呵，欢迎访问）
这是一条访问记录：
31.3.245.106 - - [25/Apr/2016:06:55:21 +0800] "CONNECT www.marathonbet.com:443 HTTP/1.1" 405 575 "https://www.marathonbet.com/en/live/26418" "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0"
remote_ip： 31.3.245.106 ，记录来源的ip地址，通过ip地址我们可以得到地域
remote_time：“[25/Apr/2016:06:55:21 +0800]”，记录访问的时间和时区，通过对时间的提取，我们可以得到，每小时的PV，也可以结合IP得到，PV最多的IP
request："CONNECT www.marathonbet.com:443 HTTP/1.1"，请求方式是CONNECT(常见的是post和get)，http版本是1.1
status：405，状态码，200表示请求成功
body_byte_sent：575，反馈的字节是575b，可以理解为当前页面的大小
see_url：www.marathonbet.com:443 ，表示访问的网页
user_agent： "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0" 记录用户浏览器的相关信息
注：1：若要得到更多的信息，则要通过其他的手段去获取，通过js代码单独发送请求，使用cookies记录用户的访问信息，利用这些信息深入挖掘网站
2：我们可以利用apache自带的rotatelogs实现日志轮播，apache提供了将不把之日直接写入文件，而是同管道发送给另外一个程序的能力，这样做有很大的好处，我们可以充分利用这个机制对日志数据进行预处理，这个管道可以是任意程序，如日志分析，压缩日志等（当然还有其他很多的日志轮播工具，感兴趣的大家可以自己谷歌）
少量数据的情况，即单机可以处理时，我们可以利用linux自带的工具，如awk，grep，sort，join等再配合perl，pytho，正则表达式，基本就可以解决所有的问题
eg：我们想从上面提取的日志文件得到访问量最高的10个IP
cat access.log | awk '{a[$1]++} END {for(b in a) print b"\\t"a[b]}' | sort -k2 -r | head -n 10
79.50.131.136 99
173.208.168.74 99
103.210.16.61 96
115.171.36.133 96
87.230.17.128 92
118.161.64.225 91
38.99.252.150 90
95.211.172.4 9
95.105.94.79 9
94.198.2.8 9
海量数据的情况，我们就不能使用单机来处理了，这时我们就需要hadoop并行计算框架和分布式文件存储系统来解决问题了
二：需求分析
1：日志提取预处理
我们可以在部署apache阶段直接对其日志输出进行管道处理，传送给程序，从而进行数据的预处理，当然我们也可以使用python脚本对日志文件进行预处理，这里我采用的是使用python将weblog按照日期写入不同的文件
处理之后显示为：
预处理之后的文件我们上传至HDFS，进行存储
2：KPI指标设计
针对上边的网站日志我们可以设计出以下的指标
a：pv（pageview），日页面访问量统计
b：ip：日页面独立ip的访问量统计
c：request：日请求方式次数统计
d：time：用户每小时的IP访问量
e：source：用户访问的设备统计
3：存储与展现
处理后的数据在web前端展示，也可以使用python画图进行描绘，当然也可以使用R画图展示
三：算法模型：Hadoop并行算法
结合一中的变量
KPI_OneIP_Sum：日来访IP数量统计和地域分布
Map输出：{key：ip+文件名，value：1}
Reduce输出：{key：ip，value：求和} //将不同日期的数据分别写入不同的文件
KPI_OnePV_Sum：指定页面访问次数统计
Map输出：{key：访问的页面+文件名，value：1}
Reduce输出：{key：访问的页面，value：求和}
KPI_OneRequest_Sum：来访请求方式统计
Map输出：{key：请求方式+文件名，value：1}
Reduce输出：{key：请求方式， value：求和}
KPI_OneTime_Sum：每小时的访问量统计
Map输出：{key：时间+文件名，value：1}
Reduce输出：{key：时间，value：sum}
KPI_OneSource_Sum：日用户访问设备统计
Map输出：{key：设备名+文件名，value：1}
Reduce输出：{key：设备名，value：求和sum}
四：架构设计：构建hadoop项目
代码截图
hdfsGYT.java：是我使用java对hdfs的封装
KPI_OneIP_Sum.java：日独立IP统计
KPI_OnePV_Sum.java：日访问量统计
KPI_OneRequest_Sum.java：日请求方式统计
KPI_OneResource_Sum.java：日访问设备统计
KPI_OneTime_Sum.java：日每小时访问量统计
KPIfilter.java：对日志行的解析类
KPIJob.java：任务调度函数
运行结果截图
五：程序实现：MR2V程序实现
在这里只对部分代码进行展示，更多代码请前往github下载：下载地址
1：KPIfilter.java（解析日志行的类）
package WebKPI;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.HashSet;
import java.util.Locale;
import java.util.Set;
public class KPIfilter {
//自定义错误计数器，在执行完程序时显示相应的错误条数
//由于web日志并不是规格的，存在部分数据不完整或者格式有问题，故设计计数
private static int numUser_agent = 0; //用户代理
private static int numStatus = 0; //访问状态码
private String remote_ip; //记录来源的ip地址，通过ip地址我们可以得到地域
private String remote_time; //记录访问的时间和时区
private String request; //记录请求方式
private String status; //网站请求状态码
private String body_byte_sent; //请求网页时反馈的字节大小
private String see_url; //表示从哪个页面连接过来
private String user_agent; //记录用户浏览的相关信息
public int getNumUser_agent() {
return numUser_agent;
}
public static int getNumStatus() {
return numStatus;
}
private boolean valid = true; //判断数据是否合法
@Override
public String toString() {
// TODO Auto-generated method stub
StringBuilder sb = new StringBuilder();
sb.append("valid:" + this.valid);
sb.append("\\nremote_ip:" + this.remote_ip);
sb.append("\\nremote_time:" + this.remote_time);
sb.append("\\nrequest:" + this.request);
sb.append("\\nstatus:" + this.status);
sb.append("\\nbody_byte_sent:" + this.body_byte_sent);
sb.append("\\nsee_url:" + this.see_url);
sb.append("\\nuser_agent:" + this.user_agent);
return sb.toString();
}
//get remote_ip
public String getRemote_ip() {
return remote_ip;
}
//set remote_ip
public void setRemote_ip(String remote_ip) {
this.remote_ip = remote_ip;
}
public Date getTime_local_Date() throws ParseException {
SimpleDateFormat df = new SimpleDateFormat("dd/MMM/yyyy:HH:mm:ss", Locale.US);
return df.parse(this.remote_time);
}
public String getTime_local_Date_hour() throws ParseException{
SimpleDateFormat df = new SimpleDateFormat("yyyyMMddHH");
return df.format(this.getTime_local_Date());
}
//get remote_time
public String getRemote_time() {
return remote_time;
}
//set remote_time，时间转化为Unix时间戳
public void setRemote_time(String remote_time) {
this.remote_time = remote_time.substring(1);
}
//get request
public String getRequest() {
return request;
}
//set request
public void setRequest(String request) {
this.request = request.substring(1);
}
//get status
public String getStatus() {
return status;
}
//set status
public void setStatus(String status) {
this.status = status;
}
//get body_byte_sent
public String getBody_byte_sent() {
return body_byte_sent;
}
//set body_byte_sent
public void setBody_byte_sent(String body_byte_sent) {
this.body_byte_sent = body_byte_sent;
}
//get from_url
public String getSee_url() {
return see_url;
}
//set from_url
public void setSee_url(String see_url) {
this.see_url = see_url;
}
//get user_agent
public String getUser_agent() {
return user_agent;
}
//set user_agentl
public void setUser_agent(String user_agent) {
try{
this.user_agent = user_agent.substring(1);
}catch(Exception e){
// e.printStackTrace();
System.out.println("user_agent is inlegal");
this.user_agent = "-";
this.numUser_agent ++;
}
}
//get valid
public boolean isValid() {
return valid;
}
//set valid
public void setValid(boolean valid) {
this.valid = valid;
}
//解析每行日志
public static KPIfilter parser(String line) throws ParseException{
// System.out.println(line);
KPIfilter kpi = new KPIfilter(); //声明一个KPIfilter的对象
String[] arr = line.split(" ");
//日志数据并非是规则的，但最短长度为12,所以要大于11
if(arr.length>11){
try{
kpi.setRemote_ip(arr[0]); //设置IP
kpi.setRemote_time(arr[3]); //设置时间
kpi.setRequest(arr[5]); //设置请求方式
kpi.setStatus(arr[8]); //设置返回的状态码
kpi.setBody_byte_sent(arr[9]); //设置返回的字节数
kpi.setSee_url(arr[6]); //设置来源页面
kpi.setUser_agent(arr[11]); //设置请求信息
// System.out.println(kpi);
// SimpleDateFormat df = new SimpleDateFormat("yyyy.MM.dd:HH:mm:ss", Locale.US);
// System.out.println(df.format(kpi.getTime_local_Date()));
// System.out.println(kpi.getTime_local_Date_hour());
try{
if (Integer.parseInt(kpi.getStatus()) >= 400) {// 大于400，HTTP错误
kpi.setValid(false);
}
}catch(Exception e){
// e.printStackTrace();
System.out.println("Status is error");
kpi.setStatus(arr[9]);
if (Integer.parseInt(kpi.getStatus()) >= 400) {// 大于400，HTTP错误
kpi.setValid(false);
numStatus++;
}
}
//
}catch(Exception e){
// e.printStackTrace();
kpi.setValid(false);
}
}else{//如果长度小于12,则为不满足条件，设置valid为false
kpi.setValid(false);
}
return kpi;
}
//按page的pv分类，过滤指定网页的浏览量
public static KPIfilter filterPVs(String line) throws ParseException
{
KPIfilter kpi = parser(line);
Set pages =new HashSet();
pages.add("/213.238.172.248");
pages.add("/order-form/");
pages.add("/index.php");
pages.add("http://www.addamiele.it/");
pages.add("http://www.tianya.cn/ ");
pages.add("http://www.google.com/");
if(pages.contains(kpi.getSee_url()))
{
kpi.setValid(true);
}else{
kpi.setValid(false);
}
return kpi;
}
public static void main(String [] args) throws ParseException {
String line = "31.3.245.106 - - [25/Apr/2016:06:55:21 +0800] \\"CONNECT www.marathonbet.com:443 HTTP/1.1\\" 405 575 \\"https://www.marathonbet.com/en/live/26418\\" \\"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0";
KPIfilter kpi = new KPIfilter();
kpi = kpi.parser(line);
System.out.println(kpi.toString());
System.out.println(kpi.getTime_local_Date_hour());
}
}
2：KPIJob.java（任务调度函数）
package WebKPI;
import java.io.IOException;
import java.net.URISyntaxException;
import java.util.HashMap;
import java.util.Map;
public class KPIJob {
//定义全局变量 hdfs地址url
public static final String HDFS = "hdfs://127.0.0.1:9000";
public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException, URISyntaxException {
//定义一个map集合，存放程序中所需要的路径
Map <String, String> path= new HashMap<String, String>();
// path.put("local_path", "webLogKPI/weblog/access.log"); //本地目录
path.put("input_log", HDFS+"/mr/webLogKPI/log_files"); //hdfs上存放log的目录
path.put("output_oneip", HDFS + "/mr/webLogKPI/KPI_OneIP_Sum"); //hdfs上KPI_OneIP_Sum对应的输出文件
path.put("output_pv", HDFS + "/mr/webLogKPI/KPI_OnePV_Sum"); //hdfs上KPI_OnePV_Sum对应的输出文件
path.put("output_request",HDFS+"/mr/webLogKPI/KPI_OneRequest_Sum"); //hdfs 上KPI_OneRequest_Sum对应的输出文件
path.put("output_time", HDFS+"/mr/webLogKPI/KPI_OneTime_Sum"); //hdfs上KPI_OneTime_Sum对应的输出文件
path.put("output_source", HDFS+"/mr/webLogKPI/KPI_OneResource_Sum"); //hdfs上KPI_OneResource_Sum对应的输出文件
KPI_OneIP_Sum.main(path); //计算独立IP访问量
KPI_OnePV_Sum.main(path); //计算PV访问量
KPI_OneRequest_Sum.main(path); //获得请求方式
KPI_OneTime_Sum.main(path); //每小时的PV
KPI_OneSource_Sum.main(path); //日访问设备统计
System.exit(0);
}
}
3：KPI_OneIP_Sum.java（日独立ip访问量统计）
package WebKPI;
import java.io.IOException;
import java.net.URISyntaxException;
import java.text.ParseException;
import java.util.Map;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
/*
* 2016.04.17——2016.04.30期间的数据
* 分别统计每天的ip独立访问数目
*/
public class KPI_OneIP_Sum {
private static KPIfilter kpi = new KPIfilter();
private static class IPMapper extends Mapper<LongWritable,Text,Text,LongWritable>{
private Text ipK = new Text();
private LongWritable ipV = new LongWritable(1);
String filename;
public void setup(Context context) throws IOException,InterruptedException {
// TODO Auto-generated method stub
//获取文件名
InputSplit inputSplit = context.getInputSplit();
filename = ((FileSplit) inputSplit).getPath().getName();
filename = (String) filename.subSequence(0,11);
System.out.println(filename);
}
public void map(LongWritable key,Text value, Context context) throws IOException, InterruptedException{
// System.out.println(value.toString());
try {
kpi = KPIfilter.parser(value.toString());
//在进行判断时
if(kpi.isValid()){
ipK.set(kpi.getRemote_ip() + "\\t" + filename);
// System.out.println(ipK + "===" + ipV);
context.write(ipK, ipV);
}
} catch (ParseException e) {
// TODO Auto-generated catch block
// e.printStackTrace();
System.out.println("this some error");
}
}
}
public static class IPReducer extends Reducer<Text,LongWritable,Text,LongWritable>{
private Text ipK2 = new Text();
private LongWritable ipV2 = new LongWritable();
//声明mos变量，用来将来自不同文件的ip统计写入到不同的文件中
private MultipleOutputs<Text, LongWritable> mos;
//setup函数
protected void setup(Context context) throws IOException,InterruptedException {
// TODO Auto-generated method stub
mos = new MultipleOutputs<Text, LongWritable>(context);
}
public void reduce(Text key, Iterable<LongWritable>values, Context context ) throws IOException, InterruptedException{
String[] arr = key.toString().split("\\t");
String filename = arr[1].replace("-",""); //该数据来自哪个文件, 因为文件命名时不能出现-，所有都去掉
// System.out.println(filename);
//统计每个文件下每个IP出现的次数
int num=0;
for (LongWritable longWritable : values) {
num += longWritable.get();
}
ipK2.set(arr[0]);
ipV2.set(num);
// System.out.println(filename + "______________" + ipK2 + "===========" + ipV2);
mos.write(filename, ipK2, ipV2);
}
//cleanup函数 关闭mos
public void cleanup(Context context) throws IOException,InterruptedException {
mos.close();
}
}
public static void main(Map<String, String> path) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
// String local_input = path.get("local_path"); //存放log的本地目录
String hdfs_input = path.get("input_log"); //上传weblog到hdfs的目录
String hdfs_output = path.get("output_oneip"); //运行该job的输出目录
hdfsGYT hdfs = new hdfsGYT();
// hdfs.rmr(hdfs_input); //删除hdfs上weblog的存放目录
hdfs.rmr(hdfs_output); //删除hdfs上任务的输出目录
// hdfs.put(local_input, hdfs_input); //将weblog从本地上传至hdfs
Job job = new Job(new Configuration(),"OneIP_Sum");
job.setJarByClass(KPI_OneIP_Sum.class);
job.setMapperClass(IPMapper.class);
job.setReducerClass(IPReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
MultipleOutputs.addNamedOutput(job, "17Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "18Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "19Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "20Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "21Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "22Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "23Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "24Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "25Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "26Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "27Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "28Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "29Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
MultipleOutputs.addNamedOutput(job, "30Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
FileInputFormat.addInputPath(job, new Path(hdfs_input));
FileOutputFormat.setOutputPath(job, new Path(hdfs_output));
//提交作业
job.waitForCompletion(true);
//
System.out.println("User_agent Error:" + kpi.getNumUser_agent());
System.out.println("Status Error:" + kpi.getStatus());
}
}
运行结果截图：
六：结果可视化
可以采用Python的matplotlib做图展示，或者使用R，或者H5的canvas做图展示
下面只对日每小时访问量做图展示，其他的类似，感兴趣的朋友可以自己尝试着做图
In [21]: import numpy as np
In [22]: import pylab as pl
In [23]: x = []
In [24]: for i in range(24):
x.append(str(2016041900 + i))
....:
In [25]: y=[2043,3293,1480,113,6841,5678,492,523,550,81,20,7,12,15,4,3,5,9,7,4,13,10,4,32]
In [26]: pl.plot(x, y)
Out[26]: [<matplotlib.lines.Line2D at 0x7f3ff8e85e10>]
In [27]: pl.show()
结果图：
以上是关于hadoop进阶系列之海量web日志KPI指标提取的主要内容，如果未能解决你的问题，请参考以下文章