网日志处理中的应用架构-《大数据时代的IT架构设计》

用户的上网行为中蕴含着大量的客户特征和客户需求信息，这些信息至关重要,这就要求用户的上网日志记录必须被保存，而且还需要进行数据分析挖掘处理，然后根据处理结果定义用户的行为习惯，为电信运营商实现精细化运营提供重要的营销依据。

上网日志数据处理方法的流程：

1．对上网日志数据的URL地址进行提取。

2．对已知的URL数据，按照基准URL分类准则进行分类。

3．对未知的URL地址，首先爬取网页数据，然后对爬取的网页数据按照网页分类模型，进行网页分类，不断优化模型，提高网页分类的准确性。

4．根据每个人访问网址和对应网址的网页分类，利用模型统计出每个手机号码的个人喜好，为精准营销提供依据。

接口层 

接口层负责与外部系统的数据进行交换，包括用户数据、上网日志数据的采集，互联网网页内容的爬取和对外围系统提供访问接口。

数据接口可实现对关系型数据库，如Oracle、DB2等的数据交换，包括采集和加载过程，同时也支持文件类型的数据，可以通过FTP等方式进行采集。系统对外提供统一访问接口，具有开放性、高性能、可监控管理和安全性等特征。

数据层 

数据层是分布式大数据处理平台，从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据模型，将数据加载到分布式存储中去。通过分布式计算框架可以实现数据的清洗、转换、校验和装载等过程。

资源层 

由于分布式架构带来的硬件部署的复杂度，需要对物理资源层和系统平台层提供进一步的抽象，以提供自动化部署和弹性的运维能力，因此资源层实现了对物理资源的自动部署和动态扩展，对分布式集群中不同角色进行灵活部署。

功能层 

功能层实现了数据处理流程模块的模块化处理，提供集群的访问控制，并负责Hadoop集群的运行管理和系统报警日志管理。数据处理能够进行任意串并联的流程调度，并且能够控制节点的优先级、超时时间、重试次数，同时具备路由判断能力，能够在多分支的情况下通过条件进行不同的流程流转。采用异步调度策略，能够支持大并发量的调度。

应用层 

负责应用功能的具体算法实现。实现了网页分类索引，通过互联网注册URL及其类别的爬取，对数据进行统一管理，并置于持久化存储中。将其中的类别进行模块化重组，划分至对应的层次结构，如（社交-社区）或（社交-微博），对类别进行索引。实现了词库分类管理，通过对网络热门词汇及常用词汇的爬取，根据所属类别构建分词词库。词库定期更新，不断完善。实现了用户行为统一分析，基于客户的访问行为，识别其偏好特征，根据内容偏好特征进行客户细分，并支持目标客户群提取，以便支撑营销活动，实现了URL地址统一管理。

展示层 

负责将应用功能处理结果通过Web页面展示，并且提供交互页面，熟练使用各种应用处理功能，并对处理结果进行动态展示。

网络爬虫 

负责从互联网系统中爬取网页的具体内容信息。具体处理流程是一种按照一定的规则，自动抓取万维网信息的程序或者脚本。程序从日志文件中提取URL地址，并进行过滤、去重操作。其中过滤操作去除图片、视频、软件等内容的URL地址；去重会把重复的URL、已经抓取的URL、已经分类的URL地址去掉。剩下的URL地址送入爬虫的地址库中，爬虫会根据一定的规则产生要抓取的URL地址，然后通过MapReduce的方式并发抓取产生的URL地址，最终把抓取到的URL地址的内容存储到HDFS文件系统中。

由于网络爬取流程需要互联网资源支持，数据处理Hadoop集群是和电信运营商内部网络互联，而且Hadoop集群的安全处理措施不够完善，因此，它们之间的访问需要严格控制，以保证网络部署安全。