spark实时查看来自各个省份的ip访问

前一段时间，在项目中，领导要求实时查看来自各个省份的ip访问的详情，根据这一需求，通过flume/logstack实时采集nginx的日志到生产到kafka，再通过spark实时消费分析保存到redis/mysql中，最后前端通过百度的echart图实时的显示出来。 
首先，得有一份ip归属地的规则表，可以本地的文档，也可以是分布式的在多台机器上的（如hdfs）。 
ip规则表部分如下：

1.0.1.0|1.0.3.255|16777472|16778239|亚洲|中国|福建|福州||电信|350100|China|CN|119.306239|26.075302
1.0.8.0|1.0.15.255|16779264|16781311|亚洲|中国|广东|广州||电信|440100|China|CN|113.280637|23.125178
1.0.32.0|1.0.63.255|16785408|16793599|亚洲|中国|广东|广州||电信|440100|China|CN|113.280637|23.125178
1.1.0.0|1.1.0.255|16842752|16843007|亚洲|中国|福建|福州||电信|350100|China|CN|119.306239|26.075302
1.1.2.0|1.1.7.255|16843264|16844799|亚洲|中国|福建|福州||电信|350100|China|CN|119.306239|26.075302
1.1.8.0|1.1.63.255|16844800|16859135|亚洲|中国|广东|广州||电信|440100|China|CN|113.280637|23.125178
1.2.0.0|1.2.1.255|16908288|16908799|亚洲|中国|福建|福州||电信|350100|China|CN|119.306239|26.075302
1.2.2.0|1.2.2.255|16908800|16909055|亚洲|中国|北京|北京|海淀|北龙中网|110108|China|CN|116.29812|39.95931
1.2.4.0|1.2.4.255|16909312|16909567|亚洲|中国|北京|北京||中国互联网信息中心|110100|China|CN|116.405285|39.904989
1.2.5.0|1.2.7.255|16909568|16910335|亚洲|中国|福建|福州||电信|350100|China|CN|119.306239|26.075302
1.2.8.0|1.2.8.255|16910336|16910591|亚洲|中国|北京|北京||中国互联网信息中心|110100|China|CN|116.405285|39.904989
1.2.9.0|1.2.127.255|16910592|16941055|亚洲|中国|广东|广州||电信|440100|China|CN|113.280637|23.125178
1.3.0.0|1.3.255.255|16973824|17039359|亚洲|中国|广东|广州||电信|440100|China|CN|113.280637|23.125178
1.4.1.0|1.4.3.255|17039616|17040383|亚洲|中国|福建|福州||电信|350100|China|CN|119.306239|26.075302

本地模式

import java.sql.{Date, PreparedStatement, Connection, DriverManager}

import org.apache.spark.{SparkContext, SparkConf}


/**
 * 计算ip从属地
 * Created by tianjun on 2017/2/13.
 */
object IpLocation {



  def ip2Long(ip:String):Long = {
    val fragments = ip.split("[.]")
    var ipNum = 0L
    for(i <- 0 until fragments.length){
      ipNum=fragments(i).toLong | ipNum << 8L
    }
    ipNum
  }

  def binarySearch(lines:Array[(String,String,String)],ip:Long): Int ={
    var low =0
    var high = lines.length-1
    while (low<=high){
      val  middle = (low + high)/2
      if((ip>=lines(middle)._1.toLong)&&(ip<=lines(middle)._2.toLong)){
        return middle
      }
      if(ip<lines(middle)._1.toLong){
        high=middle-1
      }else{
        low = middle +1
      }
    }
    -1
  }


  val data2MySql = (iterator:Iterator[(String,Int)])=>{
    var conn:Connection = null
    var ps: PreparedStatement = null
    val sql = "INSERT INTO location_info(location,counts,access_date) values(?,?,?)"
    try {
      conn = DriverManager.getConnection("jdbc:mysql://localhost:3306/bigdata?useUnicode=true&characterEncoding=utf-8", "root", "123")
      iterator.foreach(line => {
        ps = conn.prepareStatement(sql)
        ps.setString(1, line._1)
        ps.setInt(2, line._2)
        ps.setDate(3, new Date(System.currentTimeMillis()))
        ps.executeUpdate()
      })
    } catch {
      case e: Exception => e.printStackTrace()
    } finally {
      if (ps != null)
        ps.close()
      if (conn != null)
        conn.close()
    }

  }

  def main (args: Array[String]){

    //windows上报错才加的，在linxu上不需要
    System.setProperty("hadoop.home.dir","C:\\tianjun\\winutil\\")

    val conf = new SparkConf().setMaster("local").setAppName("IpLocation")
    val sc = new SparkContext(conf)

    //加载ip属地规则（可以从多台数据获取）
    val ipRuelsRdd = sc.textFile("c://ip.txt").map(line=>{
      val fields = line.split("\\|")
      val start_num = fields(2)
      val end_num = fields(3)
      val province = fields(6)
      (start_num,end_num,province)
    })

    //全部的ip映射规则
    val ipRulesArray = ipRuelsRdd.collect()

    //广播规则
    val ipRulesBroadcast = sc.broadcast(ipRulesArray)

    //加载处理的数据
    val ipsRDD = sc.textFile("c://log").map(line=>{
      val fields = line.split("\\|")
      fields(1)
    })

    val result = ipsRDD.map(ip =>{
      val ipNum = ip2Long(ip)
      val index = binarySearch(ipRulesBroadcast.value,ipNum)
      val info = ipRulesBroadcast.value(index)
      //(ip的起始num，ip的结束num，省份)
      info
    })
      //累加各个省市的结果
      .map(t => (t._3,1)).reduceByKey(_+_)

    result.foreachPartition(data2MySql)

//    println(result.collect().toBuffer)

    sc.stop()


  }

}

可以看到，利用spark的算子来进行数据分析是非常容易的。 
在spark官网可以看到spark对接kafka，数据库，等，是十分容易的。 
再来看看本例子中的写到数据库的结果：

+----+----------+--------+---------------------+
| id | location | counts | access_date         |
+----+----------+--------+---------------------+
|  7 | 陕西     |   1824 | 2017-02-13 00:00:00 |
|  8 | 河北     |    383 | 2017-02-13 00:00:00 |
|  9 | 云南     |    126 | 2017-02-13 00:00:00 |
| 10 | 重庆     |    868 | 2017-02-13 00:00:00 |
| 11 | 北京     |   1535 | 2017-02-13 00:00:00 |
+----+----------+--------+---------------------+