【Spark】使用Spark清洗日志数据（一）

具体要求

有一些较为杂乱的数据需要清洗，现在需要将其完成下列操作

取出IP，生成只有一个IP的数据集
简单清洗
统计IP出现的次数
排序，按照IP出现的次序排序
取出前十

数据展示

代码实现

import org.apache.commons.lang3.StringUtils
import org.apache.spark.{SparkConf, SparkContext}

object AccessLogTest {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[6]").setAppName("AccessLogTest")
    val sc = new SparkContext(conf)
    val sourceRDD = sc.textFile("data/access_log_sample.txt")
    //取出IP赋予词频1
    val ipRDD = sourceRDD.map(item => (item.split(" ")(0),1))
    .filter(item => StringUtils.isNotEmpty(item._1))//去除掉item中第一个（也就是value，IP）为空的数据
    .reduceByKey((curr,agg)=>curr + agg)//统计IP出现的次数
    .sortBy(item => item._2,ascending = false)//按照第二项进行牌序(默认是升序),false是降序
    .collect().take(10)//收集结果，只取出前十

    ipRDD.foreach(item => println(item))
  }
}

结果展示