用户行为大数据案例

一、环境要求

Hadoop+Hive+Spark+HBase 开发环境。

二、数据描述

本数据集包含了2017-09-11至2017-12-03之间有行为的约5458位随机用户的所有行为（行为包括点击、购买、加购、喜欢）。数据集的每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、行为类型和时间戳组成，并以逗号分隔。关于数据集中每一列的详细描述如下具体字段说明如下：

列名称	列中文名称	说明
user_id	用户 ID	整数类型，序列化后的用户 ID
item_id	商品 ID	整数类型，序列化后的商品 ID
category_id	商品类目 ID	整数类型，序列化后的商品所属类目 ID
behavior_type	行为类型	字符串，枚举类型，包括 ('pv', 'buy', 'cart', 'fav')
time	时间戳	行为发生的时间戳

用户行为类型共有四种，它们分别是：

行为类型	说明
pv	商品详情页 pv，等价于点击
buy	商品购买
cart	将商品加入购物车
fav	收藏商品

三、功能要求

1.数据准备

（1）在 HDFS 中创建目录/data/userbehavior，并将 UserBehavior.csv 文件传到该目录。

[root@kb135 examdata]# hdfs dfs -mkdir -p /data/userbehavior
[root@kb135 examdata]# hdfs dfs -put ./UserBehavior.csv /data/userbehavior

（2）通过 HDFS 命令查询出文档有多少行数据。

[root@kb135 examdata]# hdfs dfs -cat /data/userbehavior/UserBehavior.csv | wc -l

2.数据清洗

（1）在 Hive 中创建数据库 exam

hive (default)> create database exam;
hive (default)> use exam;

（2）在 exam 数据库中创建外部表 userbehavior，并将 HDFS 数据映射到表中

create external table userbehavior(
    user_id int,
    item_id int,
    category_id int,
    behavior_type string,
    `time` bigint
)
row format delimited fields terminated by ","
stored as textfile location '/data/userbehavior';

（3）在 HBase 中创建命名空间 exam，并在命名空间 exam 创建 userbehavior 表，包
含一个列簇 info

hbase(main):002:0> create_namespace 'exam202010'
hbase(main):003:0> create 'exam202010:userbehavior','info'

（4）在 Hive 中创建外部表 userbehavior_hbase，并映射到 HBase 中，并将数
据加载到 HBase 中

create external table userbehavior_hbase(
    user_id int,
    item_id int,
    category_id int,
    behavior_type string,
    `time` bigint
)
stored by  'org.apache.hadoop.hive.hbase.HBaseStorageHandler' with
    serdeproperties("hbase.columns.mapping"=":key,info:item_id,info:category_id,info:behavior_type,info:time")
tblproperties ("hbase.table.name"="exam202010:userbehavior");

insert into userbehavior_hbase select * from userbehavior;

（5）在 exam 数据库中创建内部分区表 userbehavior_partitioned（按照日期进行分区），
并通过查询 userbehavior 表将时间戳格式化为”年-月-日时:分:秒”格式，将数据插入至 userbehavior_partitioned 表中，例如下图：

--创建分区表
create table userbehavior_partitioned(
    user_id int,
    item_id int,
    category_id int,
    behavior_type string,
    `time` string
) partitioned by (dt string)
stored as orc;

set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
insert into table userbehavior_partition partition (dt)
select user_id,item_id,category_id,behavior_type,
       from_unixtime(`time`) as `time`,
       from_unixtime(`time`,'yyyy-MM-dd') dt
from userbehavior;

3.用户行为分析

使用 Spark，加载 HDFS 文件系统 UserBehavior.csv 文件，并分别使用 RDD 完成以下分析。

加载文件：

scala> val fileRdd = sc.textFile("hdfs://kb135:9000/data/userbehavior")

（1）统计 uv 值（一共有多少用户访问淘宝）

scala> fileRdd.map(x=>x.split(","))
        .filter(_.length==5)
        .map(x=>x(0))
        .distinct().count
res1: Long = 5458

scala> fileRdd.map(x=>x.split(","))
        .filter(_.length==5)
        .groupBy(x=>x(0)).count
res2: Long = 5458

（2）分别统计浏览行为为点击，收藏，加入购物车，购买的总数量

scala> fileRdd.map(x=>x.split(","))
        .filter(_.length==5)
        .map(x=>(x(3),1))
        .reduceByKey(_+_)
        .collect.foreach(println)
(cart,30888)
(buy,11508)
(pv,503881)
(fav,15017)

scala> fileRdd.map(x=>x.split(","))
        .filter(_.length==5)
        .map(x=>(x(3),1))
        .groupByKey()
        .map(x=>(x._1,x._2.toList.size))
        .collect.foreach(println)
(cart,30888)
(buy,11508)
(pv,503881)
(fav,15017)

4.找出有价值的用户

（1）使用 SparkSQL 统计用户最近购买时间。以 2017-12-03 为当前日期，计算时间范围为一个月，计算用户最近购买时间，时间的区间为 0-30 天，将其分为 5 档，0-6 天,7-12 天,13-18 天,19-24 天,25-30 天分别对应评分 4 到 0

with 
tb as 
(select user_id,
        datediff('2017-12-03',max(dt)) as diff,
        max(dt) 
from userbehavior_partition 
where dt>'2017-11-03' and behavior_type='buy' 
group by user_id),
tb2 as 
(select user_id,
    (case when diff between 0 and 6 then 4 
          when diff between 7 and 12 then 3 
          when diff between 13 and 18 then 2 
          when diff between 19 and 24 then 1 
          when diff between 25 and 30 then 0  
          else null end ) tag 
from tb) 
select * from tb2 where tag=3;

（2）使用 SparkSQL 统计用户的消费频率。以 2017-12-03 为当前日期，计算时间范围为一个月，计算用户的消费次数，用户中消费次数从低到高为 1-161 次，将其分为 5 档，1-32，33-64，65-96，97-128，129-161 分别对应评分 0 到 4

with 
tb as 
(select user_id,
        count(user_id) as num from userbehavior_partition 
where dt between '2017-11-03' and '2017-12-03' and behavior_type='buy' 
group by user_id) 
select 
    user_id,
    (case when num between 129 and 161 then 4 
          when num between 97 and 128 then 3 
          when num between 65 and 96 then 2 
          when num between 33 and 64 then 1 
          when num between 1 and 32 then 0 
          else null end) tag 
from tb;