一、电商热门商品统计模块
(1)需求分析
-
如何定义热门商品?
-
简单模型:直接通过用户对商品的点击量来衡量商品热度。
-
复杂模型:依据各类别权重(后续补充)
-
-
如何获取区域?
-
通过用户点击日志,获取访问IP,进而获取区域信息。
-
通过数据库中的订单关联用户表,获取用户的地域信息
-
-
如何去除爬虫水军(商家为了提高自己的排名,用爬虫来频繁访问自己的店铺)?
-
一段时间分析用户IP的访问次数(后续补充)
-
(2)技术方案
-
数据采集(ETL)电商API接口接入
❝
「因为要访问数据库,所以会对数据库造成很大的压力,而且在真实的生产环境中,一般没有权限直接访问数据库。可以把数据导出成csv文件,放到日志服务器上,再通过Flume采集到HDFS上。假如有权限访问数据库,数据库也需要设置成读写分离的模式,来缓解压力。」
❞-
电商日志一般存储在日志服务器,通过 Flume 拉取到 HDFS 上,本文通过编写python程序模拟日志数据。
-
业务数据通过 Sqoop 从关系型数据库mysql中读取数据,然后导入到HDFS。
-
-
数据清洗
-
使用 MapReduce 进行数据清洗。
-
使用 Spark Core 进行数据清洗。
-
-
各区域热门商品计算
-
使用 Hive 进行数据的分析和处理。
-
使用 Spark SQL 进行数据的分析和处理
-
(3)实验数据及说明
-
product(商品)表:
列名 描述 数据类型 空/非空约束 product_id 商品号 varchar(18) Not null product_name 商品名称 varchar(20) Not null marque 商品型号 varchar(10) Not null barcode 仓库条码 varchar Not null price 商品价格 double Not null brand_id 商品品牌 varchar(8) Not null market_price 市场价格 double Not null stock 库存 int Not null status 状态 int Not null ❝
补充说明: status: 下架-1,上架0,预售1
❞ -
area_info(地区信息)表
列名 描述 数据类型 空/非空约束 area_id 地区编号 varchar(18) Not null area_name 地区名称 varchar(20) Not null -
user_click_log(用户点击信息)表
列名 描述 数据类型 空/非空约束 user_id 用户ID varchar(18) Not null user_ip 用户IP varchar(20) Not null url 用户点击 URL varchar(200) click_time 用户点击时间 varchar(40) action_type 动作名称 varchar(40) area_id 地区ID varchar(40) ❝
补充说明: action_type: 1 收藏,2 加购物车,3 购买 area_id:已经通过IP地址,解析出了区域信息
❞ -
area_hot_product(区域热门商品)表
列名 描述 数据类型 空/非空约束 area_id 地区ID varchar(18) Not null area_name 地区名称 varchar(20) Not null product_id 商品ID varchar(200) product_name 商品名称 varchar(40) pv 访问量 BIGINT
(4)技术实现
使用Flume采集用户点击日志
-
Flume配置文件(flume-areahot.conf)
2.利用python编写程序模拟日志信息,jian放入/log0208文件夹下,自定义添加不符合字段数据,要经过mr或spark进行数据清洗。
-
启动 Flume agent,在 Flume 的根目录下执行命令:bin/flume-ng agent -n a4 -f flume-areahot.conf -c conf -Dflume.root.logger=INFO,console
-
再执行python dslog.py向 /log0208 目录里放入用户日志文件(实现方法:此处
-
Flume 会将 /log0208 目录下的文件采集到 hdfs://master:9000/flume/ 当天日期 目录下。
-
「运行dslog.py程序如下:」
#coding=utf-8
import random
import time
iplist=[26,23,47,56,108,10,33,48,66,77,101,45,61,52,88,89,108,191,65,177,98,21,34,61,19,11,112,114]
url = "http://mystore.jsp/?productid={query}"
x=[1,2,3,4]
def use_id():
return random.randint(1,20)
def get_ip():
return '.'.join(str(x) for x in random.sample(iplist,4))
def urllist():
def sample_references():
if random.uniform(0,1)>0.8:
return ""
query_str=random.sample(x,1)
return url.format(query=query_str[0])
def get_time():
return time.strftime('%Y%m%d%H%M%S',time.localtime())
# action: 1 收藏,2 加购物车,3 购买 area_id代表不同区域
def action():
return random.randint(1,4)
def area_id():
return random.randint(1,21)
def get_log(count):
while count>0:
log='{},{},{},{},{},{}\n'.format(use_id(),get_ip(),urllist(),get_time(),action(),area_id())
# with open('/usr/local/src/tmp/1.log','a+')as file:
with open('/log0208/click.log','a+')as file:
file.write(log)
# print(log)
# time.sleep(1)
count=count-1
if __name__ == '__main__':
get_log(10000)
点击并拖拽以移动
生成日志结果截取:
5,10.26.56.45,http://mystore.jsp/?productid=1,20210222005139,1,19
2,10.101.98.47,http://mystore.jsp/?productid=1,20210222005139,3,8
17,191.88.66.108,http://mystore.jsp/?productid=3,20210222005139,2,14
4,89.21.33.108,,20210222005139,2,10
4,108.23.48.114,http://mystore.jsp/?productid=4,20210222005139,1,21
8,21.48.19.65,,20210222005139,1,3
16,61.21.89.11,http://mystore.jsp/?productid=2,20210222005139,3,11
6,56.47.112.88,,20210222005139,1,3
点击并拖拽以移动
flume-areahot.conf配置文件如下:
#bin/flume-ng agent -n a4 -f myagent/a4.conf -c conf -Dflume.root.logger=INFO,console
#定义agent名, source、channel、sink的名称
a4.sources = r1
a4.channels = c1
a4.sinks = k1
#具体定义source
a4.sources.r1.type = spooldir
a4.sources.r1.spoolDir = /log0208
#具体定义channel
a4.channels.c1.type = memory
a4.channels.c1.capacity = 10000
a4.channels.c1.transactionCapacity = 100
#定义拦截器,为消息添加时间戳
a4.sources.r1.interceptors = i1
a4.sources.r1.interceptors.i1.type = org.apache.flume.interceptor.TimestampInterceptor$Builder
#具体定义sink
a4.sinks.k1.type = hdfs
a4.sinks.k1.hdfs.path = hdfs://master:9000/flume/%Y%m%d
a4.sinks.k1.hdfs.filePrefix = events-
a4.sinks.k1.hdfs.fileType = DataStream
#不按照条数生成文件
a4.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a4.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a4.sinks.k1.hdfs.rollInterval = 60
#组装source、channel、sink
a4.sources.r1.channels = c1
a4.sinks.k1.channel = c1
点击并拖拽以移动
3.数据清洗
-
需要将用户点击日志里面对于商品的点击识别出来
-
过滤不满足6个字段的数据
-
过滤URL为空的数据,即:过滤出包含http开头的日志记录