Spark数据处理与分析---留存率

需求分析

  • 日志数据清洗
  • 用户留存分析
  • 活跃用户分析

一、数据清洗

样例数据
在这里插入图片描述

1、读入日志文件并转化为RDD[Row]类型

  • 按照Tab切割数据,过滤掉字段数量少于8个的
    在这里插入图片描述
import java.util.Properties

import org.apache.commons.lang.StringUtils
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{Dataset, Row, SaveMode, SparkSession}
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.{LongType, StringType, StructField, StructType}

/*
* 数据清洗
*
* */

object ETLDemo {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("ETL")
    val sc = SparkContext.getOrCreate(conf)
    val spark = SparkSession.builder().config(conf).getOrCreate()
    import spark.implicits._

    //1.加载数据
    val rdd = sc.textFile("in/test.log")
//    println(rdd.count())

    //2.过滤为8个字段的数据,并封装为Row类型

    /*
    * event_time、url、method、status、sip、user_uip、action_prepend、action_client
    *
    * */
    val rowRDD = rdd.map(_.split("\t")).filter(x=>x.length==8).map(x=>Row(x(0),x(1),x(2),x(3),x(4),x(5),x(6),x(7)))

    //创建Schema
    val logs_schema = StructType(
      Array(
        StructField("event_time",StringType),
        StructField("url",StringType),
        StructField("method",StringType),
        StructField("status",StringType),
        StructField("sip",StringType),
        StructField("user_uip",StringType),
        StructField("action_prepend",StringType),
        StructField("action_client",StringType)
      )
    )

    //创建DataFrame
    val logDF = spark.createDataFrame(rowRDD,logs_schema)
	}
}

2、对数据进行清洗

  • 按照第一列和第二列对数据进行去重
  • 过滤掉状态码非200
  • 过滤掉event_time为空的数据
  • 将url按照”&”以及”=”切割
//继续清洗
    val filterLogs = logDF.dropDuplicates("event_time", "url") //按照第一列和第二列对数据进行去重
      .filter(x => x(3) == "200") //过滤掉状态码非200
      .filter(x => StringUtils.isNotEmpty(x(0).toString)) //过滤掉event_time为空的数据
//将url按照”&”以及”=”切割
    val full_logs_RDD: RDD[Row] = filterLogs.map(line => {
      val str = line.getAs[String]("url")				//先获取到 url这一列数据
      val paramArray = str.split("\\?")					//按照 ? 进行切分
      var paramMap: Map[String, String] = null      	//先定义 存储 A=B 这样的键值对的类型
      if (paramArray.length == 2) {
        val strings = paramArray(1).split("&")      	//对 ?后面的字符串进行按 & 切分
        paramMap = strings.map(x => x.split("=")).filter(x => x.length == 2)
          .map(x => (x(0), x(1))).toMap					//按照 =切分后的数据放入 Map
      }
      ( //最好不要超过22个,如果非要那么多,建议使用元组中套元组
        line.getAs[String]("event_time"),              //再次获取数据
        paramMap.getOrElse[String]("userUID", ""),
        paramMap.getOrElse[String]("userSID", ""),
        paramMap.getOrElse[String]("actionBegin", ""),
        paramMap.getOrElse[String]("actionEnd", ""),
        paramMap.getOrElse[String]("actionType", ""),
        paramMap.getOrElse[String]("actionName", ""),
        paramMap.getOrElse[String]("actionValue", ""),
        paramMap.getOrElse[String]("actionTest", ""),
        paramMap.getOrElse[String]("ifEquipment", ""),
        line.getAs[String]("method"),
        line.getAs[String]("status"),
        line.getAs[String]("sip"),
        line.getAs[String]("user_uip"),
        line.getAs[String]("action_prepend"),
        line.getAs[String]("action_client")
      )
    }).toDF().rdd

    val full_logs_schema = StructType(					//重新定义结构
      Array(
        StructField("event_time",StringType),

        StructField("userUID",StringType),
        StructField("userSID",StringType),
        StructField("actionBegin",StringType),
        StructField("actionEnd",StringType),
        StructField("actionType",StringType),
        StructField("actionName",StringType),
        StructField("actionValue",StringType),
        StructField("actionTest",StringType),
        StructField("ifEquipment",StringType),

        StructField("method",StringType),
        StructField("status",StringType),
        StructField("sip",StringType),
        StructField("user_uip",StringType),
        StructField("action_prepend",StringType),
        StructField("action_client",StringType)
      )
    )

    val full_logDF = spark.createDataFrame(full_logs_RDD,full_logs_schema)  //得到最终的数据

3、将数据写入mysql表中

在执行写入数据程序之前,先创建好对应的数据库
进入到MySQL中

create database if not exists etl;
  • 保存数据
//连接Mysql,将数据存入其中
val properties = new Properties()
properties.setProperty("url",JdbcUtil.url)   		//这里可以直接写自己的配置信息,但是最好封装一下
properties.setProperty("user",JdbcUtil.user)
properties.setProperty("password",JdbcUtil.password)
properties.setProperty("driver",JdbcUtil.driver)

//写入Mysql
println("将filterlogs写入Mysql")
filterLogs.write.mode(SaveMode.Overwrite).jdbc(JdbcUtil.url,"access_logs",properties)
println("写入完成")
println("将full_logDF写入Mysql")
full_logDF.write.mode(SaveMode.Overwrite).jdbc(JdbcUtil.url,"full_access_logs",properties)
println("写入完成")
spark.stop()

如果将写入Mysql和读取Mysql的封装成一个方法
就可以直接调用方法
例如下面

记得导包

package etl.util

import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession}
import java.util.Properties


object JdbcUtil {
  val url = "jdbc:mysql://192.168.XXX.100:3306/etl"
  val user = "root"
  val password = "root"
  val driver = "com.mysql.jdbc.Driver"

  val properties = new Properties()
  properties.setProperty("url",JdbcUtil.url)
  properties.setProperty("user",JdbcUtil.user)
  properties.setProperty("password",JdbcUtil.password)
  properties.setProperty("driver",JdbcUtil.driver)


  def getDataFrame(spark:SparkSession,tableName:String):DataFrame={
    val frame = spark.read.jdbc(url,tableName,properties)
    frame
  }

  def dataFrameToMysql(df:DataFrame, tableName:String)={
    df.write.mode(SaveMode.Overwrite).jdbc(url,tableName,properties)
    println("写入完成")
  }
}

二、用户留存率分析

import java.text.SimpleDateFormat
import java.util.Properties

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{SaveMode, SparkSession}
import etl.util.JdbcUtil
import org.apache.commons.lang.StringUtils
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types.DoubleType

/*
* 留存率
*
* */

object Retention {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("ETL")
    val sc = SparkContext.getOrCreate(conf)
    val spark = SparkSession.builder().config(conf).getOrCreate()
    import spark.implicits._


    //连接Mysql,将数据存入其中:普通写法,后期可以封装

    val properties = new Properties()
    properties.setProperty("url",JdbcUtil.url)
    properties.setProperty("user",JdbcUtil.user)
    properties.setProperty("password",JdbcUtil.password)
    properties.setProperty("driver",JdbcUtil.driver)

    val logs = spark.read.jdbc(JdbcUtil.url,"full_access_logs",properties)
    logs.cache()

    //拉取actionName为注册的信息
    val registered = logs.filter($"actionName" === "Registered")
      .withColumnRenamed("event_time", "register_time")
      .select("userUID", "register_time")

    val signin = logs.filter($"actionName" === "Signin")
      .withColumnRenamed("event_time", "signin_time")
      .select("userUID", "signin_time")

    val joined = registered.join(signin,Seq("userUID"),"left")

    val sdf = new SimpleDateFormat("yyyy-MM-dd")
    //注册UDF,传入参数为时间:2018-09-04T20:34:45+08:00
    //输出为 Long类型的数字
    val datetrans = spark.udf.register("datetrans", (event_time: String) => {
      if (StringUtils.isEmpty(event_time))
        0
      else
        sdf.parse(event_time.substring(0, 10)).getTime
    })
    datetrans

    val joined2 = joined.withColumn("register_date",datetrans($"register_time"))
      .withColumn("signin_date",datetrans($"signin_time"))

//    joined2.show(false)

    //一天的毫秒数:8640,0000
    val daysc = 86400000

    val result = joined2.groupBy("register_date").agg(countDistinct("userUID").cast(DoubleType).as("num"))  //当天新增用户总量
    //    result.show()

	// 1 天留存率 ---- 7 天留存率 改一下daysc,>=
    val result1 = joined2.filter($"register_date" + daysc === $"signin_date")
      .groupBy($"register_date").agg(countDistinct("userUID").as("num1")) //1 日留存量

    // 355 381
    val result_one_day = result.join(result1, "register_date")
      .select($"register_date", round($"num1" / $"num", 2).as("一日留存率"))
    
    //使用封装好的方法进行写入
//    result_one_day.write.mode(SaveMode.Overwrite).jdbc(JdbcUtil.url,"",properties)
  }
}

三、活跃用户统计

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SparkSession
import etl.util.JdbcUtil
import org.apache.spark.sql.functions._

/*
* 活跃用户:买课或者看课的用户
* */

object Active {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("etl0")
    val spark = SparkSession.builder().config(conf).getOrCreate()
    val sc = SparkContext.getOrCreate(conf)

    import spark.implicits._

    val logs = JdbcUtil.getDataFrame(spark,"full_access_logs")
//    logs.printSchema()


    val ds = logs.filter($"actionName"==="BuyCourse" || $"actionName"==="StartLearn")
//    ds.show(false)
    val ds2 = ds.map(x=>(x.getAs[String]("userUID"),x.getAs[String]("event_time").substring(0,10)))
//    ds2.show(false)

    ds2.withColumnRenamed("_2","日期").groupBy($"日期").agg(countDistinct($"_1").as("活跃人数")).show()
  }
}
一、课程简介随着技术的飞速发展,经过多年的数据积累,各互联网公司已保存了海量的原始数据和各种业务数据,所以数据仓库技术是各大公司目前都需要着重发展投入的技术领域。数据仓库是面向分析的集成化数据环境,为企业所有决策制定过程,提供系统数据支持的战略集合。通过对数据仓库中数据的分析,可以帮助企业改进业务流程、控制成本、提高产品质量等。二、课程内容本次精心打造的数仓项目的课程,从项目架构的搭建,到数据采集模块的设计、数仓架构的设计、实战需求实现、即席查询的实现,我们针对国内目前广泛使用的Apache原生框架和CDH版本框架进行了分别介绍,Apache原生框架介绍中涉及到的技术框架包括Flume、Kafka、Sqoop、MySql、HDFS、Hive、Tez、Spark、Presto、Druid等,CDH版本框架讲解包括CM的安装部署、Hadoop、Zookeeper、Hive、Flume、Kafka、Oozie、Impala、HUE、Kudu、Spark的安装配置,透彻了解不同版本框架的区别联系,将大数据全生态系统前沿技术一网打尽。在过程中对大数据生态体系进行了系统的讲解,对实际企业数仓项目中可能涉及到的技术点都进行了深入的讲解和探讨。同时穿插了大量数仓基础理论知识,让你在掌握实战经验的同时能够打下坚实的理论基础。三、课程目标本课程以国内电商巨头实际业务应用场景为依托,对电商数仓的常见实战指标以及难点实战指标进行了详尽讲解,具体指标包括:每日、周、月活跃设备明细,留存用户比例,沉默用户、回流用户、流失用户统计,最近连续3周活跃用户统计,最近7天内连续3天活跃用户统计,GMV成交总额分析,转化率及漏斗分析,品牌复购率分析、订单表拉链表的设计等,让学生拥有更直观全面的实战经验。通过对本课程的学习,对数仓项目可以建立起清晰明确的概念,系统全面的掌握各项数仓项目技术,轻松应对各种数仓难题。四、课程亮点本课程结合国内多家企业实际项目经验,特别加入了项目架构模块,从集群规模的确定到框架版本选型以及服务器选型,手把手教你从零开始搭建大数据集群。并且总结大量项目实战中会遇到的问题,针对各个技术框架,均有调优实战经验,具体包括:常用Linux运维命令、Hadoop集群调优、Flume组件选型及性能优化、Kafka集群规模确认及关键参数调优。通过这部分学习,助学生迅速成长,获取前沿技术经验,从容解决实战问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值