网站用户行为分析项目之会话切割（三）

0x00 文章内容

1. 配置Kryo序列化机制
2. 使用缓存机制缓存RDD
3. 调整控制台日志级别

说明：本篇文章主要是对用户行为分析项目的小小调优及完善，后期还会进行代码的重构以及Debug过程。

0x01 配置Kryo序列化机制

1. 情景解析

a. 回顾第一篇文章：网站用户行为分析项目之会话切割（一），我们当初序列化TrackerLog类时，实现的接口是Java自带的，自带的接口性能不好。而且，当我们误删或者修改了类，然后重新编译后，重新生成的类又是没有实现Serializable的，此时又要修改一次，很麻烦。
b. 开启Kryo序列化机制的方式有三种：

• 在spark-default.conf添加配置项：
  spark.serializer => org.apache.spark.serializer.KryoSerializer
• 代码里添加：
  conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
• 执行时添加参数
  --conf spark.serializer=org.apache.spark.serializer.KryoSerializer

c. 我们这里演示直接写在代码里，加上之后可以将之前写在代码里的序列化代码删掉了
d. 序列化机制Java与Kryo的对比

类别	优点	缺点	备注
java	兼容性好、和Scala更好融合	序列化性能较低、占用内存空间大（一般是Kryo序列化机制的10倍）	默认的序列化机制
Kryo	序列化速度快、占用空间小（即更紧凑）	不支持所有的Serializable类型、且需要用户注册要进行序列化的类Class	Shuffle的数据量较大或者较为频繁时建议使用

0x02 使用缓存机制缓存RDD

1. 缓存RDD

a. 回顾SessionCutETL代码

    val parsedLogRDD: RDD[TrackerLog] = rawRDD.flatMap( line => RawLogParserUtil.parse(line))
    .filter(trackerLog => logTypeSet.contains(trackerLog.getLogType.toString))

val cookieGroupRDD: RDD[(String, Iterable[TrackerLog])] = parsedLogRDD.groupBy(trackerLog => trackerLog.getCookie.toString)

    parsedLogRDD.map((null, _)).saveAsNewAPIHadoopFile(trackerLogOutputPath,
      classOf[Void], classOf[TrackerLog], classOf[AvroParquetOutputFormat[TrackerLog]]
    )

我们发现parsedLogRDD在多处都会使用到，此时我们可以用到缓存机制，提高我们的性能，如：

但如果parsedLogRDD数据量很大的时候，内存会不足，所以我们可以设置一个缓存策略，我们此处使用persist：

    //缓存parsedLogRDD
    parsedLogRDD.persist(StorageLevel.MEMORY_AND_DISK)

0x03 调整控制台日志级别

1. 调整控制台日志级别的方式

为了让显示结果更简洁，我们可以设置控制台打印的类型。

方法一：
在代码里加上这句：
sc.setLogLevel("ERROR")

但是会发现只会不打印执行代码之后的，而在结果之前的还是会打印处理，不是很简介，所以，我们可以用另外一种方式。

方法二：
新建一个log4j.properties，放于resources

2. 编写log4j.properties文件

a. 完整文件

log4j.rootCategory=ERROR, console
log4j.appender.console=org.apache.log4j.ConsoleAppender
log4j.appender.console.target=System.err
log4j.appender.console.layout=org.apache.log4j.PatternLayout
log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n
log4j.logger.org.apache.spark.repl.Main=WARN
log4j.logger.org.spark_project.jetty=WARN
log4j.logger.org.spark_project.jetty.util.component.AbstractLifeCycle=ERROR
log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=INFO
log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=INFO
log4j.logger.org.apache.parquet=ERROR
log4j.logger.parquet=ERROR
log4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATAL
log4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR

b. 加入到项目的resource文件夹，尝试执行代码，会发现IDEA下面的控制台显示的内容简介了很多。

c. 其实，此文件就是$SPARK_HOME/conf路径下的log4j.properties.template，只是修改了名字然后将注释去掉，将log4j.rootCategory=INFO, console的INFO改成了ERROR而已。
2. 调整控制台日志级别

0xFF 总结

1. 网站用户行为分析项目系列：
   网站用户行为分析项目之会话切割（一）
   网站用户行为分析项目之会话切割（二）
   网站用户行为分析项目之会话切割（三）
   网站用户行为分析项目之会话切割（四）=> 代码重构
   网站用户行为分析项目之会话切割（五）=> 切割会话代码重构
   未完待续！

---

作者简介：邵奈一
全栈工程师、市场洞察者、专栏编辑
| 公众号 | 微信 | 微博 | CSDN | 简书 |

福利：
邵奈一的技术博客导航
邵奈一 原创不易，如转载请标明出处。

---