一、 基本的离线数据处理架构:
- 数据采集 Flume:Web日志写入到HDFS
- 数据清洗 脏数据 Spark、Hive、MR等计算框架来完成。 清洗完之后再放回HDFS
- 数据处理 按照需要,进行业务的统计和分析。 也通过计算框架完成
- 处理结果入库 存放到RDBMS、NoSQL中
- 数据可视化 通过图形化展示出来。 ECharts、HUE、Zeppelin
处理框图:
1 2 3 4 5 6 7为离线处理,其中5不一定是Hive(还有Spark SQL等) 6不一定是RDBMS(NoSQL)
执行时,可用调度框架Oozie、Azkaban,指定任务执行的时间
另外一条线是实时处理
拟定项目需求:
- 统计某时间段最受欢迎的某项的TopN和对应的访问次数
- 按地市统计最受欢迎 从IP提取城市信息
- 按访问流量统计
互联网日志一般包括有:
访问时间 访问URL 耗费流量 访问IP地址
从日志里提取以上我们需要的数据
假设我们现在仅有一台电脑供学习作为集群使用,为了防止内存溢出,有必要进行剪切日志:
用head -10000命令截取前10000条
数据量太大的话,在IDE中可能会报错
二、日志处理过程
数据清洗:
第一步: 从原始日志提取有用信息,本例中就是拿到时间、URL、流量、IP
- 读取日志文件,得到RDD,通过map方法,split成一个数组,然后选择数组中有用的几项(用断点的方法分析哪几项有用,并匹配相应的变量)
- 获取到的信息有可能因为某些问题,如线程问题而导致生成了带有错误的信息,第一步中一开始用了SimpleDateFormat(线程不安全)来转变时间格式,会导致某些时间转换错误。一般要改成FastDateFormat来做
实现代码:
//提取有用信息,转换格式
object SparkStatFormatJob {
def main(args: Array[String]) = {
val spark = SparkSession.builder().appName("SparkStatFormatJob").master("local[2]").getOrCreate()
val access = spark.sparkContext.textFile("/Users/kingheyleung/Downloads/data/10000_access.log")
//access.take(10).foreach(println)
access.map(line => {
val splits = line.split(" ")
val ip = splits(0)
//用断点的方法,观察splits数组,找出时间、url、流量对应哪一个字段
//创建时间类DateUtils,转换成常用的时间表达方式
//把url多余的""引号清除掉
val time = splits(3) + " " + splits(4)
val url = splits(11).replaceAll("\"", "")
val traffic = splits(9)
//(ip, DateUtils.parse(time), url, traffic) 用来测试输出是否正常
//把裁剪好的数据重新组合,用Tab分割
DateUtils.parse(time) + "\t" + url + "\t" + traffic + "\t" + ip
}).saveAsTextFile("file:///usr/local/mycode/immooclog/")
spark.stop()
}
}
//日期解析
object DateUtils {
//输入格式
val ORIGINAL_TIME_FORMAT = FastDateFormat.getInstance("dd/MMM/yyyy:HH:mm:sss Z", Locale.ENGLISH)
//输出格式
val TARGET_TIME_FORMAT = FastDateFormat.getInstance("yyyy-MM-dd HH:mm:ss")
def parse(time:String) = {
TARGET_TIME_FORMAT.format(new Date(getTime(time)))
}
def getTime(time:String) = {
try {
ORIGINAL_TIME_FORMAT.parse(time.substring(time.indexOf("[") + 1, time.lastIndexOf("]"))).getTime
} catch {
case e : Exception => {
0l
}
}
}
一般日志处理需要进行分区
本例中按照日志中的访问时间进行分区
第二步:解析上一步得到的有用信息,我把它称为解析日志
其实就是把较为整洁的数据日志,解析出每个字段的含义,并把RDD转成DF
在此案例中,完成的是:
输入:访问时间 访问URL 耗费流量 访问IP地址 =>转变为输出:url、类型(本例中url的后缀有article还是video)、对应ID号、流量、ip、城市、时间、天(用于分组)
并且创建DataFrame(也就是定义Row和StructType,其中Row要和原日志的每个字段对应,而StructType是根据所需要的输出来定义就行)
实现代码:
//解析日志
object SparkStatCleanJob {
def main(args: Array[String]) = {
val spark = SparkSession.builder().appName("SparkStatCleanJob").master("local[2]").getOrCreate()
val accessRDD = spark.sparkContext.textFile("file:///Users/kingheyleung/Downloads/data/access_10000.log")
//RDD convert to DF, define Row and StructType
val accessDF = spark.createDataFrame(accessRDD.map(line => LogConvertUtils.convertToRow(line)), LogConvertUtils.struct)
//accessDF.printSchema()
//accessDF.show(false)
spark.stop()
}
}
//RDD转换成DF的工具类
object LogConvertUtils {
//构建Struct
val struct = StructType(
Array(
StructField("url", StringType),
StructField("cmsType", StringType),
StructField("cmsId", LongType),
StructField("traffic", LongType),
StructField("ip", StringType),
StructField("city", StringType),
StructField("time", StringType),
StructField("day", StringType)
)
)
//提取信息,构建Row
def convertToRow(line:String) = {
try {
val splits = line.split("\t")
val url = splits(1)
val traffic = splits(2).toLong
val ip = splits(3)
val domain = "http://www.imooc.com/"
val cms = url.substring(url.indexOf(domain) + domain.length())
val cmsSplits = cms.split("/")
var cmsType = ""
var cmsId = 0l
//判断是否存在
if (cmsSplits.length > 1) {
cmsType = cmsSplits(0)
cmsId = cmsSplits(1).toLong
}
val city = IpUtils.getCity(ip) //通过Ip解析工具传进,具体看下面
val time = splits(0)
val day = time.substring(0, 10).replaceAll("-", "")
//定义Row,与Struct一样
Row(url, cmsType, cmsId, traffic, ip, city, time, day)
} catch {
case e: Exception => Row(0)
}
}
}
注意:转换时一定要记得类型转换!!!!
进一步解析:对IP地址解析来获得城市信息
在这里,为了让IP地址转换成直观的城市信息,我使用了GitHub上的开源项目来实现:
https://github.com/wzhe06/ipdatabase.git
用Maven编译下载的项目
mvn clean package -DskipTests
安装jar包到自己的Maven仓库中:
mvn install:install-file -Dfile=路径.jar -DgroupId=com.ggstar -DartifactId=ipdatabase -Dversion=1.0 -Dpackaging=jar
在IDE里面的pom.xml添加dependency,参照GitHub主页上的pom.xml中的dependency
但是出现报错了:
java.io.FileNotFoundException:
file:/Users/rocky/maven_repos/com/ggstar/ipdatabase/1.0/ipdatabase-1.0.jar!/ipRegion.xlsx (No such file or directory)
根据提示,我们需要在项目源码中找到相应的文件拷进去IDE中的main/resources中!
存储清洗后的数据:
按day分区来进行存储 partitionBy
存储模式:mode(SaveMode.Overwrite) 覆盖存储
coalesce:据说生产中经常用,是项目的调优点,控制文件的输出大小,个数
package sparkSqlAppLog
import org.apache.spark.sql.{SaveMode, SparkSession}
/**
* 第二次清洗
*/
object SparkStatCleanTwo {
def main(args: Array[String]): Unit = {
val spark = SparkSession
.builder()
.appName("SparkStatCleanTwo")
// .master("local[2]")
.config("sprk.sql.parquet.compression.codec","gzip") //性能调优 压缩。因为默认为snappy,把改为gzip
.config("spark.sql.warehouse.dir","file:///")
.getOrCreate()
if (args.length != 2){ //如果参数长度不是2
println("Usage : SparkStatCleanTwo<inputPath><outputPath>")
System.exit(1)
}
val Array(inputPath,outpuPath) = args //把输入输出路径参数赋值
//"E://myData//大数据开发项目//项目//慕课日志spark//data//access.log"
val accessRDD2 = spark.sparkContext.textFile(inputPath)
val df = spark.createDataFrame(accessRDD2.map(line => AccessCovertUtil.paseLog(line) ),AccessCovertUtil.structType)
df.show(30,false)
//coalesce()指定输出文件个数 mode(SaveMode.Overwrite)重写,如果文件已经存在
//"E://myData//大数据开发项目//项目//慕课日志spark//data//clean"
df.coalesce(1).write.format("parquet").mode(SaveMode.Overwrite).partitionBy("day").save(outpuPath)
spark.stop()
}
}
三、统计功能实现
功能实现一:统计TopN视频
第一步:读取数据,read.format().load
第二步:
- 使用DataFrame API统计分析
- SQL API
最后把统计结果保存在MySQL数据库中
调优点:
读取parquet文件时,系统会默认解析各字段相应的数据类型,但有时候我们就只需要它是String类型,需要在SparkSession定义时添加:
config("spark.sql.sources.partitionColumnTypeInference.enabled, "false"")
变成只会按照原类型读入
两种方法:
若使用DataFrame API来做:
用$号时候需要导入隐式转换(这里是列名转换成列)!spark.implicits._
用到dataframe的count()函数要导入包:org.apache.spark.sql.functions._
若使用SQL API来做:
创建临时表createTempView
小心写SQL语句换行时不注意而忽略空格
实现代码:
//完成统计操作
object TopNStatJob {
def main(args: Array[String]) {
val spark = SparkSession.builder().appName("TopNStatJob")
.config("spark.sql.sources.partitionColumnTypeInference.enabled", "false")
.master("local[2]").getOrCreate()
val accessDF = spark.read.format("parquet").load("/Users/kingheyleung/Downloads/data/clean/")
dfCountTopNVideo(spark, accessDF)
sqlCountTopNVideo(spark, accessDF)
//accessDF.printSchema()
spark.stop()
}
def dfCountTopNVideo(spark: SparkSession, accessDF: DataFrame): Unit = {
/*
* DF API
* */
//导入隐式转换, 留意$号的使用, 并且导入functions包,使agg聚合函数count能够使用,此处若不用$的话,就无法让times进行desc排序了
import spark.implicits._
val topNDF = accessDF.filter($"day" === "20170511" && $"cmsType" === "video")
.groupBy("day", "cmsId").agg(count("cmsId").as("times")).orderBy($"times".desc)
topNDF.show(false)
}
def sqlCountTopNVideo(spark: SparkSession, accessDF: DataFrame): Unit = {
/*
* SQL API
* */
//创建临时表access_view,注意换行时,很容易忽略掉空格
accessDF.createTempView("access_view")
val topNDF = spark.sql("select day, cmsId, count(1) as times from access_view " +
"where day == '20170511' and cmsType == 'video' " +
"group by day, cmsId " +
"order by times desc")
topNDF.show(false)
}
}
在保存数据之前,需要写连接MySQL数据库的工具类,用到java.sql包
- 使用DriverManager,连接到mysql 3306
- 释放资源,connection和preparedstatement都要,注意处理异常
注意:若测试时拿不到连接,出现以下报错,那就是没有在dependency中添加或者选对mysql-connetor包
java.sql.SQLException: No suitable driver found for jdbc:mysql://localhost:3306/imooc_project?user=root&password=666
Error:scalac: error while loading <root>, Error accessing /Users/kingheyleung/.m2/repository/mysql/mysql-connector-java/5.0.8/mysql-connector-java-5.0.8.jar
我最终选的是5.1.40版本才对了
实现代码:
/*
* 连接MySQL数据库
* 操作工具类
* */
object MySQLUtils {
//获得连接
def getConnection(): Unit = {
DriverManager.getConnection("jdbc:mysql://localhost:3306/imooc_project?user=root&password=666")
}
//释放资源
def release(connection: Connection, pstmt: PreparedStatement): Unit = {
try {
if (pstmt != null) {
pstmt.close()
}
} catch {
case e: Exception => e.printStackTrace()
} finally {
connection.close()
}
}
}
把统计数据保存到MySQL
- 在mysql中创建一张表,包含day,cms_Id,times三个字段(注意各自的数据类型,以及定义不允许为NULL,并把day和cms_Id作为PRI KEY)
- 创建模型类case class,三个输入参数,day、cms_Id,times
- 创建操作数据库DAO类,输入的参数是一个list,list装的是上面的模型类,目的是插入insert记录到数据库中,DAO中分以下几步:
- 首先,做jdbc连接的准备,创建connection和prepareStatement,把关闭连接也写好,用try catch finally抛出异常;
- 然后写sql语句,preparestatement需要赋值的地方用占位符放着;
- 进行对list遍历,把每个对象都放进pstmt中
- 调优点!!!遍历前把自动提交关掉,遍历中把pstmt加入批处理中,遍历完后执行批处理操作!最后手工提交连接
实现代码:
//课程访问次数实体类
case class VideoAccessStat(day: String, cmsId:Long, times: Long)
/*
* 各个维度统计的DAO操作
* */
object StatDAO {
/*
* 批量保存VideoAccessStat到数据库
* */
def insertDayAccessTopN(list: ListBuffer[VideoAccessStat]): Unit = {
var connection: Connection = null //jdbc的准备工作, 定义连接
var pstmt: PreparedStatement = null
try {
connection = MySQLUtils.getConnection() //真正获取连接
connection.setAutoCommit(false) //为了实现批处理,要关掉默认的自动提交
val sql = "insert into day_topn_video(day, cms_id, times) values (?, ?, ?)" //占位符
pstmt = connection.prepareStatement(sql) //把SQL语句生成pstmt对象,后面才可以填充占位符中的数据
for (ele <- list) {
pstmt.setString(1, ele.day)
pstmt.setLong(2, ele.cmsId)
pstmt.setLong(3, ele.times)
pstmt.addBatch() //加入批处理
}
pstmt.execute() //执行批量处理
connection.commit() //手工提交
} catch {
case e: Exception => e.printStackTrace()
} finally {
MySQLUtils.release(connection, pstmt)
}
}
}
为了对应以上的第3步,要把统计记录的DF生成一个个对象,放进list中:
- 创建模型类对应的list
- 对记录进行遍历,把记录的每个字段当做参数,创建模型类对象
- 把每个对象添加到list中
- 把list传进DAO类中
以下代码添加到上面的TopNJob类里面中就可以把之前生成到的topDF的结果记录保存到MySQL当中了:
try {
topNDF.foreachPartition(partitionOfRecords => { //
val list = new ListBuffer[VideoAccessStat] //创建list来装统计记录
//遍历每一条记录,取出来上面对应的三个字段day,cmsId,times
partitionOfRecords.foreach(info => {
val day = info.getAs[String]("day") //后面的就是取出来的记录的每个字段
val cmsId = info.getAs[Long]("cmsId")
val times = info.getAs[Long]("times")
//每一次循环创建一个VideoAccessStat对象,添加一次进入list中
list.append(VideoAccessStat(day, cmsId, times))
})
//把list传进DAO类
StatDAO.insertDayAccessTopN(list)
})
} catch {
case e: Exception => e.printStackTrace()
}
到此为止已经把项目需求一完成。
功能实现二:按照城市来找出topN视频
在功能一的基础上,运用row_number函数来实现
具体的实现代码:
//先计算访问次数,并按照day,cmsId,city分组
val cityAccessTopNDF = accessDF.filter(accessDF.col("day") === "20170511" && accessDF.col("cmsType") === "video")
.groupBy("day", "cmsId", "city").agg(count("cmsId").as("times"))
//进行分地市排序,使用到row_number函数,生成一个排名,定义为time_rank, 并且取排名前3
cityAccessTopNDF.select(
cityAccessTopNDF.col("day"),
cityAccessTopNDF.col("cmsId"),
cityAccessTopNDF.col("times"),
cityAccessTopNDF.col("city"),
row_number().over(Window.partitionBy(cityAccessTopNDF.col("city"))
.orderBy(cityAccessTopNDF.col("times").desc)
).as("times_rank")
).filter("times_rank <= 3").show(false)
}
其他步骤和功能一一样,但是插入Mysql的时候报错,原因是MySQL不支持插入中文!!!!
首先可以在mysql命令行中用SET character来改:
SET character_set_client = utf8
可通过
show variables like 'character_set_%’;
查看当前的character编码设置
然后在jdbc连接时,加上:
useUnicode=true&characterEncoding=utf8
改了之后,虽然能够导入MySQL了,而且不出现乱码,但只有一部分数据,并且在控制台报错:
com.mysql.jdbc.PreparedStatement.fillSendPacket
com.mysql.jdbc.PreparedStatement.execute
后来把批处理删掉竟然就可以把所有数据导入了:
pstmt.executeUpdate //不使用批处理的pstmt插入
功能三:按流量来排序topN视频
和功能一几乎完全一样,只不过计算流量总和时用的不是count函数而是要用sum函数
为了代码的复用性,防止生成重复的数据,在StatDAO定义删除的函数:
def deleteDayData(day: String) = {
var connection: Connection = null
var pstmt: PreparedStatement = null
var tables = Array("day_topn_video",
"day_city_topn_video",
"traffic_topn_video"
)
try {
connection = MySQLUtils.getConnection()
for (table <- tables) {
val deleteSql = s"delete from $table where day = ?” //Scala特殊处理
pstmt = connection.prepareStatement(deleteSql)
pstmt.setString(1, table)
pstmt.setString(2, day)
pstmt.executeUpdate()
}
} catch {
case e: Exception => e.printStackTrace()
} finally {
MySQLUtils.release(connection, pstmt)
}
}
需要注意的是,table在pstmt中的特殊用法!!
后续会对以上内容进行可视化处理、跑在YARN上的修改、性能调优