SparkSQL实战小项目之热门商品top3

一、说明及需求分析

---

• 软件及环境： centos7 + hive-2.3.3 + spark2.4.8 + idea
• 需求分析：

  要求实现电商平台上各区域热门商品 Top3，这里的热门商品是从点击量的维度来看的。计算各个区域前三大热门商品，并备注上每个商品在主要城市中的分布比例，超过两个城市用其他显示。要实现的效果如下图所示：
  

二、准备测试数据

---

本次案例的测试数据涉及到三张表的数据，即1 张用户行为表, 1 张城市表, 1 张产品表，三张表均需要在Hive中创建，并将其数据load到对应的各表中，测试数据下载地址

• 说明，在Hive中创建表，目前有两种方式：
  • 一种是可以直接执行hive，然后在CLI中进行创建
  • 一种是利用sparksql的cli来创建，即hiveserver2 + beeline的方式创建（本案例使用这种）
• 前提：
  a）先需要启动hiverserver2服务，在spark安装路径下执行类似如下的命令：

  sbin/start-thriftserver.sh --master spark://niit01:7077  --hiveconf hive.server2.thrift.bind.host=niit01 --hiveconf hive.server2.thrift.port=10000
  

  b）启动beeline，在spark安装路径下，执行如下类似的命令：

  bin/beeline
  

  然后，再输入链接：

  !connect jdbc:hive2://niit01:10000
  

  最后，根据提示，输入用户和密码
• 建表：在beeline命令行下输入创建表语句即可：

  • 用户行为表user_visit_action，建表语句如下：

    CREATE TABLE `user_visit_action`(
      `date` string,
      `user_id` bigint,
      `session_id` string,
      `page_id` bigint,
      `action_time` string,
      `search_keyword` string,
      `click_category_id` bigint,
      `click_product_id` bigint,
      `order_category_ids` string,
      `order_product_ids` string,
      `pay_category_ids` string,
      `pay_product_ids` string,
      `city_id` bigint)
    row format delimited fields terminated by '\t';
    

    截图所示仅供参考：
    

  • 城市表city_info，建表语句如下：

    CREATE TABLE `city_info`(
      `city_id` bigint,
      `city_name` string,
      `area` string)
    row format delimited fields terminated by '\t';
    

  • 产品信息表product_info,建表语句如下：

    CREATE TABLE `product_info`(
      `product_id` bigint,
      `product_name` string,
      `extend_info` string)
    row format delimited fields terminated by '\t';
    

• 导入数据：将测试数据（上述有地址）先上传至虚拟机中
  • 将数据导入user_visit_action表，执行如下命令：

    load data local inpath '/root/testdatas/user_visit_action.txt' into table user_visit_action;
    

  • 将数据导入city_info表，执行如下命令：

    load data local inpath '/root/testdatas/city_info.txt' into table city_info;
    

  • 将数据导入product_info表，执行如下命令：

    load data local inpath '/root/testdatas/product_info.txt' into table product_info;
    

三、思路分析

---

• 查询出来所有的点击记录, 并与 city_info 表连接, 得到每个城市所在的地区与 Product_info 表连接得到产品名称
• 按照地区和商品 id 分组, 统计出每个商品在每个地区的总点击次数
• 每个地区内按照点击次数降序排列
• 只取前三名. 并把结果保存在数据库中
• 城市备注需要自定义 UDAF 函数

四、编码实现

---

• 创建自定义函数udf：AreaClickUDAF

  package com.niit.spark.sql
  
  import java.text.DecimalFormat
  import org.apache.spark.sql.Row
  import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
  import org.apache.spark.sql.types._
  
  class AreaClickUDAF extends UserDefinedAggregateFunction {
    // 输入数据的类型:  北京  String
    override def inputSchema: StructType = {
      StructType(StructField("city_name", StringType) :: Nil)
      //        StructType(Array(StructField("city_name", StringType)))
    }
  
    // 缓存的数据的类型: 北京->1000, 天津->5000  Map,  总的点击量  1000/?
    override def bufferSchema: StructType = {
      // MapType(StringType, LongType) 还需要标注 map的key的类型和value的类型
      StructType(StructField("city_count", MapType(StringType, LongType)) :: StructField("total_count", LongType) :: Nil)
    }
  
    // 输出的数据类型  "北京21.2%，天津13.2%，其他65.6%"  String
    override def dataType: DataType = StringType
  
    // 相同的输入是否应用有相同的输出.
    override def deterministic: Boolean = true
  
    // 给存储数据初始化
    override def initialize(buffer: MutableAggregationBuffer): Unit = {
      //初始化map缓存
      buffer(0) = Map[String, Long]()
      // 初始化总的点击量
      buffer(1) = 0L
    }
  
    // 分区内合并 Map[城市名, 点击量]
    override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
      // 首先拿到城市名, 然后把成名作为key去查看map中是否存在, 如果存在就把对应的值 +1, 如果不存在, 则直径0+1
      val cityName = input.getString(0)
      //        val map: collection.Map[String, Long] = buffer.getMap[String, Long](0)
      val map: Map[String, Long] = buffer.getAs[Map[String, Long]](0)
      buffer(0) = map + (cityName -> (map.getOrElse(cityName, 0L) + 1L))
      // 碰到一个城市, 则总的点击量要+1
      buffer(1) = buffer.getLong(1) + 1L
    }
  
    // 分区间的合并
    override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
      val map1 = buffer1.getAs[Map[String, Long]](0)
      val map2 = buffer2.getAs[Map[String, Long]](0)
  
      // 把map1的键值对与map2中的累积, 最后赋值给buffer1
      buffer1(0) = map1.foldLeft(map2) {
        case (map, (k, v)) =>
          map + (k -> (map.getOrElse(k, 0L) + v))
      }
  
      buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
    }
  
    // 最终的输出. "北京21.2%，天津13.2%，其他65.6%"
    override def evaluate(buffer: Row): Any = {
      val cityCountMap = buffer.getAs[Map[String, Long]](0)
      val totalCount = buffer.getLong(1)
  
      var citysRatio: List[CityRemark] = cityCountMap.toList.sortBy(-_._2).take(2).map {
        case (cityName, count) => {
          CityRemark(cityName, count.toDouble / totalCount)
        }
      }
      // 如果城市的个数超过2才显示其他
      if (cityCountMap.size > 2) {
        citysRatio = citysRatio :+ CityRemark("其他", citysRatio.foldLeft(1D)(_ - _.cityRatio))
      }
      citysRatio.mkString(", ")
    }
  }
  
  
  case class CityRemark(cityName: String, cityRatio: Double) {
    val formatter = new DecimalFormat("0.00%")
  
    override def toString: String = s"$cityName:${formatter.format(cityRatio)}"
  }
  

• 创建object实现业务：AreaClickApp

  import org.apache.spark.sql.SparkSession
  
  object AreaClickApp {
    def main(args: Array[String]): Unit = {
      val spark: SparkSession = SparkSession
        .builder()
        .master("local[2]")
        .appName("AreaClickApp")
        .enableHiveSupport()
        .getOrCreate()
      spark.sql("use default")
      // 0 注册自定义聚合函数
      spark.udf.register("city_remark", new AreaClickUDAF)
      // 1. 查询出所有的点击记录,并和城市表产品表做内连接
      spark.sql(
        """
          |select
          |    c.*,
          |    v.click_product_id,
          |    p.product_name
          |from user_visit_action v join city_info c join product_info p on v.city_id=c.city_id and v.click_product_id=p.product_id
          |where click_product_id>-1
              """.stripMargin).createOrReplaceTempView("t1")
  
      // 2. 计算每个区域, 每个产品的点击量
      spark.sql(
        """
          |select
          |    t1.area,
          |    t1.product_name,
          |    count(*) click_count,
          |    city_remark(t1.city_name)
          |from t1
          |group by t1.area, t1.product_name
              """.stripMargin).createOrReplaceTempView("t2")
  
      // 3. 对每个区域内产品的点击量进行倒序排列
      spark.sql(
        """
          |select
          |    *,
          |    rank() over(partition by t2.area order by t2.click_count desc) rank
          |from t2
              """.stripMargin).createOrReplaceTempView("t3")
  
      // 4. 每个区域取top3
      spark.sql(
        """
          |select
          |    *
          |from t3
          |where rank<=3
              """.stripMargin).show
    }
  }
  

五、验证结果

---

• 

• 说明： 本次的项目参考了网络上其他资料，收集整理出来，供诸君参考！