使用Spark Streaming SQL进行PV/UV统计

最新推荐文章于 2024-05-30 00:15:05 发布

过往记忆

最新推荐文章于 2024-05-30 00:15:05 发布

阅读量713

点赞数

作者：关文选，花名云魄，阿里云E-MapReduce 高级开发工程师，专注于流式计算，Spark Contributor

1.背景介绍

PV/UV统计是流式分析一个常见的场景。通过PV可以对访问的网站做流量或热点分析，例如广告主可以通过PV值预估投放广告网页所带来的流量以及广告收入。另外一些场景需要对访问的用户作分析，比如分析用户的网页点击行为，此时就需要对UV做统计。

2.准备工作

创建E-MapReduce 3.23.0以上版本的Hadoop集群。
下载并编译E-MapReduce-SDK包

git clone git@github.com:aliyun/aliyun-emapreduce-sdk.git	
cd aliyun-emapreduce-sdk	
git checkout -b master-2.x origin/master-2.x	
mvn clean package -DskipTests

编译完后, assembly/target目录下会生成emr-datasources_shaded_${version}.jar，其中${version}为sdk的版本。

数据源

本文采用Loghub作为数据源，有关日志采集、日志解析请参考日志服务。

3.统计PV/UV

一般场景下需要将统计出的PV/UV以及相应的统计时间存入Redis。其他一些业务场景中，也会只保存最新结果，用新的结果不断覆盖更新旧的数据。以下首先介绍第一种情况的操作流程。

3.1启动客户端

命令行启动streaming-sql客户端

streaming-sql --master yarn-client --num-executors 2 --executor-memory 2g --executor-cores 2 --jars emr-datasources_shaded_2.11-${version}.jar --driver-class-path emr-datasources_shaded_2.11-${version}.jar

也可以创建SQL语句文件，通过streaming-sql -f的方式运行。

3.1定义数据表

数据源表定义如下

CREATE TABLE loghub_source(user_ip STRING, __time__ TIMESTAMP)	
USING loghub	
OPTIONS(	
sls.project=${sls.project},	
sls.store=${sls.store},	
access.key.id=${access.key.id},	
access.key.secret=${access.key.secret},	
endpoint=${endpoint});

其中，数据源表包含user_ip和__time__两个字段，分别代表用户的IP地址和loghub上的时间列。OPTIONS中配置项的值根据实际配置。

CREATE TABLE redis_sink	
USING redis	
OPTIONS(	
table='statistic_info',	
host=${redis_host},	
key.column='user_ip');

其中，user_ip对应数据中的用户IP字段，配置项${redis_host}的值根据实际配置。

3.2创建流作业

CREATE SCAN loghub_scan	
ON loghub_source	
USING STREAM	
OPTIONS(	
watermark.column='__time__',	
watermark.delayThreshold='10 second');

CREATE STREAM job	
OPTIONS(	
checkpointLocation=${checkpoint_location})	
INSERT INTO redis_sink	
SELECT COUNT(user_ip) AS pv, approx_count_distinct( user_ip) AS uv, window.end AS interval	
FROM loghub_scan	
GROUP BY TUMBLING(__time__, interval 1 minute), window;

4.3查看统计结果

最终的统计结果如下图所示

640?wx_fmt=png

可以看到，每隔一分钟都会生成一条数据，key的形式为表名:interval，value为pv和uv的值。

3.4实现覆盖更新

将结果表的配置项key.column修改为一个固定的值，例如定义如下

CREATE TABLE redis_sink	
USING redis	
OPTIONS(	
table='statistic_info',	
host=${redis_host},	
key.column='statistic_type');

创建流作业的SQL改为

CREATE STREAM job	
OPTIONS(	
checkpointLocation='/tmp/spark-test/checkpoint')	
INSERT INTO redis_sink	
SELECT "PV_UV" as statistic_type,COUNT(user_ip) AS pv, approx_count_distinct( user_ip) AS uv, window.end AS interval	
FROM loghub_scan	
GROUP BY TUMBLING(__time__, interval 1 minute), window;

最终的统计结果如下图所示

640?wx_fmt=png