原标题:日志分析实战之清洗日志小实例4:统计网站相关信息
问题导读
1.如何统计网站总的点击量?
2.如何实现统计不能访问网页的个数?
3.文章中如何定义和使用Scala函数的?
上一篇
about云日志分析实战之清洗日志3:如何在spark shell中导入自定义包
http://www.aboutyun.com/forum.php?mod=viewthread&tid=22881
上一篇,我们已经添加了清洗日志的核心代码,那么剩下的我们就可以统计相关信息,比如最简单的找到不能访问的网页。
导入之后,我们创建AccessLogParser实例
?
1
val p = new AccessLogParser
这个很重要,在后面我们会用到
首先我们需要加载一部分日志样例。
?
01
02
03
04
05
06
07
08
09
10
192.168.169.50 - - [17 /Feb/2012 :10:09:13 +0800] "GET /favicon.ico HTTP/1.1" 404 288 "-" "360se"
192.168.169.50 - - [17 /Feb/2012 :10:36:26 +0800] "GET / HTTP/1.1" 403 5043 "-" "Mozilla/5.0 (Windows NT 5.1; rv:6.0) Gecko/20100101 Firefox/6.0"
192.168.169.50 - - [17 /Feb/2012 :10:36:26 +0800] "GET /icons/powered_by_rh.png HTTP/1.1" 200 1213 "http://192.168.55.230/" "Mozilla/5.0 (Windows NT 5.1; rv:6.0) Gecko/20100101 Firefox/6.0"
192.168.169.50 - - [17 /Feb/2012 :10:09:10 +0800] "GET /icons/powered_by_rh.png HTTP/1.1" 200 1213 "http://192.168.55.230/" "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; InfoPath.2; 360SE)"
192.168.55.230 - - [24 /Feb/2012 :09:48:58 +0800] "GET /favicon.ico HTTP/1.1" 404 288 "-" "Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9.2.24) Gecko/20111109 CentOS/3.6-3.el5.centos Firefox/3.6.24"
192.168.169.50 - - [24 /Feb/2012 :09:45:03 +0800] "GET /server-status HTTP/1.1" 404 290 "-" "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; InfoPath.2; 360SE)"
192.168.55.230 - - [24 /Feb/2012 :09:49:02 +0800] "GET / HTTP/1.1" 403 5043 "-" "Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9.2.24) Gecko/20111109 CentOS/3.6-3.el5.centos Firefox/3.6.24"
192.168.55.230 - - [24 /Feb/2012 :09:49:02 +0800] "GET /icons/apache_pb.gif HTTP/1.1" 200 2326 "http://192.168.55.230/" "Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9.2.24) Gecko/20111109 CentOS/3.6-3.el5.centos Firefox/3.6.24"
192.168.55.230 - - [24 /Feb/2012 :09:49:02 +0800] "GET /icons/powered_by_rh.png HTTP/1.1" 200 1213 "http://192.168.55.230/" "Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9.2.24) Gecko/20111109 CentOS/3.6-3.el5.centos Firefox/3.6.24"
192.168.55.230 - - [24 /Feb/2012 :09:49:20 +0800] "GET /server-status HTTP/1.1" 404 290 "-" "Mozilla/5.0 (X11; U; Linux x86_64; en-US; rv:1.9.2.24) Gecko/20111109 CentOS/3.6-3.el5.centos Firefox/3.6.24"
将其保存为aboutyun.log
将其上传到hadoop
?
1
hadoop fs -put aboutyun.log /
上传成功验证
统计网站总的点击量
接着我们加载文件。
?
1
var log=sc.textFile( "/aboutyun.log" )
这里sc是系统已经初始化的,我们可以直接使用,可以理解为sparkContext的实例
加载之后,我们统计行数,也可以理解为统计网站总的点击量。这时候我们就看到总点击量为10
统计网站不能访问网页的数量
首先我们定义一个函数,获取一条记录的httpStatusCode,也就是返回码
?
1
2
3
4
5
6
def getStatusCode(line : Option[AccessLogRecord]) = {
line match {
case Some(l) = > l.httpStatusCode
case None = > "0"
}
}
定义函数之后,我们接着使用
?
1
log.filter(line => getStatusCode(p.parseRecord(line)) == "404" ).count
上面的p是我们前面定义的对象。
val p = new AccessLogParser,然后调用了parseRecord函数。这些都是jar包的内容。大家可以详细看看。
这样404网页的个数就统计出来了。后面我们可以做一些更加复杂的内容
#################
补充说明
1.在统计日志测试的时候,文件一定标准,否则会统计错误,比如日志要换行
2.函数定义
附上所用函数的相关信息
Option and Either
Option和Either都是用来让返回值可以有两个选择
而Option是比较简单的版本, 两个选择, 一定是成功Some, 和失败None
Option意味着可能有值some(x), 也可能没有值(用None对象, 表示缺失), 典型的例子就是从字典里取值
?
1
2
3
4
5
6
7
8
9
val capitals = Map( "France" -> "Paris" , "Japan" -> "Tokyo" )
def show(x : Option[String]) = x match { //Option类型, 可选的String
case Some(s) = > s
case None = > "?"
}
scala> show(capitals get "France" )
res 24 : String = Paris
scala> show(capitals get "North Pole" )
res 25 : String = ?
以前的方式, 比如Java, 通过null来表示没有取到值, 但是有的时候null可能作为合法值出现, 就需要特殊处理, 很麻烦
而Scala提供option来比较优雅的解决这个问题
Either, 更为通用一些, 可用自己定义两种选择, 直接看个spark源码中的例子,
对于PutResult中的data, 有可能是ByteBuffer或者Iterator
而使用的时候, 使用Left和Right来选择到底用哪一个
?
1
2
3
private [spark] case class PutResult(size : Long, data : Either[Iterator[ _ ], ByteBuffer])
PutResult(sizeEstimate, Left(values.iterator))PutResult(bytes.limit(), Right(bytes.duplicate()))
这里无论option或either都提高了极好的灵活性, 在Java中如果要返回一个有两种可能性的值就比较不那么优雅了
来自:
http://www.cnblogs.com/fxjwind/p/3338829.html返回搜狐,查看更多
责任编辑: