本文介绍了使用SparkStreaming和Flink进行实时PV（页面浏览量）和UV（独立访客数）统计的方法。通过Redis进行UV去重，数据最终存储在MySQL。文中详细阐述了计算过程、数据容错机制、日志管理和主要代码实现，并讨论了Flink中的窗口和水印在内存管理中的作用。
最近有个需求，实时统计pv,uv，结果按照date,hour,pv,uv来展示，按天统计，第二天重新统计，当然了实际还需要按照类型字段分类统计pv,uv,比如按照date,hour,pv,uv,type来展示。这里介绍最基本的pv,uv的展示。
id | uv | pv | date | hour |
|---|---|---|---|---|
| 1 | 155599 | 306053 | 20180727 | 00 |
| 2 | 255496 | 596223 | 20180727 | 01 |
| … | … | … | … | … |
| 10 | 10490270 | 12927245 | 20180727 | 10 |
关于什么是pv,uv，可以参见这篇博客https://blog.csdn.net/petermsh/article/details/78652246
分析
这是一个常用的实时数据统计需求，实时处理目前可供选择的有sparkStreaming和flink，使用sparkStreaming可以使用累加器，如果字段取值水平过多，不现实了，这时候考虑使用状态算子updateStateByKey或mapWithState()，或者使用redis、mysql等做累加，去重可以使用内存、redis的Set集合，或者使用算法bloomfilter过滤器、HyperLogLog近似去重，如果是数字还可以使用bitmap去重，这里的guid是38位字符串，选择使用redis的Set集合去重。
SparkStreaming实时统计pv uv
1、项目流程
日志数据从flume采集过来，落到hdfs供其它离线业务使用，也会sink到kafka，sparkStreaming从kafka拉数据过来，计算pv,uv，uv是用的redis的set集合去重，最后把结果写入mysql数据库，供前端展示使用。
2、具体过程
1)PV的计算
拉取数据有两种方式，基于received和direct方式，这里用direct直拉的方式，用的mapWithState算子保存状态，这个算子与updateStateByKey一样，并且性能更好。当然了实际中数据过来需要经过清洗，过滤，才能使用。
定义一个状态函数
| |
| |
这样就很容易的把pv计算出来了。
2)UV的计算
uv是要全天去重的，每次进来一个batch的数据，如果用原生的reduceByKey或者groupByKey对配置要求太高，在配置较低情况下，我们申请了一个93G的redis用来去重，原理是每进来一条数据，将date作为key，guid加入set集合，20秒刷新一次，也就是将set集合的尺寸取出来，更新一下数据库即可。
| |
redis连接池代码RedisPoolUtil.scala：
package com.js.ipflow.utilsimport com.js.ipflow.start.ConfigFactoryimport org.apache.commons.pool2.impl.GenericObjectPoolConfigimport redis.clients.jedis.JedisPool/** * redis 连接池工具类 * @author keguang */object RedisPoolUtil extends Serializable{ @transient private var pool: JedisPool = null /** * 读取jedis配置信息, 出发jedis初始化 */ def initJedis: Unit ={ ConfigFactory.initConfig() val maxTotal = 50 val maxIdle = 30 val minIdle = 10 val redisHost = ConfigFactory.redishost val redisPort = ConfigFactory.redisport val redisTimeout = ConfigFactory.redistimeout val redisPassword = ConfigFactory.redispassword makePool(redisHost, redisPort, redisTimeout, redisPassword, maxTotal, maxIdle, minIdle) } def makePool(redisHost: String, redisPort: Int, redisTimeout: Int,redisPassword:String, maxTotal: Int, maxIdle: Int, minIdle: Int): Unit = { init(redisHost, redisPort, redisTimeout, redisPassword, maxTotal, maxIdle, minIdle, true, false, 10000) } /** * 初始化jedis连接池 * @param redisHost host * @param redisPort 端口 * @param redisTimeout 连接redis超时时间 * @param redisPassword redis密码 * @param maxTotal 总的连接数 * @param maxIdle 最大空闲连接数 * @param minIdle 最小空闲连接数 * @param testOnBorrow * @param testOnReturn * @param maxWaitMillis */ def init(redisHost: String, redisPort: Int, redisTimeout: Int,redisPassword:String, maxTotal: Int, maxIdle: Int, minIdle: Int, testOnBorrow: Boolean, testOnReturn: Boolean, maxWaitMillis: Long): Unit = { if (pool == null) { val poolConfig = new GenericObjectPoolConfig() poolConfig.setMaxTotal(maxTotal) poolConfig.setMaxIdle(maxIdle) poolConfig.setMinIdle(minIdle) poolConfig.setTestOnBorrow(testOnBorrow) poolConfig.setTestOnReturn(testOnReturn) poolConfig.setMaxWaitMillis(maxWaitMillis) pool = new JedisPool(poolConfig, redisHost, redisPort, redisTimeout,redisPassword) val hook = new Thread { override def run = pool.destroy() } sys.addShutdownHook(hook.run) } } def getPool: JedisPool = { if(pool == null){ initJedis } pool }}3)结果保存到数据库
结果保存到mysql，数据库，20秒刷新一次数据库，前端展示刷新一次，就会重新查询一次数据库，做到实时统计展示pv,uv的目的。
略。。。
msql 连接池代码MysqlPoolUtil.scala
package com.js.ipflow.utilsimport java.sql.{Connection, PreparedStatement, ResultSet}import com.js.ipflow.start.ConfigFactoryimport org.apache.commons.dbcp.BasicDataSourceimport org.apache.logging.log4j.LogManager/** *jdbc mysql 连接池工具类 * @author keguang */object MysqlPoolUtil { val logger = LogManager.getLogger(MysqlPoolUtil.getClass.getSimpleName) private var bs:BasicDataSource = null /** * 创建数据源 * @return */ def getDataSource():BasicDataSource={ if(bs==null){ ConfigFactory.initConfig() bs = new BasicDataSource() bs.setDriverClassName("com.mysql.jdbc.Driver") bs.setUrl(ConfigFactory.mysqlurl) bs.setUsername(ConfigFactory.mysqlusername) bs.setPassword(ConfigFactory.mysqlpassword) bs.setMaxActive(50) // 设置最大并发数 bs.setInitialSize(20) // 数据库初始化时，创建的连接个数 bs.setMinIdle(20) // 在不新建连接的条件下，池中保持空闲的最少连接数。 bs.setMaxIdle(20) // 池里不会被释放的最多空闲连接数量。设置为0时表示无限制。 bs.setMaxWait(5000) // 在抛出异常之前，池等待连接被回收的最长时间(当没有可用连接时)。设置为-1表示无限等待。 bs.setMinEvictableIdleTimeMillis(10*1000) // 空闲连接5秒中后释放 bs.setTimeBetweenEvictionRunsMillis(1*60*1000) //1分钟检测一次是否有死掉的线程 bs.setTestOnBorrow(true) } bs } /** * 释放数据源 */ def shutDownDataSource(){ if(bs!=null){ bs.close() } } /** * 获取数据库连接 * @return */ def getConnection():Connection={ var con:Connection = null try { if(bs!=null){ con = bs.getConnection() }else{ con = getDataSource().getConnection() } } catch{ case e:Exception => logger.error(e) } con } /** * 关闭连接 */ def closeCon(rs:ResultSet ,ps:PreparedStatement,con:Connection){ if(rs!=null){ try { rs.close() } catch{ case e:Exception => println(e.getMessage) } } if(ps!=null){ try { ps.close() } catch{ case e:Exception => println(e.getMessage) } } if(con!=null){ try { con.close() } catch{ case e:Exception => println(e.getMessage) } } }}4)数据容错
流处理消费kafka都会考虑到数据丢失问题，一般可以保存到任何存储系统，包括mysql,hdfs,hbase,redis,zookeeper等到。这里用SparkStreaming自带的checkpoint机制来实现应用重启时数据恢复。
checkpoint
这里采用的是checkpoint机制，在重启或者失败后重启可以直接读取上次没有完成的任务，从kafka对应offset读取数据。
| |
checkpoint是每天一个目录，在第二天凌晨定时销毁StreamingContext对象，重新统计计算pv,uv。
注意
ssc.stop(false,true)表示优雅地销毁StreamingContext对象，不能销毁SparkContext对象，ssc.stop(true,true)会停掉SparkContext对象，程序就直接停了。
应用迁移或者程序升级
在这个过程中，我们把应用升级了一下，比如说某个功能写的不够完善，或者有逻辑错误，这时候都是需要修改代码，重新打jar包的，这时候如果把程序停了，新的应用还是会读取老的checkpoint，可能会有两个问题：
执行的还是上一次的程序，因为checkpoint里面也有序列化的代码；
直接执行失败，反序列化失败；
其实有时候，修改代码后不用删除checkpoint也是可以直接生效，经过很多测试，我发现如果对数据的过滤操作导致数据过滤逻辑改变，还有状态操作保存修改，也会导致重启失败，只有删除checkpoint才行，可是实际中一旦删除checkpoint，就会导致上一次未完成的任务和消费kafka的offset丢失，直接导致数据丢失，这种情况下我一般这么做。
这种情况一般是在另外一个集群，或者把checkpoint目录修改下，我们是代码与配置文件分离，所以修改配置文件checkpoint的位置还是很方便的。然后两个程序一起跑，除了checkpoint目录不一样，会重新建，都插入同一个数据库，跑一段时间后，把旧的程序停掉就好。以前看官网这么说，只能记住不能清楚明了，只有自己做时才会想一下办法去保证数据准确。
5)日志
日志用的log4j2，本地保存一份，ERROR级别的日志会通过邮件发送到手机。
| |
3、主要代码
pom.xml文件:
略。。。
读取配置文件代码ConfigFactory .java：
略。。。
组合起来。
Exactly Once消费
由于基于checkpoint的在程序升级时，可能出现反序列化错误，导致启动失败的情况，这里使用direct直拉kafka，保存结果和偏移量到mysql的一条数据行中，要么全部失败，要么全部成功，保证精确一次消费。
1package com.test
2
3import java.sql.{Connection, PreparedStatement, Statement}
4import java.text.SimpleDateFormat
5import java.util.{Calendar, Date}
6
7import com.js.ipflow.config.Configuration
8import org.apache.spark.{SparkConf, SparkContext}
9import org.apache.spark.streaming.{Seconds, StreamingContext}
10import com.alibaba.fastjson.{JSON, JSONArray, JSONObject}
11import kafka.common.TopicAndPartition
12import kafka.message.MessageAndMetadata
13import kafka.serializer.StringDecoder
14import org.apache.logging.log4j.LogManager
15import org.apache.spark.rdd.RDD
16import org.apache.spark.streaming.dstream.InputDStream
17import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}
18
19import scala.collection.mutable
20import scala.collection.mutable.ArrayBuffer
21
22object Hm4HandlePlus {
23
24 val logger = LogManager.getLogger(Hm4Handle.getClass.getSimpleName)
25 // 邮件level=error日志
26 val logger2 = LogManager.getLogger("email")
27
28 import collection.JavaConverters._
29
30 // 读取配置
31 val config: mutable.Map[String, String] = Configuration.initConfig("commons.xml").asScala 32 33 def main(args: Array[String]): Unit = {
34 run(args(0))
35 }
36
37 def run(consumeRate: String): Unit = {
38 val sparkConf = new SparkConf().setAppName(config.get("spark-streamname").getOrElse("Hm4Handle"))
39 // .setMaster("local[*]")
40 sparkConf.set("spark.streaming.kafka.maxRatePerPartition", consumeRate)
41 sparkConf.set("spark.default.parallelism", "36")
42
43 val sc = new SparkContext(sparkConf)
44
45 // StreamingContext按天滚动
46 while (true) {
47 val ssc = new StreamingContext(sc, Seconds(config.get("spark-seconds").getOrElse("5").toLong))
48
49 val topics = config.get("kafka-topic").getOrElse("test")
50 val topicSet = Set(topics)
51 val kafkaParams: Map[String, String] = Map[String, String](
52 "metadata.broker.list" -> config.get("kafka-ipport").getOrElse("0.0.0.0:2181")
53 , "group.id" -> config.get("kafka-groupid").getOrElse("test")
54 , "auto.offset.reset" -> kafka.api.OffsetRequest.LargestTimeString
55 // "enable.auto.commit" -> "false"
56 )
57
58 val table_name= "table_name"
59 val tpMap = getLastOffsets(hm4_realtime_mini_count)
60
61 var messages: InputDStream[(String, String)] = null 62 if (tpMap.nonEmpty) {
63 messages = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](
64 ssc
65 , kafkaParams
66 , tpMap.toMap
67 , (mmd: MessageAndMetadata[String, String]) => (mmd.key, mmd.message)
68 )
69 } else {
70
71 messages = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
72 ssc
73 , kafkaParams
74 , topicSet
75 )
76 }
77
78 // (date, hour, event, version, _type, value, opentype, times, vertype)
79 messages.foreachRDD(rdd => {
80 val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
81 val offset = offsetRanges2Json(offsetRanges).toString
82
83 // 当前rdd聚合结果
84 val currentRdd = FilterHm4.getMiniRDD(rdd
85 .filter(x => {
86 try {
87 JSON.parseObject(x._2)
88 true
89 } catch {
90 case e: Exception => {
91 logger.error("错误数据 => " + x)
92 logger.error(e.getMessage)
93 }
94 false
95 }
96 }).repartition(36)
97 .map(x => {
98 JSON.parseObject(x._2)
99 })).map({ case (date, hour, event, version, _type, value, opentype, times, vertype) => {
100 (date + formatKey(hour) + formatKey(event) + formatKey(version) + formatKey(_type) + formatKey(value)
101 + formatKey(opentype) + formatKey(times) + formatKey(vertype), 1L)
102 }
103 }).reduceByKey((x, y) => x + y).repartition(2)
104
105 // 保存到mysql
106 insertMysql(currentRdd, table_name, offset)
107
108 })
109
110 ssc.start()
111 ssc.awaitTerminationOrTimeout(resetTime) // 距离第二天0点，ssc销毁时间
112 ssc.stop(false, true)
113 }
114 }
115
116 def offsetRanges2Json(arr: Array[OffsetRange]): JSONArray = {
117 val jSONArray = new JSONArray()
118 arr.foreach(offsetRange => {
119 val jsonObject = new JSONObject()
120 jsonObject.put("partition", offsetRange.partition)
121 jsonObject.put("fromOffset", offsetRange.fromOffset)
122 jsonObject.put("untilOffset", offsetRange.untilOffset)
123 jsonObject.put("topic", offsetRange.topic)
124
125 jSONArray.add(jsonObject)
126 })
127
128 jSONArray
129 }
130
131 /**132 * 从mysql查询offset133 *134 * @param tbName135 * @return136 */
137 def getLastOffsets(tbName: String): mutable.HashMap[TopicAndPartition, Long] = {
138 val sql = s"select offset from ${tbName} where id = (select max(id) from ${tbName})"
139 val conn = MysqlPool.getConnection(config)
140 val psts = conn.prepareStatement(sql)
141 val res = psts.executeQuery()
142 var tpMap: mutable.HashMap[TopicAndPartition, Long] = mutable.HashMap[TopicAndPartition, Long]()
143 while (res.next()) {
144 val o = res.getString(1)
145 val jSONArray = JSON.parseArray(o)
146 jSONArray.toArray().foreach(offset => {
147 val json = JSON.parseObject(offset.toString)
148 val topicAndPartition = TopicAndPartition(json.getString("topic"), json.getInteger("partition"))
149 tpMap.put(topicAndPartition, json.getLong("untilOffset"))
150 })
151 }
152 MysqlPool.closeCon(res, psts, conn)
153 tpMap
154
155 }
156}
Flink统计 pv
我们需要统计不同数据类型每天的pv，uv情况,并且有如下要求.
每秒钟要输出最新的统计结果
程序永远跑着不会停,所以要定期清理内存里的过时数据
收到的消息里的时间字段并不是按照顺序严格递增的,所以要有一定的容错机制
访问uv并不一定每秒钟都会变化,重复输出对IO是巨大的浪费,所以要在uv变更时在一秒内输出结果,未变更时不输出
flink数据流上的类型和操作
DataStream是flink流处理最核心的数据结构，其它的各种流都可以直接或者间接通过DataStream来完成相互转换，一些常用的流直接的转换关系如图：
可以看出，DataStream可以与KeyedStream相互转换，KeyedStream可以转换为WindowedStream，DataStream不能直接转换为WindowedStream，WindowedStream可以直接转换为DataStream。各种流之间虽然不能相互直接转换，但是都可以通过先转换为DataStream，再转换为其它流的方法来实现。
在这个计算pv,uv的需求中就主要用到DataStream、KeyedStream以及WindowedStream这些数据结构。
这里需要用到window和watermark，使用窗口把数据按天分割，使用watermark可以通过“水位”来定期清理窗口外的迟到数据，起到清理内存的作用。
业务代码
我们的数据是json类型的，含有date,helperversion,guid这3个字段，在实时统计pv,uv这个功能中，其它字段可以直接丢掉，当然了在离线数据仓库中，所有有含义的业务字段都是要保留到hive当中的。
其它相关概念就不说了，会专门介绍，这里直接上代码吧。
由于包含了很多其它的非flink的依赖，可以选择flink的依赖，减少下载依赖的时间。
主要代码，主要使用scala开发：
import java.util.Propertiesimport com.alibaba.fastjson.JSONimport org.apache.flink.runtime.state.filesystem.FsStateBackendimport org.apache.flink.streaming.api.CheckpointingModeimport org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractorimport org.apache.flink.streaming.api.scala.{DataStream, StreamExecutionEnvironment}import org.apache.flink.streaming.api.windowing.time.Timeimport org.apache.flink.streaming.api.windowing.triggers.ContinuousProcessingTimeTriggerimport org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer010import org.apache.flink.streaming.util.serialization.SimpleStringSchemaimport org.apache.flink.streaming.api.scala.extensions._import org.apache.flink.api.scala._object PvUvCount { def main(args: Array[String]): Unit = { val env = StreamExecutionEnvironment.getExecutionEnvironment // 容错 env.enableCheckpointing(5000) env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE) env.setStateBackend(new FsStateBackend("file:///D:/space/IJ/bigdata/src/main/scala/com/ddxygq/bigdata/flink/checkpoint/flink/tagApp")) // kafka 配置 val ZOOKEEPER_HOST = "localhost:2181" val KAFKA_BROKERS = "localhost:9092" val TRANSACTION_GROUP = "flink-helper-label-count" val TOPIC_NAME = "test" val kafkaProps = new Properties() kafkaProps.setProperty("zookeeper.connect", ZOOKEEPER_HOST) kafkaProps.setProperty("bootstrap.servers", KAFKA_BROKERS) kafkaProps.setProperty("group.id", TRANSACTION_GROUP) // watrmark 允许数据延迟时间 val MaxOutOfOrderness = 86400 * 1000L // 消费kafka数据 val streamData: DataStream[(String, String, String)] = env.addSource( new FlinkKafkaConsumer010[String](TOPIC_NAME, new SimpleStringSchema(), kafkaProps) ).assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[String](Time.milliseconds(MaxOutOfOrderness)) { override def extractTimestamp(element: String): Long = { val t = JSON.parseObject(element) val time = JSON.parseObject(JSON.parseObject(t.getString("message")).getString("data")).getString("time") time.toLong } }).map(x => { var date = "error" var guid = "error" var helperversion = "error" try { val messageJsonObject = JSON.parseObject(JSON.parseObject(x).getString("message")) val datetime = messageJsonObject.getString("time") date = datetime.split(" ")(0) // hour = datetime.split(" ")(1).substring(0, 2) val data_string = messageJsonObject.getString("data") if (!"".equals(data_string)) { val data = JSON.parseObject(data_string) guid = data.getString("guid").trim helperversion = data.getString("helperversion") } } catch { case e: Exception => { println(e) } } (date, helperversion, guid) }) // 这上面是设置watermark并解析json部分 // 聚合窗口中的数据，可以研究下applyWith这个方法和OnWindowedStream这个类 val resultStream = streamData.keyBy(x => { x._1 + x._2 }).timeWindow(Time.days(1)) .trigger(ContinuousProcessingTimeTrigger.of(Time.seconds(1))) .applyWith(("", List.empty[Int], Set.empty[Int], 0L, 0L))( foldFunction = { case ((_, list, set, _, 0), item) => { val date = item._1 val helperversion = item._2 val guid = item._3 (date + "_" + helperversion, guid.hashCode +: list, set + guid.hashCode, 0L, 0L) } } , windowFunction = { case (key, window, result) => { result.map { case (leixing, list, set, _, _) => { (leixing, list.size, set.size, window.getStart, window.getEnd) } } } } ).keyBy(0) .flatMapWithState[(String, Int, Int, Long, Long),(Int, Int)]{ case ((key, numpv, numuv, begin, end), curr) => curr match { case Some(numCurr) if numCurr == (numuv, numpv) => (Seq.empty, Some((numuv, numpv))) //如果之前已经有相同的数据,则返回空结果 case _ => (Seq((key, numpv, numuv, begin, end)), Some((numuv, numpv))) } } // 最终结果 val resultedStream = resultStream.map(x => { val keys = x._1.split("_") val date = keys(0) val helperversion = keys(1) (date, helperversion, x._2, x._3) }) resultedStream.print() env.execute("PvUvCount") } }参考资料
https://flink.sojb.cn/dev/event_time.html
http://wuchong.me/blog/2016/05/20/flink-internals-streams-and-operations-on-streams/
https://segmentfault.com/a/1190000006235690
猜你喜欢
从相亲说起，通俗理解决策树算法
K-近邻算法通俗理解与实践
贝叶斯定理的通俗理解
为了理想，谁人都可以
扫一扫
9921
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
