产品汪与程序猿的爱恨纠葛，有了它一切都不是事

世界上最遥远的距离，不是生与死，不是我在你面前你却不知道我爱你，而是我求你帮我跑个数据，你却装聋作哑。

不同的知识体系、思维能力，注定了程序猿和产品汪的相爱相杀。那么归根到底，问题症结究竟在哪呢？数据~

打破传统，“据”给力

拿数据处理来说，以字符界面控制台为主的传统Hadoop数据分析，虽被大家广泛使用，但由于其数据处理较为繁琐，在商务应用上并不实用。

而Hue为Hadoop数据分析提供了图形界面系统，仅仅使用浏览器便能够在Hadoop平台上导入数据、处理数据以及分析数据，瞬间高大上了不少，有没有。

网站日志分析，“据”高效

众所周之，网站的日志包含用户访问信息， 产品汪可通过日志分析了解网站的访问量、网页访问次数、网页访问人数、频繁访问时段等等，以便获取用户行为以优化网站的商业价值。

由于网站每天会产生海量的日志，产品汪以前不得不求助于程序猿写代码跑Hadoop作业来分析结果。而集成Hive和Hue的百度MapReduce（简称BMR）为用户提供了友好的界面，仅通过SQL语句产品汪自己就能分析海量日志，大大提高效率。同时，简单的操作模式也降低了使用门槛。

一站式Hue访问，“据”高效

关于使用问题，只需登录百度开放云管理控制台并创建集群，在软件配置设置栏内添加Hive和Hue应用，不出几分钟BMR集群便可创建完毕。

相较那些需要使用SSH Tunnel登录的老旧方法，BMR近期推出了一站式Hue访问，在集群详情页内可以找到Hue的网址，输入集群用户名密码即可登录。

干货分享，“据”实用

登录Hue以后可以借助File Browser上传Nginx日志，示例数据可以从https://bmr-public-data.bj.bcebos.com/logs/accesslog-10k.log下载，简单起见就放在/user/root下面：

在分析之前，首先需要根据网站日志建立一张Hive表。在Hue菜单栏中选择查询编辑器、Hive，并输入以下SQL语句：

DROP TABLE IF EXISTS access_logs;

CREATE EXTERNAL TABLE access_logs (

  remote_addr STRING comment 'client IP',

  time_local STRING comment 'access time',

  request STRING comment 'request URL',

  status STRING comment 'HTTP status',

  body_bytes_sent STRING comment 'size of response body',

  http_referer STRING comment 'referer',

  http_cookie STRING comment 'cookies',

  remote_user STRING comment 'client name',

  http_user_agent STRING comment 'client browser info',

  request_time STRING comment 'consumed time of handling request',

  host STRING comment 'server host',

  msec STRING comment 'consumed time of writing logs'

)

COMMENT 'web access logs'

ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'

WITH SERDEPROPERTIES (

  "input.regex" = "([0-9\\.]+) - \\[([^\\]]+)\\] \"([^\"]*)\" ([\\d]+) ([\\d]*) \"([^\"]*)\" \"([^\"]*)\" ([\\S]+) \"([^\"]*)\" ([0-9\\.]+) ([\\S]+) ([0-9\\.]+)"

)

STORED AS TEXTFILE

LOCATION "/user/root";

这样，Hive会建立access_logs表，然后通过正则表达式来解析日志文件。注意LOCATION需要跟上传日志文件所对应，比如/user/root。当然，BMR还支持从对象存储BOS上读取数据，暂且不提。

成功创建access_logs表之后，便可以在Hive Editor左侧的辅助菜单中刷新数据库，找到access_logs表并预览示例数据：

定了表之后，便可以进行查询了。比如，以下语句可以统计网页请求的结果：

SELECT status, count(1)

FROM access_logs

GROUP BY status

切换到图表页，还可以以饼图的形式可视化数据：

使用下面的语句可以了解哪个时段网页访问量最大：

SELECT hour(from_unixtime(unix_timestamp(time_local, 'dd/MMMM/yyyy:HH:mm:ss Z'))) AS hour, count(1) AS pv

FROM access_logs

GROUP BY hour(from_unixtime(unix_timestamp(time_local, 'dd/MMMM/yyyy:HH:mm:ss Z')))

切换到图表页，可以以柱状图来可视化结果：

可见大量的访问在晚上九点，是不是需要在这段时间多投放一些广告呢？

此外，Hue还能够轻松制作地图可视化效果：

这里需要IP地址到地理位置信息的映射等转换，数据库的完备性影响到结果的精确性，欲了解详情，请联系bce@baidu.com。

总之，通过百度MapReduce提供的一站式Hue的帮助，用Hadoop做数据分析也成了轻松愉快的事情，产品汪再也不用看程序猿的脸色啦！

最后