【考试记录】Apsara Clouder大数据技能认证：MOOC网站日志分析

一：考试总结

这个个人感觉还是不错的，视频的干货不少，最后的实验的东西也是和之前的QuickBI联系的很密切，基本的过程就是给你数据，然后数据清洗，再利用MaxCompute进行计算，最后利用QuickBI进行图表的可视化展示。这全套的东西都不需要自己写代码，如果是真实的企业应用的话，会写少量的代码，不会太难。里面介绍的正则，讲的很粗，这个还是需要自己去找资料进行扩充的，毕竟正则还是很重要的。实验也很简单，都是阿里的基础操作。个人建议，视频里讲的不细的东西，都需要自己花时间再补充，毕竟好些东西是需要基础的。

二：内容总结（标红为重点）

1.常见的服务器容器：Tomcat，Apache，Nginx
2.程序日志是用户在程序中自定义构建的，故没有通用性
    PV(page view)：即页面浏览量,或点击量;UV(独立访客)：即Unique Visitor,访问您网站的一台电脑客户端为一个访客。
    IP(独立IP)：指独立IP数。
3.PV约等于UV：用户在访问网站时，点击次数并不多，网站不吸引人
   IP大于UV：使用家庭宽带用户较多。
   UV大于IP：非家庭宽带。
  UV 会比IP少?
　　一般情况下，统计UV数应该大于等于IP数，但有些情况下，有可能UV数会小于IP数：
　　1) IP地址是绝对的，从TCP链路上取的，真实的，不唯一的；
　　2) UV设置的cookie，随机设置的，可重复的，只是重复概率足够小；
　　3) 移动笔记本不时的更换IP，可以导致这种问题；
　　4) 客户端禁用cookie或者客户端安全级别高会导致cookie设置不上，会出现这种问题；
　　5) 如果采用的图片统计，由于拿不到cookie会出现这种问题；
4.在了解网站负载情况后，可以对程序进行相应更改(如高CPU占比程序放在非高峰期运行)
5.恶意攻击IP判断条件是大量404状态码的HTTP请求
6.网站优化：
    程序优化：调整网站前端适应性(更好的匹配不同浏览器下访问体验)
    服务器优化：调整网站服务器地理位置(访问延迟降低)
    搜索引擎推广：搜索引擎推广或优化
7.MaxCompute
    分布式架构，简单易用(多API)，安全可靠(底层是盘古文件系统，一式三份)，管理授权
    基本概念
    项目空间：所有对象属于某一个项目空间，一个用户可以有多个项目空间，通过授权，项目空间可以进行互相访问    表：可以简单把项目空间看做为数据库，表中的列可以使MaxCompute中支持的任一数据类型(Bigint，double，String，Boolean，DateTime)，其中不同计算类型包括输入输出均以表的形式
    分区：创建表时指定的分区空间，表内的某个字段作为分区列(可以把分区值作为目录，用户可以指定多级分区，即指定多个字段)
    任务：基本计算单元(SQL，MapReduce)
    资源：用户自定义函数需要依赖资源，MaxCompute依赖的资源类型有File，Table(MaxCompute中的表)，Jar(编译好的Java包)，Archive类型(压缩包类型：zip，tz，tar，jar等)
8.MaxCompute基础架构图
    第一层：ODPS客户端(MapReduce客户端)
        可以使用REST API，SDK，CLT(命令号模式)，IDE(在开发工具中集成相应工具)
    第二层：ODPS接入层
        账号权限鉴定操作
    第三层：ODPS逻辑层
        有很多的Worker，Scheduler，Executor，还包含大数据中源数据信息
        如果查询数据是对源数据库的操作则可以直接返回信息，如果是复杂计算，则会将相应任务转发给第四层
    第四层：ODPS存储/计算层
        使用MR脚本或SQL进行真正的作业
9.DataIDE提供数据集成，处理，分析和管理功能，并为代码开发，调试，发布，运维，监控，管理提供了高效安全的离线数据开发环境。
10.QuickBI优势：
    无缝集成云上数据库，图表(丰富可视化图表17种，智能推荐)，分析(多维数据分析)，快速搭建数据门户，实时(无需大量的数据预处理)，安全管控数据权限(内置组织成员管控)
11.提取IP中的信息：
     IP中可以提取到城市和网络服务商。
     城市可以是我们对网站的用户进行地域分析，而网络服务商可以分析用户网络类型
     提取IP中信息的方法：(优缺点)
        免费API接口(淘宝)：调用频率不宜过高
        收费API接口(IP查询接口)：更真实，更明确
        本地数据(GeoIP，纯真数据库)：纯真属性(IP起始，IP终止，地址信息，运营商)
    IP转换成数字：DNS会将域名转换为真正IP
    IP地址是32位二进制数，4组二进制数
    将32位二进制数计算成10进制数number：(二进制数转十进制乘以(二的八次方)3次+二进制数转十进制乘以(二的八次方)2次+二进制数转十进制乘以(二的八次方)+二进制数转十进制)
    数字访问方式：https://number
    IP转数字的目的：为了将其转化为可查询的便捷方式
12.上传数据到MaxCompute
                创建分别记录日志文件和IP库文件的每一行的两个表(tunnel参数fd为分隔符)
13.正则表达式：描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串，将匹配的子串替换或者从某个串中取出符合某个条件的子串等。
    非贪婪模式：使用一定规则匹配时，尽可能少匹配字符
    贪婪模式：使用一定规则匹配时，尽可能多匹配字符
    regexp_substr(内容字符串，正则表达式，从第几个字符开始使用正则，匹配次数)
    regexp_replace(内容字符串，匹配内容，转换内容)
14.从IP表中查询城市和运营商信息
    由于IP库是区间类型的原因，所以需要在join中加入非等值。
    由于MaxCompute不支持非等值join，所以使用MapJoin，不宜数据过大，因为数据存储在缓存中，小表，不超过500M
15.提取省信息和有效访问链接
16.访问时间和来源分类
    要做趋势分析统计，就需要将日期进行处理
    要对于访问来源分析，则需要对用户访问来源进行分析归纳
    手动地址输入：来源为0
    搜索引擎：引擎类型站
    首页链接：放网站首页网站，other
17.访客客户端信息处理
18.访问链接TopN：使用group by查询用户访问最多的链接(url)
19.获取每个访客的第一条日志：
    对"IP"和"客户端信息"一起group by来保证独立访客(独立客户端)
20.IP黑名单：
    对IP进行group by查询404状态下count大于10次
21.工作流任务：由多个节点构成(SQL较为复杂，节点间有关系)
     节点任务：单个节点
     调度类型为周期调度或手动调度
     可以通过从节点拖拽到两个节点使得两个节点同时执行，都执行后才会进行下一个节点
22.使用QuickBI演示网站日志分析结果：
     流量分析：PV，UV，IP，趋势
     来源分析：访问来源，搜索引擎
     访问分析：链接TopN，IP黑名单
     访客分析：地域分布，浏览器，操作系统，网络运营商
23.度量聚合方式(可以将维度转化为度量)：
    默认为求和，计数，计数(去重)，最大值，最小值，平均值
24.问题解决思路
    用户抱怨加载内容很慢：服务器地域调整，网络运营商调整
    用户抱怨网站样式错乱：修改网站前端样式，适应用户浏览器
    领导认为销量不合格：使用搜索引擎推广，搜索引擎优化
    网站崩溃：加强网站程序安全，设置访问黑名单

三：真题

1.在MaxCompute中要对两个大表进行关联查询是应该优先使用mapjoin。

A .正确

B .错误

2.数据工场DataWorks是一套基于MaxCompute(原大ODPS)的DW解决方案：它集成了阿里多年的DW实施经验，提供数据集成、处理、分析和管理功能。

A .错误

B .正确

3.MaxCompute客户端，也就是odpscmd中使用命令：tunnel-fd"""NoDelimiter"""D:\ip.txt t_cz_ip_content;表示将本地ip.txt文件长传到MaxCompute中项目的t_cz_ip_conten表中，"""NoDelimiter"""表示过滤掉的字符串。

A .正确

B .错误

4.网站流量中UV是指（）。

A .访问页面浏览总量

B .独立访客数

C .对立IP的访客数

D .搜索引擎来源独立访客数

5.在MaxCompute的命令中，如果想看某个项目空间的所有表，应该执行命令（）。

A .list tables;

B .print tables;

C .desc tables;

D .select table_name from user_tables;

6.MaxCompute中的regexp_replace函数用于使用正则表达式进行字符串替换（）。

A .正确

B .错误

7.对于IP：140.205.32.13，计算它的十进制数字表达方式，它的值应该是（）。

A .2362253335

B .2362253325

C .1362253335

D .1362253325

8.在MaxCompute中要对两个表进行不等式关联查询，如果其中一个表数据不大，可以考虑使用mapjoin（）。

A .正确

B .错误

9.网站流量中PV是指（）。

A .访问页面浏览总量

B .独立访客数

C .对立IP的访客数

D .搜索引擎来源独立访客数

10.关于MaxCompute，一个用户多个项目空间，通过授权可以多个项目空间中的可以相互访问（）。

A .正确

B .错误

11.使用MaxCompute的客户端工具odpscmd时，首先要修改配置文件，这个文件名是(）。

A .odps.config

B .odps_config.ini

C .odps.ini.cfg

D .odps.ini

12.通过一定的方法，可以从IP中获取地址和运营商信息（）。

A .正确

B .错误

13.大数据计算服务（MaxCompute,原名ODPS),是阿里提供的一种快速、完全托管的TB/PB级数据仓库解决方案。下面的产品特点中，正确的有（）。（正确答案有3个）

A .分布式架构

B .快速实时响应

C .安全可靠

D .提供管理和授权

E .支持事务