使用Hadoop統計日誌數據
阿新 • • 發佈：2018-04-02
Hadoop MapReduce 日誌數據統計 用戶行為日誌概述
用戶行為日誌：
- 用戶每次訪問網站時所有的行為數據
- 訪問、瀏覽、搜索、點擊...
- 用戶行為軌跡、流量日誌（用戶行為日誌的其他名稱）
為什麽要記錄用戶訪問行為日誌：
- 進行網站頁面的訪問量的統計
- 分析網站的黏性
- 訓練推薦系統
用戶行為日誌生成渠道：
- web服務器記錄的web訪問日誌
- ajax記錄的訪問日誌以及其他相關的日誌
用戶行為日誌大致內容：
- 訪問時間
- 訪問者所使用的客戶端（UserAgent）
- 訪問者的IP地址
- 訪問者賬號
- 某個頁面的停留時間
- 訪問的時間與地點
- 跳轉的鏈接地址（referer）
- 訪問信息，例如：session_id
- 模塊AppID
用戶行為日誌分析的意義：
- 網站的眼睛，能夠看到用戶的主要來源、喜好網站上的哪些內容，以及用戶的忠誠度等
- 網站的神經，通過分析用戶行為日誌，我們能對網站的布局、功能進一步的優化，以提高用戶的體驗等
- 網站的大腦，通過分析結果，進行推廣預算的劃分，以及重點優化用戶群體的傾向點等
離線數據處理架構
離線數據處理流程：
- 數據采集
- 例如可以使用Flume進行數據的采集：將web日誌寫入到HDFS
- 數據清洗
- 可以使用Spark、Hive、MapReduce等框架進行數據的清洗，清洗完之後的數據可以存放在HDFS或者Hive、Spark SQL裏
- 數據處理
- 按照我們的需求進行相應業務的統計和分析
- 數據處理結果入庫
- 結果可以存放到RDBMS、NoSQL數據庫
- 數據的可視化展示
- 通過圖形化展示的方式展現出來：餅圖、柱狀圖、地圖、折線圖等等
- 工具：ECharts、HUE、Zeppelin
流程示意圖：
項目需求
需求:
- 統計網站訪問日誌中每個瀏覽器的訪問次數
日誌片段如下：
183.162.52.7 - - [10/Nov/2016:00:01:02 +0800] "POST /api3/getadv HTTP/1.1" 200 813 "www.xxx.com" "-" cid=0×tamp=1478707261865&uid=2871142&marking=androidbanner&secrect=a6e8e14701ffe9f6063934780d9e2e6d&token=f51e97d1cb1a9caac669ea8acc162b96 "mukewang/5.0.0 (Android 5.1.1; Xiaomi Redmi 3 Build/LMY47V),Network 2G/3G" "-" 10.100.134.244:80 200 0.027 0.027 10.100.0.1 - - [10/Nov/2016:00:01:02 +0800] "HEAD / HTTP/1.1" 301 0 "117.121.101.40" "-" - "curl/7.19.7 (x86_64-redhat-linux-gnu) libcurl/7.19.7 NSS/3.16.2.3 Basic ECC zlib/1.2.3 libidn/1.18 libssh2/1.4.2" "-" - - - 0.000
功能實現之UserAgent解析類測試
首先我們需要根據日誌信息抽取出瀏覽器信息，針對不同的瀏覽器進行統計操作。雖然可以自己實現這個功能，但是懶得再造輪子了，所以我在GitHub找到了一個小工具可以完成這個功能，GitHub地址如下：
https://github.com/LeeKemp/UserAgentParser
通過git clone或者瀏覽器下載到本地後，使用命令行進入到其主目錄下，然後通過maven命令對其進行打包並安裝到本地倉庫裏：
$ mvn clean package -DskipTest
$ mvn clean install -DskipTest安裝完成後，在工程中添加依賴以及插件：
<!-- 添加UserAgent解析的依賴 -->
<dependency>
<groupId>com.kumkee</groupId>
<artifactId>UserAgentParser</artifactId>
<version>0.0.1</version>
</dependency>
<!-- mvn assembly:assembly -->
<build>
<plugins>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<archive>
<manifest>
<mainClass></mainClass>
</manifest>
</archive>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
</plugin>
</plugins>
</build>然後我們編寫一個測試用例來測試一下這個解析類，因為之前並沒有使用過這個工具，所以對於一個未使用過的工具，要養成在工程中使用之前對其進行測試的好習慣：
package org.zero01.project;
import com.kumkee.userAgent.UserAgent;
import com.kumkee.userAgent.UserAgentParser;
/**
* @program: hadoop-train
* @description: UserAgent解析測試類
* @author: 01
* @create: 2018-04-01 22:43
**/
public class UserAgentTest {
public static void main(String[] args) {
String source = "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.71 Safari/537.36";
UserAgentParser userAgentParser = new UserAgentParser();
UserAgent agent = userAgentParser.parse(source);
String browser = agent.getBrowser();
String engine = agent.getEngine();
String engineVersion = agent.getEngineVersion();
String os = agent.getOs();
String platform = agent.getPlatform();
boolean isMobile = agent.isMobile();
System.out.println("瀏覽器：" + browser);
System.out.println("引擎：" + engine);
System.out.println("引擎版本：" + engineVersion);
System.out.println("操作系統：" + os);
System.out.println("平臺：" + platform);
System.out.println("是否是移動設備：" + isMobile);
}
}控制臺輸出結果如下：
瀏覽器：Chrome
引擎：Webkit
引擎版本：537.36
操作系統：Windows 7
平臺：Windows
是否是移動設備：false從打印結果可以看到，UserAgent的相關信息都正常獲取到了，我們就可以在工程中進行使用這個工具了。
使用MapReduce完成需求統計
創建一個類，編寫代碼如下：
package org.zero01.hadoop.project;
import com.kumkee.userAgent.UserAgent;
import com.kumkee.userAgent.UserAgentParser;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* @program: hadoop-train
* @description: 使用MapReduce來完成統計瀏覽器的訪問次數
* @author: 01
* @create: 2018-04-02 14:20
**/
public class LogApp {
/**
* Map: 讀取輸入的文件內容
*/
public static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
LongWritable one = new LongWritable(1);
private UserAgentParser userAgentParser;
protected void setup(Context context) throws IOException, InterruptedException {
userAgentParser = new UserAgentParser();
}
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 接收到的每一行日誌信息
String line = value.toString();
String source = line.substring(getCharacterPosition(line, "\"", 7) + 1);
UserAgent agent = userAgentParser.parse(source);
String browser = agent.getBrowser();
// 通過上下文把map的處理結果輸出
context.write(new Text(browser), one);
}
protected void cleanup(Context context) throws IOException, InterruptedException {
userAgentParser = null;
}
}
/**
* Reduce: 歸並操作
*/
public static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
long sum = 0;
for (LongWritable value : values) {
// 求key出現的次數總和
sum += value.get();
}
// 將最終的統計結果輸出
context.write(key, new LongWritable(sum));
}
}
/**
* 獲取指定字符串中指定標識的字符串出現的索引位置
*
* @param value
* @param operator
* @param index
* @return
*/
private static int getCharacterPosition(String value, String operator, int index) {
Matcher slashMatcher = Pattern.compile(operator).matcher(value);
int mIdex = 0;
while (slashMatcher.find()) {
mIdex++;
if (mIdex == index) {
break;
}
}
return slashMatcher.start();
}
/**
* 定義Driver：封裝了MapReduce作業的所有信息
*/
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration configuration = new Configuration();
// 準備清理已存在的輸出目錄
Path outputPath = new Path(args[1]);
FileSystem fileSystem = FileSystem.get(configuration);
if (fileSystem.exists(outputPath)) {
fileSystem.delete(outputPath, true);
System.out.println("output file exists, but is has deleted");
}
// 創建Job，通過參數設置Job的名稱
Job job = Job.getInstance(configuration, "LogApp");
// 設置Job的處理類
job.setJarByClass(LogApp.class);
// 設置作業處理的輸入路徑
FileInputFormat.setInputPaths(job, new Path(args[0]));
// 設置map相關參數
job.setMapperClass(LogApp.MyMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 設置reduce相關參數
job.setReducerClass(LogApp.MyReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
// 設置作業處理完成後的輸出路徑
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}在工程目錄下打開控制臺，輸入如下命令進行打包：
mvn assembly:assembly打包成功：
將這個jar包上傳到服務器上：
[root@localhost ~]# rz
[root@localhost ~]# ls |grep hadoop-train-1.0-jar-with-dependencies.jar
hadoop-train-1.0-jar-with-dependencies.jar
[root@localhost ~]#把事先準備好的日誌文件上傳到HDFS文件系統中：
[root@localhost ~]# hdfs dfs -put ./10000_access.log /
[root@localhost ~]# hdfs dfs -ls /10000_access.log
-rw-r--r-- 1 root supergroup 2769741 2018-04-02 22:33 /10000_access.log
[root@localhost ~]#執行如下命令
[root@localhost ~]# hadoop jar ./hadoop-train-1.0-jar-with-dependencies.jar org.zero01.hadoop.project.LogApp /10000_access.log /browserout執行成功：
查看處理結果：
[root@localhost ~]# hdfs dfs -ls /browserout
Found 2 items
-rw-r--r-- 1 root supergroup 0 2018-04-02 22:42 /browserout/_SUCCESS
-rw-r--r-- 1 root supergroup 56 2018-04-02 22:42 /browserout/part-r-00000
[root@localhost ~]# hdfs dfs -text /browserout/part-r-00000
Chrome 2775
Firefox 327
MSIE 78
Safari 115
Unknown 6705
[root@localhost ~]# 使用Hadoop統計日誌數據