場景分析

使用者行為分析應用的場景很多，像線上網站訪問統計，線下客流分析（比如影象人臉識別、wifi探針等），比較核心的指標有幾個：

PV | UV | SD | SC

指標說明：

PV（Page View）：網站瀏覽量或者商場門店的訪問量
UV（Unique Visitor）：獨立訪客數，即去重後的人數
SD（Session Duration）：單次會話停留時間
SC（Session Count）：會話次數

使用者行為分析的原始資料通常是一系列時間離散資料，比如網站訪問記錄：使用者在一個時間點訪問了一個網頁，然後又在下個時間點訪問了下個網頁；

這些原始資料可以抽象為：

User | Timestamp | Target

即使用者在什麼時間點訪問了什麼目標；

統計PV、UV比較簡單，但是在時間離散資料的基礎上，要計算SD、SC這兩個指標，常用的方式是設定過期時間閾值，如果使用者兩次訪問的時間間隔超過閾值，則認為是兩次Session；然後在一次Session的所有資料中取時間最早和最晚的資料來統計本次Session Duration；

統計示例

輸入資料

(user1, 2018-12-01 01:00:00, t1)
(user1, 2018-12-01 01:01:30, t1)
(user1, 2018-12-01 01:06:00, t1)
(user1, 2018-12-01 01:20:00, t1)
(user1, 2018-12-01 01:24:00, t1)

可以統計出

PV=5，UV=1

過期時間閾值設定為5分鐘，以上資料應該統計出來2次Session，分別是：

Session1： (2018-12-01 01:00:00 到 2018-12-01 01:06:00)，Duration：6分鐘
Session2： (2018-12-01 01:20:00 到 2018-12-01 01:24:00)，Duration：4分鐘

實際處理時還要資料亂序的問題，尤其是在實時計算中，你想好怎樣做了嗎？

Scala程式碼實現

下面給出scala實現，來見證scala的強大：

scala核心程式碼（一步foldLeft）

scala

  val expireInSecond = 300
  def mergeTimeArray(arr1 : ArrayBuffer[(Long, Long)], arr2 : ArrayBuffer[(Long, Long)]) : ArrayBuffer[(Long, Long)] 
 
= {
    if (arr1.head._1.equals(0l)) arr2
    else if (arr2.head._1.equals(0l)) arr1
    else (arr1 ++ arr2).sortBy(_._1).foldLeft(ArrayBuffer[(Long, Long)]())((result, item) => if (!result.isEmpty && result.last._2 + expireInSecond >= item._1) {result.update(result.length - 1, (result.last._1, math.max(result.last._2, item._2))); result} else result += item)
  }

spark核心程式碼（2步map 1步aggregateByKey）

scala

  /**
    * @param data (user, timestamp, target)
    * @return (user, target, session_count, session_duration)
    */
  def process(data : RDD[(String, Long, String)]) : RDD[(String, String, Integer, Double)] = {
    //((user, target), timestamp)
    data.map(item => ((item._1, item._3), item._2))
      //((user, target), Array[(startTime, endTime)])
      .aggregateByKey(ArrayBuffer((0l, 0l)))((result : ArrayBuffer[(Long, Long)], timestamp: Long) => mergeTimeArray(result, ArrayBuffer((timestamp, timestamp))), (result1 : ArrayBuffer[(Long, Long)], result2 : ArrayBuffer[(Long, Long)]) => mergeTimeArray(result1, result2))
      //(user, target, session_count, session_duration)
      .map(item => (item._1._1, item._1._2, item._2.length, item._2.foldLeft(0l)((result, item) => result + (item._2 - item._1)).toDouble / item._2.length))
  }

測試執行

  def main(args : Array[String]) : Unit = {
    val conf = new SparkConf().setAppName("UserAnalysis").setMaster("local[2]")
    val sc = new SparkContext(conf)
    val arr = Array(("user1", 1546054000l, "t1"), ("user1", 1546054090l, "t1"), ("user1", 1546054360l, "t1"), ("user1", 1546055200l, "t1"), ("user1", 1546055440l, "t1"))
    //(user, timestamp, target)
    val data : RDD[(String, Long, String)] = sc.parallelize(arr)
    this.process(data).foreach(println)
  }

輸出

(user1,t1,2,300.0)