基於spark和flink的電商資料分析專案

阿新 • • 發佈：2018-12-30

業務需求
業務資料來源
使用者訪問Session分析
頁面單跳轉化率分析
各區域熱門商品統計分析
廣告點選流量實時統計分析

業務需求

使用者訪問session

該模組主要是對使用者訪問session進行統計分析，包括session的聚合指標計算、按時間比例隨機抽取session、獲取每天點選、下單和購買排名前10的品類、並獲取top10品類的點選量排名前10的session。主要使用Spark DataFrame。

頁面單跳轉化率統計

該模組主要是計算關鍵頁面之間的單步跳轉轉化率，涉及到頁面切片演算法以及頁面流匹配演算法。主要使用Spark DataFrame。

熱門商品離線統計

該模組主要實現每天統計出各個區域的top3熱門商品。主要使用Spark DataFrame。

廣告流量實時統計

經過實時黑名單過濾的每天各省各城市廣告點選實時統計、每天各省topn熱門廣告、各廣告近1小時內每分鐘的點選趨勢。主要使用Spark streaming或Flink。

業務資料來源

輸入表

# 使用者表
user_id      使用者的ID
username     使用者的名稱
name         使用者的名字
age          使用者的年齡
professional 使用者的職業
city         使用者所在的城市
sex          使用者的性別

# 商品表
product_id   商品的ID
product_name 商品的名稱
extend_info  商品額外的資訊

# 使用者訪問動作表
date               使用者點選行為的日期
user_id            使用者的ID
session_id         Session的ID
page_id            某個頁面的ID
action_time        點選行為的時間點
search_keyword     使用者搜尋的關鍵詞
click_category_id  某一個商品品類的ID
click_product_id   某一個商品的ID
order_category_ids 一次訂單中所有品類的ID集合
order_product_ids  一次訂單中所有商品的ID集合
pay_category_ids   一次支付中所有品類的ID集合
pay_product_ids    一次支付中所有商品的ID集合
city_id            城市ID

輸出表

# 聚合統計表
taskid                       當前計算批次的ID
session_count                所有Session的總和
visit_length_1s_3s_ratio     1-3sSession訪問時長佔比
visit_length_4s_6s_ratio     4-6sSession訪問時長佔比
visit_length_7s_9s_ratio     7-9sSession訪問時長佔比
visit_length_10s_30s_ratio   10-30sSession訪問時長佔比
visit_length_30s_60s_ratio   30-60sSession訪問時長佔比
visit_length_1m_3m_ratio     1-3mSession訪問時長佔比
visit_length_3m_10m_ratio    3-10mSession訪問時長佔比
visit_length_10m_30m_ratio   10-30mSession訪問時長佔比
visit_length_30m_ratio       30mSession訪問時長佔比
step_length_1_3_ratio        1-3步長佔比
step_length_4_6_ratio        4-6步長佔比
step_length_7_9_ratio        7-9步長佔比
step_length_10_30_ratio      10-30步長佔比
step_length_30_60_ratio      30-60步長佔比
step_length_60_ratio         大於60步長佔比

# 品類Top10表
taskid
categoryid
clickCount
orderCount
payCount

# Top10 Session
taskid
categoryid
sessionid
clickCount

使用者訪問Session分析

Session聚合統計

統計出符合條件的session中，各訪問時長、步長的佔比，並將結果儲存到MySQL中。符合條件的session指搜尋過某些關鍵詞的使用者、訪問時間在某個時間段內的使用者、年齡在某個範圍內的使用者、職業在某個範圍內的使用者、所在某個城市的使用者，所發起的session。

// 原始資料包含“使用者訪問動作表”中的資訊
// 先根據時間範圍篩選“使用者訪問動作表”，然後將它和“UserInfo表”進行inner join，補充用於進一步篩選的資訊：age、professional、city、sex
// 根據searchKeywords、clickCategoryIds和上面4個條件對資料進行篩選，得出所需的session。

// 利用spark sql篩選特定時間段的session
spark.sql("select * from user_visit_action where date>='" + startDate + "' and date<='" + endDate + "'")

// 下面程式碼用於合成SQL語句並用於filter特定型別的session，但有一定的安全隱患，要對輸入的引數進行嚴格的校驗。
val selectClause = new StringBuilder("SELECT * FROM user_visit_action_to_user_info WHERE 1=1 ")
if (ValidUtils.equal(Constants.PARAM_SEX, sex)){
  selectClause append ("AND sex == '" + sex + "'")
}
if (ValidUtils.in(Constants.PARAM_PROFESSIONALS, professionals)){
  selectClause append ("AND professional in (" + professionals + ")")
}
if (ValidUtils.in(Constants.PARAM_CITIES, cities)){
  selectClause append ("AND cities in (" + cities + ")")
}
if (ValidUtils.in(Constants.PARAM_KEYWORDS, keywords)){
  selectClause append ("AND search_keyword in (" + keywords + ")")
}
if (ValidUtils.in(Constants.PARAM_CATEGORY_IDS, categoryIds)){
  selectClause append ("AND click_category_id in (" + categoryIds + ")")
}
if (ValidUtils.between(Constants.FIELD_AGE, startAge, endAge)){
  selectClause append  ("AND age BETWEEN " + startAge + " AND " + endAge)
}
val sqlQuery = selectClause.toString()

// filter完後與“使用者表”建立連線

// 下面進行session聚合計算，結果得到的資訊包括sessionid、search_keyword、click_category_id、stepLength、visitLength、session開始時間start、AGE、PROFESSIONAL、CITY、SEX
val timeFmt = "yyyy-MM-dd HH:mm:ss"
val sessionid2ActionsRDD2 = UserVisitActionDF
  .withColumn("action_time", unix_timestamp($"action_time", timeFmt))
  .groupBy("session_id")
  .agg(min("action_time") as "start",
    max("action_time") as "end",
    count("*") as "stepLength")
  .withColumn("visitLength", $"start" - $"end")
  .withColumn("discrete_VL", discretiseVisitLength)
  .withColumn("discrete_SL", discretiseStepLength)

// 離散化 visitLength 和 stepLength
val discretiseVisitLength = when($"visitLength" >= 1 && $"visitLength" <= 3 , Constants.TIME_PERIOD_1s_3s)
.when($"visitLength" >= 4 && $"visitLength" <= 6 , Constants.TIME_PERIOD_4s_6s)
...
.when($"visitLength" >= 1800, Constants.TIME_PERIOD_30m)

// 統計資訊，獲得每種訪問時長的人數。將下面discrete_VL換成stepLength就是每種步長的人數了
val statisticVisitLength = sessionid2ActionsRDD2.groupBy("discrete_VL").agg(count("discrete_VL")).collect()

Session分層抽樣

根據各時長、步長的比例抽樣

用df.stat.sampleBy("colName", fractions, seed)，其中fractions為Map，是每distinct key和其需要抽取的比例，如("a" -> 0.8)就是從key為a的資料中抽80%條

val fractions = HashMap(
  TIME_PERIOD_1s_3s -> 0.1,
  TIME_PERIOD_4s_6s -> 0.1,
  TIME_PERIOD_7s_9s -> 0.1,
  TIME_PERIOD_10s_30s -> 0.1,
  TIME_PERIOD_30s_60s -> 0.1,
  TIME_PERIOD_1m_3m -> 0.1,
  TIME_PERIOD_3m_10m -> 0.1,
  TIME_PERIOD_10m_30m -> 0.1,
  TIME_PERIOD_30m -> 0.1
)
df.stat.sampleBy("time_period", fractions, 2L)

// 如果time_period未知，用下面方式得出map
df.select("time_period")
  .distinct
  .map(x=> (x, 0.8))
  .collectAsMap

Top10熱門品類

分別計算出各商品的點選數、下單數、支付次數，然後將三個結果進行連線，並排序。排序規則是點選數大的排前面，相同時下單數大的排前面，然後再相同時支付次數大的排前面。

// 分別計算出各商品的點選數、下單數、支付次數，然後將三個結果進行連線，並排序。
val clickCategoryId2CountDF = sessionid2detailDF
  .select("clickCategoryId")
  .na.drop()
  .groupBy("clickCategoryId")
  .agg(count("clickCategoryId"))
  .withColumnRenamed("clickCategoryId", "categoryId")

val orderCategoryId2CountDF = sessionid2detailDF
  .select("order_category_ids")
  .na.drop()
  .withColumn("splitted_order_category_ids", split($"order_category_ids", ","))
  .withColumn("single_order_category_ids", explode($"splitted_order_category_ids"))
  .groupBy("single_order_category_ids")
  .agg(count("single_order_category_ids"))
  .withColumnRenamed("single_order_category_ids", "categoryId")

val payCategoryId2Count = sessionid2detailDF
  .select("pay_category_ids")
  .na.drop()
  .withColumn("splitted_pay_category_ids", split($"pay_category_ids", ","))
  .withColumn("single_pay_category_ids", explode($"splitted_pay_category_ids"))
  .groupBy("single_pay_category_ids")
  .agg(count("single_pay_category_ids"))
  .withColumnRenamed("single_pay_category_ids", "categoryId")

val top10CategoryId = clickCategoryId2CountDF.join(orderCategoryId2CountDF, Seq("categoryId"), "left")
  .join(payCategoryId2Count, Seq("categoryId"), "left")
  .na.fill(0L, Seq(""))
  .map(row => {
    (row.getAs[Int]("categoryId"), 
     row.getAs[Int]("count(clickCategoryId)"), 
     row.getAs[Int]("count(single_order_category_ids)"),
     row.getAs[Int]("count(single_pay_category_ids)"))
  })
  .rdd
  .takeOrdered(10)(ordering)

// 補充
implicit val ordering = new Ordering[(Int, Int, Int, Int)] {
  override def compare(x: (Int, Int, Int, Int), y: (Int, Int, Int, Int)): Int = {
    val compare2 = x._2.compareTo(y._2)
    if (compare2 != 0) return compare2
    val compare3 = x._3.compareTo(y._3)
    if (compare3 != 0) return compare3
    val compare4 = x._4.compareTo(y._4)
    if (compare4 != 0) return compare4
    0
  }
}.reverse

Top10活躍Session

對於top10的品類，每一個都要獲取對它點選次數排名前10的session。下面實現先從所有的session中篩選出與前10熱門品類相關的session，然後根據品類分組，統計出前十的session。

// 把top10CategoryId的名單發到叢集
val top10CategoryIdRDD = spark.sparkContext.parallelize(top10CategoryId.map(_._1)).toDF("top10CategoryId")

// 利用broadcast實現過濾，然後進行分組統計
val top10Category2SessionAndCount =     filteredUserVisitActionDF.join(broadcast(top10CategoryIdRDD), $"click_category_id" ===  $"top10CategoryId")
      .groupBy("top10CategoryId", "sessionId")
      .agg(count("click_category_id") as "count")

// 分組取前10
// windowfunction在這個並不需要shuffle，因為經過前面的shuffle聚合，df已經具有partitioner了，在原節點就可以計算出topn。
val windowSpec = Window.partitionBy("top10CategoryId", "sessionId").orderBy(desc("count"))
val top10SessionWithinTop10Category = top10Category2SessionAndCount.select(expr("*"), rank().over(windowSpec).as("rank"))
      .filter($"rank" <= 10)

頁面單跳轉化率分析

計算關鍵頁面之間的單步跳轉轉化率。方法是先獲取目標頁面，如1，2，3，將它們拼接成1_2, 2_3得出兩個目標轉跳形式。同樣需要在df的資料中產生頁面轉跳。方法是利用windowfunction將資料按sessionid分組，訪問時間升序排序，然後利用concat_ws和window的lag函式實現當前頁面id與前一條資料的頁面id的拼接。叢集資料中產生轉跳資料後，利用filter篩選出之前的目標轉跳形式。最後按這些形式分組統計數量，便得出每種轉跳的數量，將它collect為map。另外還需要計算起始頁1的數量，簡單的filter和count實現。接下來就可以根據這些資料計算轉跳率了。遍歷目標轉跳形式，從map中獲取相應的數量，然後除以起始頁/上一頁的數量，進而得出結果。

// 獲取需要查詢的頁面id，結果如"3,1,4,5,2"
val targetPageFlow = ParamUtils.getParam(taskParam, Constants.PARAM_TARGET_PAGE_FLOW)
// 對需要查詢的頁面id進行分割，結果如Array("3","1","4","5","2")
val targetPages = targetPageFlow.split(",")

// 構建目標轉跳頁面id，結果如Array(3_1,1_4,4_5,5_2）
val targetPagePairs = targetPages
  .zip(targetPages.tail)
  .map(item => item._1 + "_" + item._2)
val targetPageFlowBroadcast = spark.sparkContext.broadcast(targetPagePairs)

// 設定將要用到的時間格式和window函式
val timeFmt = "yyyy-MM-dd HH:mm:ss"
val windowSpec = Window
  .partitionBy("session_id")
  .orderBy($"action_time")
val pagesPairFun = concat_ws("_", col("page_id"), lag("page_id", -1).over(windowSpec))

// 計算各目標轉跳id的數量
val pageSplitPvMap = df.na.drop(Seq("session_id"))
  .withColumn("action_time", to_timestamp($"action_time", timeFmt))
  .withColumn("pagePairs", pagesPairFun)
  // 下面filter方式，條件少時可行，多時用broadcast jion
  .filter($"pagePairs" isin (targetPageFlowBroadcast.value: _*))
  .groupBy("pagePairs")
  .agg(count("pagePairs"))
  .as[(String, Long)]
  .collect().toMap

// 計算起始頁面的點選數
val startPage = targetPages(0)
val startPagePv = df.filter($"page_id" === startPage).count().toDouble
var lastPageSplitPv = startPagePv

// 儲存結果的map
val convertRateMap = new mutable.HashMap[String, Double]()

for(targetPage <- targetPagePairs){
  val targetPageSplitPv = pageSplitPvMap(targetPage).toDouble
  val convertRate = "%.2f".format(targetPageSplitPv / lastPageSplitPv).toDouble
  convertRateMap.put(targetPage, convertRate)
  lastPageSplitPv = targetPageSplitPv
}

各區域熱門商品統計分析

原資料沒有地區列和城市列（有城市id），所以先廣播一個地區城市表，然後根據城市id進行join。之後按照地區和商品分組進行計數。最後利用windowfunction取各地區topn。

val cityInfo = Array((0L, "北京", "華北"), (1L, "上海", "華東"),
  (2L, "南京", "華東"), (3L, "廣州", "華南"),
  (4L, "三亞", "華南"), (5L, "武漢", "華中"),
  (6L, "長沙", "華中"), (7L, "西安", "西北"),
  (8L, "成都", "西南"), (9L, "哈爾濱", "東北"))

// Row(city_id, city_name, area)
val cityInfoDF = spark.sparkContext.makeRDD(cityInfo).toDF("city_id", "city_name", "area")

// 提取 cityid 和 productid
val cityid2clickActionDF = df.select("city_id", "product_id")
  .na.drop(Seq("product_id"))
  .filter($"product_id" =!= -1L)

// (cityid, cityName, area, productid)
val area_product_clickCount_cityListDF = cityid2clickActionDF.join(broadcast(cityInfoDF), Seq("city_id"), "inner")
  .withColumn("cityId_cityName", concat_ws(":", $"city_id", $"city_name"))
  .groupBy($"area", $"product_id")
  .agg(count("*") as "click_count", collect_set("cityId_cityName") as "city_list")


// 和top10熱門session類似，利用window求topn
val windowSpec = Window
  .partitionBy("area", "product_id")
  .orderBy($"click_count".desc)

// 每個地區前三熱門商品
val areaTop3ProductDF = area_product_clickCount_cityListDF.withColumn("rank", $"click_count".over(windowSpec))
  .filter($"rank" <= 3)


// productInfo表(對json的操作)
val productInfoDF = df.select("product_id", "product_name", "extend_info")
    .withColumn("product_status", get_json_object($"extend_info", "$.product_status"))
    .withColumn("product_status", when($"product_status" === 0, "Self").otherwise("Third Party"))
    .drop("extend_info")

// 補充資訊
val areaTop3ProducFullInfoDF = areaTop3ProductDF.join(productInfoDF, Seq("product_id"), "inner")

廣告點選流量實時統計分析

經過實時黑名單過濾的每天各省各城市廣告點選實時統計、每天各省topn熱門廣告、各廣告近1小時內每分鐘的點選趨勢。這部分原始碼採用Spark Streaming實現，我將之改為基於Flink的實現。下面會首先介紹Spark Streaming的實現，然後到Flink。

流式資料的格式為：
timestamp   1450702800
province    Jiangsu 
city    Nanjing
userid  100001
adid    100001

總體流程

建立流，利用預先廣播的黑名單過濾資訊，然後利用過濾後的資訊更新黑名單、計算廣告點選流量、統計每天每個省份top3熱門廣告、統計一個小時視窗內每分鐘各廣告的點選量。

// 構建Spark上下文
val sparkConf = new SparkConf().setAppName("streamingRecommendingSystem").setMaster("local[*]")

// 建立Spark客戶端
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
val sc = spark.sparkContext
val ssc = new StreamingContext(sc, Seconds(5))

// 設定檢查點目錄
ssc.checkpoint("./streaming_checkpoint")

// --- 此處省略Kafka配置 --- //

// 建立DStream
val adRealTimeLogDStream = KafkaUtils.createDirectStream[String,String](...)

var adRealTimeValueDStream = adRealTimeLogDStream.map(_.value)

// 用於Kafka Stream的執行緒非安全問題，重新分割槽切斷血統
adRealTimeValueDStream = adRealTimeValueDStream.repartition(400)
// 根據動態黑名單過濾資料。利用findAll來查詢MySQL中所有的黑名單使用者，然後通過join實現過濾。
val filteredAdRealTimeLogDStream = filterByBlacklist(spark, adRealTimeValueDStream)

// 業務功能一：生成動態黑名單
generateDynamicBlacklist(filteredAdRealTimeLogDStream)

// 業務功能二：計算廣告點選流量實時統計結果（yyyyMMdd_province_city_adid,clickCount）
val adRealTimeStatDStream = calculateRealTimeStat(filteredAdRealTimeLogDStream)

// 業務功能三：實時統計每天每個省份top3熱門廣告
calculateProvinceTop3Ad(spark, adRealTimeStatDStream)

// 業務功能四：實時統計每天每個廣告在最近1小時的滑動視窗內的點選趨勢（每分鐘的點選量）
calculateAdClickCountByWindow(adRealTimeValueDStream)

ssc.start()
ssc.awaitTermination()

實時黑名單

實現實時的動態黑名單機制：將每天對某個廣告點選超過100次的使用者拉黑。提取出日期（yyyyMMdd）、userid、adid，然後reduceByKey統計這一批資料的結果，並批量插入MySQL。然後過濾出新的黑名單使用者，實現為從MySQL中查詢每條資料的使用者是否對某條廣告的點選超過100次，即成為了新的黑名單使用者，找到後進行distinct操作得出新增黑名單使用者，並更新到MySQL。

// 從 adRealTimeValueDStream 中提取出下面三個值並構建(key, 1L)
val key = datekey + "_" + userid + "_" + adid
// 然後 reduceByKey(_ + _)， 得到這batch每天每個使用者對每個廣告的點選量
dailyUserAdClickCountDStream.foreachRDD{ rdd =>
      rdd.foreachPartition{ items =>
// items 是 Iterator(key, count)，提取key的值，構成(date,  userid, adid, clickCount)，批量寫入mysql
      ... }}
// 之後filter，每條資料到 mysql 查詢更新後的(date, userid, adid)的count是否大於100，表示當天某使用者對某個廣告是否點選超過100次，如果是就true（留下）最後得出新黑名單blacklistDStream。去重後直接批量插入mysql
blacklistDStream.transform(_.distinct())

廣告點選實時統計

每天各省各城市各廣告的點選流量實時統計。分組，key為日期+省份+城市+廣告id，利用updateStateByKey實現累加。新的統計結果更新到MySQL。

// 執行updateStateByKey運算元
// spark streaming特有的一種運算元，在spark叢集記憶體中，維護一份key的全域性狀態
// 和黑名單一樣，先從string中提取出資訊並構建key
val aggregatedDStream = dailyUserAdClickDStream.updateStateByKey[Long]{ (values:Seq[Long], old:Option[Long]) =>
  var clickCount = 0L

  // 如果說，之前是存在這個狀態的，那麼就以之前的狀態作為起點，進行值的累加
  if(old.isDefined) {
    clickCount = old.get
  }

  // values代表了，batch rdd中，每個key對應的所有的值
  for(value <- values) {
    clickCount += value
  }

  Some(clickCount)
}
// 然後和黑名單中一樣，批量更新到mysql

統計每天各省top3熱門廣告

利用上一步得到的結果，即key為日期+省份+城市+廣告id，value為累積點選量，進行統計及分組topn。reduceByKey + windowfunction

統計各廣告最近1小時內的點選量趨勢：各廣告最近1小時內各分鐘的點選量

同樣在累積資料的基礎上操作，提取出時間，然後利用固定視窗實現需求。

// 從原始流（未去除黑名單的資料）中提取出timeMinute、adid兩個值進行聚合統計
pairDStream.reduceByKeyAndWindow((a: Long, b: Long) => a + b, Minutes(60L), Seconds(10L))
// 下面 items 就是 Iterator(timeMinute_adid, count)
aggrRDD.foreachRDD { rdd =>
      rdd.foreachPartition { items => ...}}
// 從key中提取出date、hour和minute寫入mysql

Flink實現

// 模組結構
├── Launcher.scala 啟動類
├── bean
│   └── AdLog.scala 三個case class
├── constant
│   └── Constant.scala 定義了一些定值字串
├── function 處理函式，下面介紹。
│   ├── AccProvClick.scala
│   ├── BetterGenerateTopK.scala
│   └── FilterBlackListUser.scala
└── schema
    └── AdLogDeserializationSchema.scala 用於反序列化Kafka資訊

Launcher類

val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment

// kafka配置
val consumerProps = new Properties()
consumerProps.setProperty(KEY_BOOTSTRAP_SERVERS, args(0))
consumerProps.setProperty(KEY_GROUP_ID, args(1))

// kafka消費者
val consumer = new FlinkKafkaConsumer010(
  args(2),
  new AdLogDeserializationSchema(),
  consumerProps
)

// 設定資料來源
val adLogStream = env.addSource(consumer)

// 對點選某一廣告多於100的使用者進行截流，從而一次性完成黑名單過濾和黑名單更新。
val withSideOutput = adLogStream
  .keyBy(adLog => (adLog.userid, adLog.adid))
  .process(new FilterBlackListUser)

// （可選）新增的黑名單流。此處只輸出到控制檯，有需要可以輸出到其他埠。
withSideOutput.getSideOutput(realTimeBlackList)
  .print()
// 在main函式外新增下面程式碼才能取得sideoutput
// val realTimeBlackList: OutputTag[String] =
//    new OutputTag[String]("black_list")

// 實時統計廣告點選量最多的前K個省份。同樣此處只輸出到控制檯，有需要可以輸出到其他埠。
withSideOutput
  .keyBy(_.province)
  // 按province進行分組累加的stateful操作
  .process(new AccProvClick) // 這裡也可以輸出到資料庫或者kafka等，從而對這些聚合好的資料進行不同需求的分析
  .keyBy(_.dummyKey)
  .process(new BetterGenerateTopK(10))
  .print()

env.execute("TopK_Province")

AdLog類

廣告日誌類以及處理過程產生的一些新case class

// 從kafka獲取並實現反序列化後的資料
case class AdLog(userid: Int, adid: Int, province: String, city: String, timestamp: Long)
// 經過FilterBlackListUser處理後得到的資料，如果需要對adid、city都進行分組，也可以在這裡加屬性
case class ProvinceWithCount(province: String, count: Int, dummyKey: Int)

Schema類

class AdLogDeserializationSchema extends DeserializationSchema[AdLog]{

  override def deserialize(bytes: Array[Byte]): AdLog = {
    val json = parse(new String(bytes))
    implicit val formats = DefaultFormats
    json.extract[AdLog]
  }

  // 可以根據接收的AdLog來判斷是否需要結束這個資料流。如果不需要這個功能就直接返回false。
  override def isEndOfStream(t: AdLog): Boolean = false

  // 告訴Flink經過反序列化後得到什麼類
  override def getProducedType: TypeInformation[AdLog] = TypeInformation.of(AdLog.getClass.asInstanceOf[Class[AdLog]])
}

FilterBlackListUser類

class FilterBlackListUser extends KeyedProcessFunction[(Int, Int), AdLog, ProvinceWithCount] {

  // 儲存當前userId-adId鍵值的廣告點選量
  var countState: ValueState[Int] = _
  // 標記當前userId-adId鍵值是否第一次進入黑名單的flag
  var firstSent: ValueState[Boolean] = _
  // 記錄當前userId-adId鍵值state的生成時間
  var resetTime: ValueState[Long] = _

  // 初始化key state
  override def open(parameters: Configuration): Unit = {

    val countDescriptor = new ValueStateDescriptor[Int]("count", classOf[Int])
    countState = getRuntimeContext
      .getState[Int](countDescriptor)

    val firstSeenDescriptor = new ValueStateDescriptor[Boolean]("firstSent", classOf[Boolean])
    firstSent = getRuntimeContext
      .getState[Boolean](firstSeenDescriptor)

    val resetTimeDescriptor = new ValueStateDescriptor[Long]("resetTime", classOf[Long])
    resetTime = getRuntimeContext
      .getState[Long](resetTimeDescriptor)

  }

  override def processElement(value: AdLog,
                              ctx: KeyedProcessFunction[(Int, Int), AdLog, ProvinceWithCount]#Context,
                              out: Collector[ProvinceWithCount]): Unit = {
    val curCount = countState.value()
    // 第一次處理登記timer，24：00清除state
    if (curCount == 0) {
      val time = (ctx.timerService().currentProcessingTime() / 86400000 + 1) * 86400000
      resetTime.update(time)
      ctx.timerService().registerProcessingTimeTimer(time)
    }

    // 加入黑名單，並在side output輸出，但只輸出一次
    if (curCount >= 100) {
      // 預設初始為false
      if (!firstSent.value()) {
        firstSent.update(true)
        ctx.output(Launcher.realTimeBlackList, value.userid.toString)
      }
      return
    }
    // 點選次數+1
    countState.update(curCount + 1)
    out.collect(ProvinceWithCount(value.province, 1,1))
  }

  // 到達預定時間時清除state
  override def onTimer(timestamp: Long,
                       ctx: KeyedProcessFunction[(Int, Int), AdLog, ProvinceWithCount]#OnTimerContext,
                       out: Collector[ProvinceWithCount]): Unit = {
    if (timestamp == resetTime.value()) {
      firstSent.clear()
      countState.clear()
    }
  }
}

AccProvClick類

程式碼形式和上面的類幾乎一樣

class AccProvClick extends KeyedProcessFunction[String, ProvinceWithCount, ProvinceWithCount] {

  // 儲存當前province鍵值的廣告點選量
  var countState: ValueState[Int] = _
  var resetTime: ValueState[Long] = _

  override def open //和上面類似

  override def processElement(value: ProvinceWithCount,
                              ctx: KeyedProcessFunction[String, ProvinceWithCount, ProvinceWithCount]#Context,
                              out: Collector[ProvinceWithCount]): Unit = {
    // 和上面類似，如果countState值為0，先設定timer
    val curCount = countState.value() + 1
    countState.update(curCount)
    out.collect(ProvinceWithCount(value.province, curCount, 1))
  }

  override def onTimer // 和上面類似
}

BetterGenerateTopK類

class BetterGenerateTopK(n: Int) extends KeyedProcessFunction[Int, ProvinceWithCount, String] {

  // 儲存各省的廣告點選量
  var prov2clickTable : MapState[String, Int] = _

  var resetTime: ValueState[Long] = _

  // 每積累到100條更新就傳送一次排名結果
  var sendFlag : Int = 0

  override def open(parameters: Configuration): Unit = {
    val prov2clickDescriptor = new MapStateDescriptor[String, Int]("statistic", classOf[String], classOf[Int])
    prov2clickTable = getRuntimeContext
      .getMapState[String, Int](prov2clickDescriptor)

    val resetTimeDescriptor = // 上面類似
  }
  override def processElement(value: ProvinceWithCount,
                              ctx: KeyedProcessFunction[Int, ProvinceWithCount, String]#Context,
                              out: Collector[String]): Unit = {

    if (!prov2clickTable.iterator().hasNext) {
      val time = (ctx.timerService().currentProcessingTime() / 86400000 + 1) * 86400000
      resetTime.update(time)
      ctx.timerService().registerProcessingTimeTimer(time)
    }

    prov2clickTable.put(value.province, value.count)

    sendFlag += 1
    if (sendFlag % 100 == 0){
      sendFlag = 0
      val res = new StringBuilder
      prov2clickTable.iterator()
        .asScala
        .toArray
        .sortBy(_.getValue)
        .takeRight(n)
        .foreach(x => res.append(x.getKey + x.getValue))
      out.collect(res.toString())
    }
  }

  override def onTimer // 和上面類似
}