高可用Hadoop平臺-實戰

哥不是小蘿莉發表於2015-04-01

1.概述

  今天繼續《高可用的Hadoop平臺》系列,今天開始進行小規模的實戰下,前面的準備工作完成後,基本用於統計資料的平臺都擁有了,關於匯出統計結果的文章留到後面贅述。今天要和大家分享的案例是一個基於電商網站的使用者行為分析,這裡分析的指標包含以下指標:

  • 統計每日PV
  • 每日註冊使用者
  • 每日IP
  • 跳出使用者

  其他指標可以參考上述4個指標進行擴充,下面我們開始今天的分析之旅。

2.流程

  首先,在開發之前我們需要注意哪些問題?我們不能盲目的按照自己的意願去開發專案,這樣到頭來得不到產品的認可,我們的工作又得返工。下面結合自身的工作,說說開發的具體流程:

  1. 需求產生過程及遇到問題和注意事項
  2. 產品組提出:報表需求+日誌規範
  3. 報表研發流程(資料處理流程):網路日誌(一般有專門的節點來儲存日誌)=>pull(拉取日誌)=>本地儲存(資料組可操作的伺服器節點)=>預處理(清洗或過濾,存入到hive表)=>HDFS檔案系統資料儲存(統計的結果都存放在HDFS檔案系統中)=>匯出(將統計結構匯出)=>Mysql資料庫儲存(或其他資料庫,供前端人員展示)

  在日誌拉取過程,所欲問題和注意事項:如果日誌量不大,我們可以直接使用python指令碼或shell指令碼直接將日誌上傳到HDFS,若是海量資料,那我們可以使用 flume 進行上傳。具體選擇那種上傳方式取決於實際的業務,可按需選擇。

  注:若使用指令碼上傳,需考慮指令碼的可讀性和可維護性。

  在日誌預處理過程中需要注意事項:對欄位進行翻譯,反編譯,解析等操作,以確儲存入到 hive 表的是有效的有用的資訊。

  另外,在實際開發中,得和產品充分溝通過後,我們在開工;不然,到最後會引發一些不必要得麻煩。

  開發流程圖和之前介紹《網站日誌統計案例分析與實現》得流程圖類似,這裡直接拿過來使用,如下圖所示:

3.開發

  開發流程我們清楚來,需要統計得指標任務也明確了,接下來,我們開始進行編碼階段。首先,這裡我贅述得是安裝流程圖得過程來的,若是在實際開發過程中,可根據實際情況來定,可以先獨立的開發後面的模組,預留介面功能。不作限制,按需開發。

3.1上傳日誌

  這裡由於我本地只能連線到測試的叢集上,而叢集拉取的測試資料量很少,這裡我就直接用 shell 指令碼上傳了。內容如下所示:

#! /bin/bash
# get date param yesterday=$1

hadoop dfs -put /hdfs/logs/day/$1 /hdfs/logs/day/

  然後上傳指令碼使用 crontab 來定時排程。

3.2清洗日誌

  我們在確定 HDFS 存有資料後,對上傳的日誌進行清洗(或過濾),抽起對統計指標有用的資料來源,並將資料來源重定向到 HDFS 目錄。,下面給出部分清洗程式碼,內容如下:

Map類:

/**
 * 
 */
package cn.hdfs.mapreducer;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import cn.jpush.hdfs.utils.LogParserFactory;

/**
 * @author dengjie
 * @date 2015年4月1日
 * @description TODO
 */
public class LogMapper extends Mapper<LongWritable, Text, LongWritable, Text> {

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
    final String[] parsed = LogParserFactory.parse(value.toString());

    // 過濾掉靜態資訊
    if (parsed[2].startsWith("GET /static/") || parsed[2].startsWith("GET /uc_server")) {
        return;
    }

    // 過掉開頭的特定格式字串
    if (parsed[2].startsWith("GET /")) {
        parsed[2] = parsed[2].substring("GET /".length());
    } else if (parsed[2].startsWith("POST /")) {
        parsed[2] = parsed[2].substring("POST /".length());
    }

    // 過濾結尾的特定格式字串
    if (parsed[2].endsWith(" HTTP/1.1")) {
        parsed[2] = parsed[2].substring(0, parsed[2].length() - " HTTP/1.1".length());
    }

    String str = "";
    for (int i = 0; i < parsed.length; i++) {
        if (i == (parsed.length - 1)) {
        str += parsed[i];
        } else {
        str += parsed[i] + ",";
        }
    }

    context.write(key, new Text(str));
    }

}

Reduce類:

/**
 * 
 */
package cn.hdfs.mapreducer;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

/**
 * @author dengjie
 * @date 2015年4月1日
 * @description TODO
 */
public class LogReducer extends Reducer<LongWritable, Text, Text, NullWritable> {

    @Override
    protected void reduce(LongWritable key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
    for (Text v : values) {
        context.write(v, NullWritable.get());
    }
    }

}

LogParserFactory類:

/**
 * 
 */
package cn.hdfs.utils;

import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.Locale;

/**
 * @author dengjie
 * @date 2015年4月1日
 * @description TODO
 */
public class LogParserFactory {
    public static final SimpleDateFormat FORMAT = new SimpleDateFormat("d/MMM/yyyy:HH:mm:ss", Locale.ENGLISH);
    public static final SimpleDateFormat dateformat = new SimpleDateFormat("yyyyMMddHHmmss");

    /**
     * 解析英文時間字串
     * 
     * @param string
     * @return
     * @throws ParseException
     */
    private static Date parseDateFormat(String string) {
    Date parse = null;
    try {
        parse = FORMAT.parse(string);
    } catch (Exception e) {
        e.printStackTrace();
    }
    return parse;
    }

    /**
     * 解析日誌的行記錄
     * 
     * @param line
     * @return 陣列含有5個元素,分別是ip、時間、url、狀態、流量
     */
    public static String[] parse(String line) {
    String ip = parseIP(line);
    String time = parseTime(line);
    String url = parseURL(line);
    String status = parseStatus(line);
    String traffic = parseTraffic(line);

    return new String[] { ip, time, url, status, traffic };
    }

    private static String parseTraffic(String line) {
    final String trim = line.substring(line.lastIndexOf("\"") + 1).trim();
    String traffic = trim.split(" ")[1];
    return traffic;
    }

    private static String parseStatus(String line) {
    final String trim = line.substring(line.lastIndexOf("\"") + 1).trim();
    String status = trim.split(" ")[0];
    return status;
    }

    private static String parseURL(String line) {
    final int first = line.indexOf("\"");
    final int last = line.lastIndexOf("\"");
    String url = line.substring(first + 1, last);
    return url;
    }

    private static String parseTime(String line) {
    final int first = line.indexOf("[");
    final int last = line.indexOf("+0800]");
    String time = line.substring(first + 1, last).trim();
    Date date = parseDateFormat(time);
    return dateformat.format(date);
    }

    private static String parseIP(String line) {
    String ip = line.split("- -")[0].trim();
    return ip;
    }
}

Main函式:

/**
 * 
 */
package cn.hdfs.main;

import java.text.SimpleDateFormat;
import java.util.Date;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import cn.jpush.hdfs.mapreducer.LogMapper;
import cn.jpush.hdfs.mapreducer.LogReducer;
import cn.jpush.hdfs.utils.ConfigUtils;

/**
 * @author dengjie
 * @date 2015年4月1日
 * @description 將清洗後的日誌重新存放指定的hdfs上
 */
public class LogCleanMR extends Configured implements Tool {

    @SuppressWarnings("deprecation")
    public int run(String[] args) throws Exception {

    Configuration conf = new Configuration();
    conf.set("fs.defaultFS", "hdfs://cluster1");
    conf.set("dfs.nameservices", "cluster1");
    conf.set("dfs.ha.namenodes.cluster1", "nna,nns");
    conf.set("dfs.namenode.rpc-address.cluster1.nna", "10.211.55.26:9000");
    conf.set("dfs.namenode.rpc-address.cluster1.nns", "10.211.55.27:9000");
    conf.set("dfs.client.failover.proxy.provider.cluster1", "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider");

    final Job job = new Job(conf, LogCleanMR.class.getSimpleName());
    job.setJarByClass(LogCleanMR.class);
    job.setMapperClass(LogMapper.class);
    job.setMapOutputKeyClass(LongWritable.class);
    job.setMapOutputValueClass(Text.class);
    job.setReducerClass(LogReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(NullWritable.class);
    FileInputFormat.setInputPaths(job, args[0]);
    FileOutputFormat.setOutputPath(job, new Path(args[1]));
    int status = job.waitForCompletion(true) ? 0 : 1;
    return status;
    }

    public static void main(String[] args) throws Exception {
    SimpleDateFormat sdf = new SimpleDateFormat("yyyy_MM_dd");
    args = new String[] { ConfigUtils.HDFS.LOGDFS_PATH, String.format("/hdfs/logs/redirect/day/%s", sdf.format(new Date())) };
    int res = ToolRunner.run(new Configuration(), new LogCleanMR(), args);
    System.exit(res);
    }

}

  清洗工作到這裡就已經完成了,下面開始統計指標任務的開發。

3.3統計指標

  在這裡,由於 Java API 程式碼設計到實際的業務邏輯,我就直接使用 Hive SQL 來演示了統計結果了,若干有同學需要使用 Java API 來開發 Hive 應用,可參考《高可用Hadoop平臺-整合Hive HAProxy》這篇部落格,裡面有講到如何使用 Java API 來操作 Hive。下面我們使用 Hive SQL 來進行統計。內容如下:

建表:

CREATE EXTERNAL TABLE portal(ip string, atime string, url string,status int,traffic int)PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LOCATION '/hdfs/logdfs/portal'

建立分割槽:

ALTER TABLE portal ADD PARTITION(logdate='2015_01_02') 

載入資料:

LOCATION '/hdfs/logdfs/portal/2015_01_02'

  注:LOCATION 關鍵字後面的路徑是指定清洗後的的hdfs路徑

  下面建立臨時統計表,各表如下所示:

建立每日PV表: 

CREATE TABLE pv_2015_01_02 AS SELECT COUNT(1) AS PV FROM logdfs WHERE logdate='2015_01_02';

建立註冊使用者表:

CREATE TABLE register_2015_01_02 AS SELECT COUNT(1) AS REGUSER FROM logdfs WHERE logdate='2015_01_02' AND INSTR(url,'signup')>0;

建立IP表:

CREATE TABLE ip_2015_01_02 AS SELECT COUNT(1) AS IP FROM (SELECT DISTINCT ip from logdfs WHERE logdate='2015_01_02') tmp

建立跳出使用者表:

CREATE TABLE jumper_2015_01_02 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM logdfs WHERE logdate='2015_01_02' GROUP BY ip HAVING times=1) e;

  最後我們將所有的結果彙總到一張 Hive 表,命令如下所示:

CREATE TABLE logdfs_2015_01_02 ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' AS SELECT '2015_01_02', a.pv, b.reguser, c.ip, d.jumper FROM pv_2015_01_02 a JOIN reguser_2015_01_02 b ON 1=1 JOIN ip_2015_01_02 c ON 1=1 JOIN jumper_2015_01_02 d ON 1=1 ;

  關於 JOIN ... ON 用法不熟悉的同學,可以參考《Hive基本操作》這篇文章。

4.總結

  這樣,我們對使用 Hive 基於 HDFS 平臺進行資料分析統計的流程就完成了,這裡也許會發現一個問題,操作 Hive SQL 命令出錯率是很高的,後面帶我將業務從 Java API 分離出來後,我會將操作 Hive 的 Java API 貼在這篇部落格的後面。至於如何將統計的結果匯出,後面會花一篇部落格來贅述匯出的流程。

5.結束語

  這篇部落格就和大家分享到這裡,如果實際研究過程中有什麼疑問,可以加群進行討論或傳送郵件給我,我會盡我所能為您解答,與君共勉!

相關文章