使用Hadoop統(tǒng)計日志數(shù)據(jù)

用戶行為日志概述

用戶行為日志：

• 用戶每次訪問網(wǎng)站時所有的行為數(shù)據(jù)
  • 訪問、瀏覽、搜索、點擊...
• 用戶行為軌跡、流量日志（用戶行為日志的其他名稱）

為什么要記錄用戶訪問行為日志：

• 進行網(wǎng)站頁面的訪問量的統(tǒng)計
• 分析網(wǎng)站的黏性
• 訓(xùn)練推薦系統(tǒng)

用戶行為日志生成渠道：

• web服務(wù)器記錄的web訪問日志
• ajax記錄的訪問日志以及其他相關(guān)的日志

用戶行為日志大致內(nèi)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(zhuǎn)的鏈接地址（referer）
• 訪問信息，例如：session_id
• 模塊AppID

用戶行為日志分析的意義：

• 網(wǎng)站的眼睛，能夠看到用戶的主要來源、喜好網(wǎng)站上的哪些內(nèi)容，以及用戶的忠誠度等
• 網(wǎng)站的神經(jīng)，通過分析用戶行為日志，我們能對網(wǎng)站的布局、功能進一步的優(yōu)化，以提高用戶的體驗等
• 網(wǎng)站的大腦，通過分析結(jié)果，進行推廣預(yù)算的劃分，以及重點優(yōu)化用戶群體的傾向點等

離線數(shù)據(jù)處理架構(gòu)

離線數(shù)據(jù)處理流程：

• 數(shù)據(jù)采集
  • 例如可以使用Flume進行數(shù)據(jù)的采集：將web日志寫入到HDFS
• 數(shù)據(jù)清洗
  • 可以使用Spark、Hive、MapReduce等框架進行數(shù)據(jù)的清洗，清洗完之后的數(shù)據(jù)可以存放在HDFS或者Hive、Spark SQL里
• 數(shù)據(jù)處理
  • 按照我們的需求進行相應(yīng)業(yè)務(wù)的統(tǒng)計和分析
• 數(shù)據(jù)處理結(jié)果入庫
  • 結(jié)果可以存放到RDBMS、NoSQL數(shù)據(jù)庫
• 數(shù)據(jù)的可視化展示
  • 通過圖形化展示的方式展現(xiàn)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(tǒng)計網(wǎng)站訪問日志中每個瀏覽器的訪問次數(shù)

日志片段如下：

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 libssh3/1.4.2" "-" - - - 0.000

功能實現(xiàn)之UserAgent解析類測試

首先我們需要根據(jù)日志信息抽取出瀏覽器信息，針對不同的瀏覽器進行統(tǒng)計操作。雖然可以自己實現(xiàn)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后，使用命令行進入到其主目錄下，然后通過maven命令對其進行打包并安裝到本地倉庫里：

$ mvn clean package -DskipTest
$ mvn clean install -DskipTest

安裝完成后，在工程中添加依賴以及插件：

<repositories>
    <repository>
      <id>cloudera</id>
      <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
      <releases>
        <enabled>true</enabled>
      </releases>
      <snapshots>
        <enabled>false</enabled>
      </snapshots>
    </repository>
  </repositories>

  <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <hadoop.version>2.6.0-cdh6.7.0</hadoop.version>
  </properties>

  <dependencies>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-client</artifactId>
      <version>${hadoop.version}</version>
      <scope>provided</scope>
    </dependency>
    <!-- 添加UserAgent解析的依賴 -->
    <dependency>
      <groupId>com.kumkee</groupId>
      <artifactId>UserAgentParser</artifactId>
      <version>0.0.1</version>
    </dependency>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.10</version>
      <scope>test</scope>
    </dependency>
  </dependencies>

  <!-- 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>

然后我們編寫一個測試用例來測試一下這個解析類，因為之前并沒有使用過這個工具，所以對于一個未使用過的工具，要養(yǎng)成在工程中使用之前對其進行測試的好習(xí)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(tǒng)：" + os);
        System.out.println("平臺：" + platform);
        System.out.println("是否是移動設(shè)備：" + isMobile);
    }
}

控制臺輸出結(jié)果如下：

瀏覽器：Chrome
引擎：Webkit
引擎版本：537.36
操作系統(tǒng)：Windows 7
平臺：Windows
是否是移動設(shè)備：false

從打印結(jié)果可以看到，UserAgent的相關(guān)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(tǒng)計

創(chuàng)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(tǒng)計瀏覽器的訪問次數(shù)
 * @author: 01
 * @create: 2018-04-02 14:20
 **/
public class LogApp {

    /**
     * Map: 讀取輸入的文件內(nèi)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 {
            // 接收到的每一行日志信息
            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(jié)果輸出
            context.write(new Text(browser), one);
        }

        protected void cleanup(Context context) throws IOException, InterruptedException {
            userAgentParser = null;
        }
    }

    /**
     * Reduce: 歸并操作
     */
    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(xiàn)的次數(shù)總和
                sum += value.get();
            }
            // 將最終的統(tǒng)計結(jié)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(xiàn)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(yè)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(chuàng)建Job，通過參數(shù)設(shè)置Job的名稱
        Job job = Job.getInstance(configuration, "LogApp");

        // 設(shè)置Job的處理類
        job.setJarByClass(LogApp.class);

        // 設(shè)置作業(yè)處理的輸入路徑
        FileInputFormat.setInputPaths(job, new Path(args[0]));

        // 設(shè)置map相關(guān)參數(shù)
        job.setMapperClass(LogApp.MyMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(LongWritable.class);

        // 設(shè)置reduce相關(guān)參數(shù)
        job.setReducerClass(LogApp.MyReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(LongWritable.class);

        // 設(shè)置作業(yè)處理完成后的輸出路徑
        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(wù)器上：

[root@localhost ~]# rz  # 使用的是Xshell工具，所以直接使用rz命令即可上傳文件
[root@localhost ~]# ls |grep hadoop-train-1.0-jar-with-dependencies.jar   # 查看是否上傳成功
hadoop-train-1.0-jar-with-dependencies.jar
[root@localhost ~]#

把事先準備好的日志文件上傳到HDFS文件系統(tǒng)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(zhí)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(zhí)行成功：

查看處理結(jié)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 ~]#