spark+kafka+redis統(tǒng)計網(wǎng)站訪問者IP

*目的是為了防采集。需要對網(wǎng)站的日志信息，進行一個實時的IP訪問監(jiān)控。

1、kafka版本是最新的0.10.0.0

2、spark版本是1.61

3、下載對應的spark-streaming-kafka-assembly_2.10-1.6.1.jar放到spark目錄下的lib目錄下

下載地址 https://repo1.maven.org/maven2/org/apache/spark/

4、利用flume將nginx日志寫入到kafka（后續(xù)補充）

5、編寫python腳本，命名為test_spark_collect_ip.py

# coding:utf-8
__author__ = 'chenhuachao'
'''
利用pyspark連接kafka，統(tǒng)計訪問者的IP信息，做出的一個實時的防采集
'''
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import redis
import datetime
from pyspark.streaming.kafka import KafkaUtils
from pyspark.streaming import StreamingContext
from pyspark import SparkConf, SparkContext
def parse(logstring):
    try:
        infodict =  eval(logstring.encode('utf-8'))
        ip =infodict.get('ip')
        assert infodict['tj-event'] == 'onload'
        assert ip
        return (ip)
    except:
        return ()
def insert_redis(rdd):
    '''將符合條件的結(jié)果寫入到redis'''
    conn = redis.Redis(host='redis的IP',port=6380)
    for i,j in rdd.collect():
        print i,j
        if j >=3 and j != "":
            conn.sadd('cheating_ip_set_{0}'.format(datetime.datetime.now().strftime("%Y%m%d")),i)
            conn.expire('cheating_ip_set',86400)
if __name__ == "__main__":
    topic = 'statis-detailinfo-pageevent'
    sc = SparkContext(appName="pyspark_kafka_streaming_chc")
    ssc = StreamingContext(sc,10)
    checkpointDirectory = '/tmp/checkpoint/cp3'
    ssc.checkpoint(checkpointDirectory)
    kvs = KafkaUtils.createDirectStream(ssc,['statis-detailinfo-pageevent'],kafkaParams={"auto.offset.reset": "largest","metadata.broker.list":"kafka-IP:9092,kafka-IP:9092"})
    #kvs.map(lambda line:line[1]).map(lambda x:parse(x)).pprint()
    #這里用到了一個滑動窗口的概念，需要深入了解的可以參考http://www.kancloud.cn/kancloud/spark-programming-guide/51567
    #ipcount = kvs.map(lambda line: line[1]).map(lambda x:parse(x)).map(lambda ip:(ip,1)).reduceByKey(lambda ips,num:ips+num)
    ipcount = kvs.map(lambda line: line[1]).map(lambda x:parse(x)).map(lambda ip:(ip,1)).reduceByKeyAndWindow(lambda ips,num:ips+num,30,10)
    # 預處理，如果需要多次計算則使用緩存
    # 傳入rdd進行循壞，即用于foreachRdd(insertRedis)
    ipcount.foreachRDD(insert_redis)
    # 各節(jié)點的rdd的循壞
    # wordCounts.foreachRDD(lambda rdd: rdd.foreach(sendRecord))
    ssc.start()

6、執(zhí)行命令

bin/spark-submit --jars lib/spark-streaming-kafka-assembly_2.10-1.6.1.jar test_spark_collect_ip.py

7、輸出界面

8、更多信息，請參考spark的官網(wǎng)http://spark.apache.org/docs/latest/api/python/pyspark.streaming.html#module-pyspark.streaming.kafka