首页 首页 大数据 大数据入门 查看内容

采集→清洗→处理:基于MapReduce的离线数据分析

木马童年 2018-10-11 18:40 12 0

一、大数据处理的常用方法 大数据处理目前比较流行的是两种方法,一种是离线处理,一种是在线处理,基本处理架构如下: 在互联网应用中,不管是哪一种处理方式,其基本的数据来源都是日志数据,例如对于Web应用 ...

一、大数据处理的常用方法

大数据处理目前比较流行的是两种方法,一种是离线处理,一种是在线处理,基本处理架构如下:

在互联网应用中,不管是哪一种处理方式,其基本的数据来源都是日志数据,例如对于Web应用来说,则可能是用户的访问日志、用户的点击日志等。

如果对于数据的分析结果在时间上有比较严格的要求,则可以采用在线处理的方式来对数据进行分析,如使用Spark、Storm等进行处理。比较贴切的一个例子是天猫双十一的成交额,在其展板上,我们看到交易额是实时动态进行更新的,对于这种情况,则需要采用在线处理。

当然,如果只是希望得到数据的分析结果,对处理的时间要求不严格,就可以采用离线处理的方式,比如我们可以先将日志数据采集到HDFS中,之后再进一步使用MapReduce、Hive等来对数据进行分析,这也是可行的。

本文主要分享对某个电商网站产生的用户访问日志(access.log)进行离线处理与分析的过程,基于MapReduce的处理方式,最后会统计出某一天不同省份访问该网站的UV与PV。

二、生产场景与需求

在我们的场景中,Web应用的部署是如下的架构:

即比较典型的Nginx负载均衡+KeepAlive高可用集群架构,在每台Web服务器上,都会产生用户的访问日志,业务需求方给出的日志格式如下:

其每个字段的说明如下:

appid ip mid userid login_type request status http_referer user_agent time

其中:

appid包括:web:1000,android:1001,ios:1002,ipad:1003

mid:唯一的id此id第一次会种在浏览器的cookie里。如果存在则不再种。作为浏览器唯一标示。移动端或者pad直接取机器码。

login_type:登录状态,0未登录、1:登录用户

request:类似于此种 "GET /userList HTTP/1.1"

status:请求的状态主要有:200ok、404not found、408Request Timeout、500Internal Server Error、504Gateway Timeout等

http_referer:请求该url的上一个url地址。

user_agent:浏览器的信息,例如:"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36"

time:时间的long格式:1451451433818。

根据给定的时间范围内的日志数据,现在业务方有统计出每个省每日访问的PV、UV的需求。

三、数据采集:获取原生数据

数据采集工作由运维人员来完成,对于用户访问日志的采集,使用的是Flume,并且会将采集的数据保存到HDFS中,其架构如下:

可以看到,不同的Web Server上都会部署一个Agent用于该Server上日志数据的采集,之后,不同Web Server的Flume Agent采集的日志数据会下沉到另外一个被称为Flume Consolidation Agent(聚合Agent)的Flume Agent上,该Flume Agent的数据落地方式为输出到HDFS。

在我们的HDFS中,可以查看到其采集的日志:

后面我们的工作正是要基于Flume采集到HDFS中的数据做离线处理与分析。

四、数据清洗:将不规整数据转化为规整数据

1
数据清洗目的

刚刚采集到HDFS中的原生数据,我们也称为不规整数据,即目前来说,该数据的格式还无法满足我们对数据处理的基本要求,需要对其进行预处理,转化为我们后面工作所需要的较为规整的数据,所以这里的数据清洗,其实指的就是对数据进行基本的预处理,以方便我们后面的统计分析,所以这一步并不是必须的,需要根据不同的业务需求来进行取舍,只是在我们的场景中需要对数据进行一定的处理。

2
数据清洗方案

原来的日志数据格式是如下的:

appid ip mid userid login_type request status http_referer user_agent time

其中:

appid包括:web:1000,android:1001,ios:1002,ipad:1003

mid:唯一的id此id第一次会种在浏览器的cookie里。如果存在则不再种。作为浏览器唯一标示。移动端或者pad直接取机器码。

login_type:登录状态,0未登录、1:登录用户

request:类似于此种 "GET /userList HTTP/1.1"

status:请求的状态主要有:200ok、404not found、408Request Timeout、500Internal Server Error、504Gateway Timeout等

http_referer:请求该url的上一个url地址。

user_agent:浏览器的信息,例如:"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36"

time:时间的long格式:1451451433818。

但是如果需要按照省份来统计UV、PV,其所包含的信息还不够,我们需要对这些数据做一定的预处理,比如需要,对于其中包含的IP信息,我们需要将其对应的IP信息解析出来;为了方便我们的其它统计,我们也可以将其Request信息解析为Method、request_url、http_version等,所以按照上面的分析,我们希望预处理之后的日志数据包含如下的数据字段:

appid;

ip;

//通过ip来衍生出来的字段 province和city

province;

city;

mid;

userId;

loginType;

request;

//通过request 衍生出来的字段 method request_url http_version

method;

requestUrl;

httpVersion;

status;

httpReferer;

userAgent;

//通过userAgent衍生出来的字段,即用户的浏览器信息

browser;

time;

即在原来的基础上,我们增加了其它新的字段,如Province、City等。

我们采用MapReduce来对数据进行预处理,预处理之后的结果,我们也是保存到HDFS中,即采用如下的架构:

3
数据清洗过程:MapReduce程序编写

数据清洗的过程主要是编写MapReduce程序,而MapReduce程序的编写又分为写Mapper、Reducer、Job三个基本的过程。但是在我们这个案例中,要达到数据清洗的目的,实际上只需要Mapper就可以了,并不需要Reducer,原因很简单,我们只是预处理数据,在Mapper中就已经可以对数据进行处理了,其输出的数据并不需要进一步经过Redcuer来进行汇总处理。

所以下面就直接编写Mapper和Job的程序代码:

  • AccessLogCleanMapper

  • AccessLogCleanJob

  • 执行MapReduce程序

将上面的mr程序打包后上传到我们的Hadoop环境中,这里,对2018-04-08这一天产生的日志数据进行清洗,执行如下命令:

yarn jar data-extract-clean-analysis-1.0-SNAPSHOT-jar-with-dependencies.jar\

cn.xpleaf.dataClean.mr.job.AccessLogCleanJob \hdfs://ns1/input/data-clean/access/2018/04/08 \hdfs://ns1/output/data-clean/access

观察其执行结果:

可以看到MapReduceJob执行成功。

4
数据清洗结果

上面的MapReduce程序执行成功后,可以看到在HDFS中生成的数据输出目录:

我们可以下载其中一个结果数据文件,并用Notepadd++打开查看其数据信息:

五、数据处理:统计分析规整数据

经过数据清洗之后,就得到了我们做数据的分析统计所需要的比较规整的数据,下面就可以进行数据的统计分析了,即按照业务需求,统计出某一天中每个省份的PV和UV。

我们依然是需要编写MapReduce程序,并且将数据保存到HDFS中,其架构跟前面的数据清洗是一样的:

1
数据处理思路:编写MapReduce程序

现在我们已经得到了规整的数据,关于在于如何编写我们的MapReduce程序。

因为要统计的是每个省对应的PV和UV,PV就是点击量,UV是独立访客量,需要将省相同的数据拉取到一起,拉取到一块的这些数据每一条记录就代表了一次点击(PV + 1),这里面有同一个用户产生的数据(通过mid来唯一地标识是同一个浏览器,用mid进行去重,得到的就是UV)。

而拉取数据,可以使用Mapper来完成,对数据的统计(PV、UV的计算)则可以通过Reducer来完成,即Mapper的各个参数可以为如下:

Mapper

而Reducer的各个参数可以为如下:

Reducer
2
数据处理过程:MapReduce程序编写

根据前面的分析,来编写我们的MapReduce程序。

  • ProvincePVAndUVMapper

packagecn.xpleaf.dataClean.mr.mapper;

importorg.apache.hadoop.io.LongWritable;

importorg.apache.hadoop.io.Text;

importorg.apache.hadoop.mapreduce.Mapper;

importjava.io.IOException;

/**

* Mapper

* Reducer

*/

publicclassProvincePVAndUVMapperextendsMapper {

@Override

protectedvoidmap(LongWritable key, Text value, Context context) throwsIOException, InterruptedException {

String line = value.toString();

String[] fields = line.split("\t");

if(fields == null|| fields.length != 16) {

return;

}

String province = fields[2];

String mid = fields[4];

context.write(newText(province), newText(mid));

}

}

  • ProvincePVAndUVReducer

packagecn.xpleaf.dataClean.mr.reducer;

importorg.apache.hadoop.io.Text;

importorg.apache.hadoop.mapreduce.Reducer;

importjava.io.IOException;

importjava.util.HashSet;

importjava.util.Set;

/**

* 统计该标准化数据,产生结果

* 省 pv uv

* 这里面有同一个用户产生的数|据(通过mid来唯一地标识是同一个浏览器,用mid进行去重,得到的就是uv)

* Mapper

* Reducer

*/

publicclassProvincePVAndUVReducerextendsReducer {

privateSet uvSet = newHashSet<>();

@Override

protectedvoidreduce(Text key, Iterable values, Context context) throwsIOException, InterruptedException {

longpv = 0;

uvSet.clear();

for(Text mid : values) {

pv++;

uvSet.add(mid.toString());

}

longuv = uvSet.size();

String pvAndUv = pv + "\t"+ uv;

context.write(key, newText(pvAndUv));

}

}

  • ProvincePVAndUVJob

  • 执行MapReduce程序

将上面的mr程序打包后上传到我们的Hadoop环境中,这里,对前面预处理之后的数据进行统计分析,执行如下命令:

yarn jar data-extract-clean-analysis-1.0-SNAPSHOT-jar-with-dependencies.jar \

cn.xpleaf.dataClean.mr.job.ProvincePVAndUVJob \

hdfs://ns1/output/data-clean/access \

hdfs://ns1/output/pv-uv

观察其执行结果:

可以看到MapReduceJob执行成功。

3
数据处理结果

上面的MapReduce程序执行成功后,可以看到在HDFS中生成的数据输出目录:

我们可以下载其结果数据文件,并用Notepadd++打开查看其数据信息:

至此,就完成了一个完整的数据采集、清洗、处理的离线数据分析案例。

相关的代码我已经上传到GitHub,有兴趣可以参考一下:

https://github.com/xpleaf/data-extract-clean-analysis

作者:xpleaf

来源:http://blog.51cto.com/xpleaf/2095836

DBAplus社群欢迎广大技术人员投稿,投稿邮箱:editor@dbaplus.cn

在不久的将来,多智时代一定会彻底走入我们的生活,有兴趣入行未来前沿产业的朋友,可以收藏多智时代,及时获取人工智能、大数据、云计算和物联网的前沿资讯和基础知识,让我们一起携手,引领人工智能的未来!

大数据处理 互联网 数据来源 数据采集 负载均衡 数据保存
0

聚焦多智时代,引领智能变革

© 多智时代(www.duozhishidai.com)版权所有 / 工信部备案 豫ICP备15012664号