Hadoop电商日志数据分析(一)

news/2024/9/23 13:27:45

项目要求

根据电商日志文件,分析:
1 . 统计页面浏览量(每行记录就是一次浏览)
2 . 统计各个省份的浏览量 (需要解析IP)
3 . 日志的ETL操作(ETL:数据从来源端经过抽取(Extract)、转换(Transform)、加载(Load)至目的端的过程)

为什么要ETL:没有必要解析出所有数据,只需要解析出有价值的字段即可。本项目中需要解析出:ip、url、pageId(topicId对应的页面Id)、country、province、city

提供一个数据集和四个工具类:

rackinfo_20130721.data

点击查看数据集示例
20939177966http://www.yihaodian.com/1/?type=3&tracker_u=107813492603YU7317CWPWJPCCKSJD83RZ35W6F1DGHT4P93PPGDPBNYMTMMVQQSX13BVW4A6Z61BCFK10781349260\N115.28.44.205,unionKey:107813492602013-07-21 01:18:59\N1\Nnull-20Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; Sicent; WoShiHoney.B; .NET CLR 2.0.50727; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; Microsoft Windows Media Center PC 6.0)Win32北京市2北京市\N\N\N\N2013-07-21
20966958616http://www.1mall.com/item/11033978_4http://www.1mall.com/item/11033980_4?ref=1_1_51_search.keyword_13EUBCC9CG8G7G3Z331PWEV3UNWD7QZA1F3Q2Q1[{1=[{9784616=38251:1190}]}]PPH24C5RHH3GE4RUY1UKQW84PVYBXZFT7439964\N101.18.106.107msessionid:CP23DVRKZGQ67MWQQGNHN5USRK2R9W8V,unionKey:74399642013-07-21 15:11:16\Nhttp://www.2345.com/?kskypw59784615\N4-1Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTMLWin32河北省446\N\N\N\N2013-07-21
20966773971http://search.yihaodian.com/s2/c0-0/k%25E9%259B%25AA%25E7%25BA%25BA%2520t%25E6%2581%25A4/1/http://www.yihaodian.com/4/?tracker_u=7439964&type=13EUBCC9CG8G7G3Z331PWEV3UNWD7QZA1F3Q2QPPH24C5RHH3GE4RUY1UKQW84PVYBXZFT7439964\N101.18.106.107msessionid:WUEYCTYUHP7CUP4UD7Y2VHNZABPCYJ18,unionKey:74399642013-07-21 15:10:02\Nhttp://www.2345.com/?kskypw3\N4-1Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTMLWin32雪纺 t恤13661CatMenu_Keywords_100000003_18258河北省4null3\N\N\N\N2013-07-21

日志字段说明

技术架构:

页面浏览量统计

1.页面编号的获取

统计页面的访问量:把符合规则的pageId获取到,然后进行统计即可。

  • ContentUtils
package com.imooc.bigdata.hadoop.mr.project.utils;import org.apache.commons.lang.StringUtils;import java.util.regex.Matcher;
import java.util.regex.Pattern;public class ContentUtils {public static String getPageId(String url){String pageId = "";if (StringUtils.isBlank(url)){return pageId;}//正则表达式Pattern pattern = Pattern.compile("topicId=[0-9]+");Matcher matcher = pattern.matcher(url);if (matcher.find()){pageId = matcher.group().split("topicId=")[1];}return pageId;}
}
  • LogParseTest
package com.imooc.bigdata.hadoop.mr.project.utils;import org.junit.After;
import org.junit.Before;
import org.junit.Test;import java.util.Map;public class LogParseTest {LogParser logParser;@Beforepublic void setUp(){logParser = new LogParser();}@Afterpublic void tearDown(){logParser = null;}@Testpublic void test01(){Map<String, String> map  = logParser.parse("20946835322\u0001http://www.yihaodian.com/1/?tracker_u=2225501&type=3\u0001http://www.baidu.com/s?wd=1%E5%8F%B7%E5%BA%97&rsv_bp=0&ch=&tn=baidu&bar=&rsv_spt=3&ie=utf-8&rsv_sug3=5&rsv_sug=0&rsv_sug1=4&rsv_sug4=313&inputT=4235\u00011号店\u00011\u0001SKAPHD3JZYH9EE9ACB1NGA9VDQHNJMX1NY9T\u0001\u0001\u0001\u0001\u0001PPG4SWG71358HGRJGQHQQBXY9GF96CVU\u00012225501\u0001\\N\u0001124.79.172.232\u0001\u0001msessionid:YR9H5YU7RZ8Y94EBJNZ2P5W8DT37Q9JH,unionKey:2225501\u0001\u00012013-07-21 09:30:01\u0001\\N\u0001http://www.baidu.com/s?wd=1%E5%8F%B7%E5%BA%97&rsv_bp=0&ch=&tn=baidu&bar=&rsv_spt=3&ie=utf-8&rsv_sug3=5&rsv_sug=0&rsv_sug1=4&rsv_sug4=313&inputT=4235\u00011\u0001\u0001\\N\u0001null\u0001-10\u0001\u0001\u0001\u0001\u0001Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; MATP; Media Center PC 6.0; .NET4.0C; InfoPath.2; .NET4.0E)\u0001Win32\u0001\u0001\u0001\u0001\u0001\u0001上海市\u00011\u0001\u00012013-07-21 09:30:01\u0001上海市\u0001\u000166\u0001\u0001\u0001\u0001\u0001\\N\u0001\\N\u0001\\N\u0001\\N\u00012013-07-21\n");for(Map.Entry<String,String> entry : map.entrySet()) {System.out.println(entry.getKey() + " : " + entry.getValue());}}@Testpublic void test02(){String pageId = ContentUtils.getPageId("http://www.yihaodian.com/cms/view.do?topicId=19004");System.out.println(pageId);}
}

2.功能实现

点击查看代码
package com.imooc.bigdata.hadoop.mr.project.mr;import com.imooc.bigdata.hadoop.mr.project.utils.GetPageId;
import com.imooc.bigdata.hadoop.mr.project.utils.LogParser;
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.Map;public class PageStatApp {// Driver端的代码:八股文public static void main(String[] args) throws Exception {Configuration configuration = new Configuration();// 如果输出目录已经存在,则先删除FileSystem fileSystem = FileSystem.get(configuration);Path outputPath = new Path("output/v1/pagestat");if (fileSystem.exists(outputPath)) {fileSystem.delete(outputPath, true);}Job job = Job.getInstance(configuration);job.setJarByClass(PageStatApp.class);job.setMapperClass(MyMapper.class);job.setReducerClass(MyReducer.class);job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(LongWritable.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(LongWritable.class);FileInputFormat.setInputPaths(job, new Path("/Users/rocky/data/trackinfo_20130721.data"));FileOutputFormat.setOutputPath(job, new Path("output/v1/pagestat"));job.waitForCompletion(true);}static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> {private LogParser parser;private LongWritable ONE = new LongWritable(1);@Overrideprotected void setup(Context context) throws IOException, InterruptedException {parser = new LogParser();}@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {String log = value.toString();Map<String, String> logInfo = parser.parse(log);String pageId = GetPageId.getPageId(logInfo.get("url"));context.write(new Text(pageId), ONE);}}static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> {@Overrideprotected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {long count = 0;for (LongWritable access : values) {count++;}context.write(key, new LongWritable(count));}}}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.ryyt.cn/news/46793.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈,一经查实,立即删除!

相关文章

单运放的浮动供电电路的进一步解释讲解

有时候需要运算放大器输出高一些的电压,或者输入高一些的电压,又或者输入输出都高一些。最简单的办法就是使用钞能力,只要钱给够,加上允许的时间够长,那么总可以买到甚至定制到合适的运算放大器。如果使用数量不多,也可以自己搭建分立元件的运算放大器,达到需求的功能。…

LLM大模型: RAG的langchain+向量数据库实现和评估方案

LLM大模型的核心功能之一就是聊天对话(信息检索),RAG的使用必不可少!大致的流程是:用户的query先转成embedding,去向量数据库查询最接近的top K回答;然后这query + top K的回答 + 其他context一起进入LLM,让LLM整合上述所有的信息后给出最终的回复!为了简便、快速地实…

FFmpeg开发笔记(三十二)利用RTMP协议构建电脑与手机的直播Demo

不管是传统互联网还是移动互联网,实时数据传输都是刚需,比如以QQ、微信为代表的即时通信工具,能够实时传输文本和图片。其中一对一的图文通信叫做私聊,多对多的图文通信叫做群聊。 除了常见的图文即时通信,还有实时音视频通信,比如一对一的音频通话、一对一的视频通话等等…

PS

基本概念色彩格式RGB CMYK其他工具图层:文字图层 图像图层 智能对象栅格化:接触智能对象的像素保护蒙版普通蒙版 剪切蒙版 alt+两图层间单击混合选项图层文字部分右键 镂空、不透明度……图层混合小结:魔棒 色彩容差抠图 ctrl+J练习:bezier.method.ac小结:

Hadoop电商日志数据分析(二)

项目要求 根据电商日志文件,分析: 1 . 统计页面浏览量(每行记录就是一次浏览) 2 . 统计各个省份的浏览量 (需要解析IP) 3 . 日志的ETL操作(ETL:数据从来源端经过抽取(Extract)、转换(Transform)、加载(Load)至目的端的过程)为什么要ETL:没有必要解析出所有数据…

s2-045漏洞还原

1.环境准备,本地server2003 环境对应网址http://192.168.116.112:8080/struts2-showcase/showcase.action 2.使用在线工具包扫描漏洞信息输入对应的url检测发现存在对应漏洞 选择对应漏洞,可执行对应系统命令 上传自带木马文件(复制tmp.jsp内容,上报到对应目录下C:\jspstud…

以opencv为例说明cmake中的findpackage()

大多数第三方库为了适配cmake都会提供XXXConfig.cmake文件,在opencv中是OpenCVConfig.cmakefindpackage()是在环境变量中的XXXConfig.cmake文件,在引用opencv时是在找OpenCVConfig.cmake,对应与引用opnecv时的 find_package(OpenCV REQUIRED) 注意大小写与OpenCVConfig.cmak…

2024/6/23 本周总结

DemoFusion: Democratising High-Resolution Image Generation With No $$$2024/5/11 任意尺度超分 生成一个\(K\)倍大小的图像,需要边长扩大为\(\sqrt{K}\),就是从潜在空间(latent sapce)\(\mathbb{R}^{c\times h\times w}\)到目标空间\(\mathbb{R}^{c\times{H}\times W}\),…