<dfn id='3hFcV410'></dfn>

        <noscript id='3hFcV410'></noscript>

      1. 频道栏目
        首页 > 网络 > 云计算 > 正文

        mapReduce之网站日志分析项目案例

        2019-02-21 11:18:36           
        收藏   我要投稿

        一、数据情况分析

        1.1 数据情况回顾

          该论坛数据有两部分:

         。1)历史数据约56GB,统计到2019-02-21。这也说明,在2019-02-21之前,日志文件都在一个文件里边,采用了追加写入的方式。

         。2)自2019-02-21起,每天生成一个数据文件,约150MB左右。这也说明,从2019-02-21之后,日志文件不再是在一个文件里边。

          图1展示了该日志数据的记录格式,其中每行记录有5部分组成:

        访问者IP、访问时间、访问资源、访问状态(HTTP状态码)、本次访问流量。

        log

        图1 日志记录数据格式

          本次使用数据来自于两个2013年的日志文件,分别为access_2013_05_30.log与access_2013_05_31.log,下载地址为:http://pan.baidu.com/s/1pJE7XR9

        1.2 要清理的数据

         。1)根据前一篇的关键指标的分析,我们所要统计分析的均不涉及到访问状态(HTTP状态码)以及本次访问的流量,于是我们首先可以将这两项记录清理掉;

         。2)根据日志记录的数据格式,我们需要将日期格式转换为平常所见的普通格式如20150426这种,于是我们可以写一个类将日志记录的日期进行转换;

         。3)由于静态资源的访问请求对我们的数据分析没有意义,于是我们可以将"GET /staticsource/"开头的访问记录过滤掉,又因为GET和POST字符串对我们也没有意义,因此也可以将其省略掉;

        二、数据清洗过程

        2.1 定期上传日志至HDFS

          首先,把日志数据上传到HDFS中进行处理,可以分为以下几种情况:

         。1)如果是日志服务器数据较小、压力较小,可以直接使用shell命令把数据上传到HDFS中;

         。2)如果是日志服务器数据较大、压力较大,使用NFS在另一台服务器上上传数据;

         。3)如果日志服务器非常多、数据量大,使用flume进行数据处理;

          这里我们的实验数据文件较小,因此直接采用第一种Shell命令方式。又因为日志文件时每天产生的,因此需要设置一个定时任务,在第二天的1点钟自动将前一天产生的log文件上传到HDFS的指定目录中。所以,我们通过shell脚本结合crontab创建一个定时任务techbbs_core.sh,内容如下:

        #!/bin/sh

        #step1.get yesterday format string
        yesterday=$(date --date='1 days ago' +%Y_%m_%d)
        #step2.upload logs to hdfs
        hadoop fs -put /usr/local/files/apache_logs/access_${yesterday}.log /project/techbbs/data

          结合crontab设置为每天1点钟自动执行的定期任务:crontab -e,内容如下(其中1代表每天1:00,techbbs_core.sh为要执行的脚本文件):

        * 1 * * * techbbs_core.sh

          验证方式:通过命令 crontab -l 可以查看已经设置的定时任务

        2.2 编写MapReduce程序清理日志

         。1)编写日志解析类对每行记录的五个组成部分进行单独的解析

        static class LogParser {
                public static final SimpleDateFormat FORMAT = new SimpleDateFormat(
                        "d/MMM/yyyy:HH:mm:ss", Locale.ENGLISH);
                public static final SimpleDateFormat dateformat1 = new SimpleDateFormat(
                        "yyyyMMddHHmmss");/**
                 * 解析英文时间字符串
                 * 
                 * @param string
                 * @return
                 * @throws ParseException
                 */
                private Date parseDateFormat(String string) {
                    Date parse = null;
                    try {
                        parse = FORMAT.parse(string);
                    } catch (ParseException e) {
                        e.printStackTrace();
                    }
                    return parse;
                }
        
                /**
                 * 解析日志的行记录
                 * 
                 * @param line
                 * @return 数组含有5个元素,分别是ip、时间、url、状态、流量
                 */
                public 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 String parseTraffic(String line) {
                    final String trim = line.substring(line.lastIndexOf("\"") + 1)
                            .trim();
                    String traffic = trim.split(" ")[1];
                    return traffic;
                }
        
                private String parseStatus(String line) {
                    final String trim = line.substring(line.lastIndexOf("\"") + 1)
                            .trim();
                    String status = trim.split(" ")[0];
                    return status;
                }
        
                private String parseURL(String line) {
                    final int first = line.indexOf("\"");
                    final int last = line.lastIndexOf("\"");
                    String url = line.substring(first + 1, last);
                    return url;
                }
        
                private 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 dateformat1.format(date);
                }
        
                private String parseIP(String line) {
                    String ip = line.split("- -")[0].trim();
                    return ip;
                }
            }
            
        

         。2)编写MapReduce程序对指定日志文件的所有记录进行过滤

          Mapper类:

          static class MyMapper extends
                    Mapper {
                LogParser logParser = new LogParser();
                Text outputValue = new Text();
        
                protected void map(
                        LongWritable key,
                        Text value,
                        org.apache.hadoop.mapreduce.Mapper.Context context)
                        throws java.io.IOException, InterruptedException {
                    final String[] parsed = logParser.parse(value.toString());
        
                    // step1.过滤掉静态资源访问请求
                    if (parsed[2].startsWith("GET /static/")
                            || parsed[2].startsWith("GET /uc_server")) {
                        return;
                    }
                    // step2.过滤掉开头的指定字符串
                    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());
                    }
                    // step3.过滤掉结尾的特定字符串
                    if (parsed[2].endsWith(" HTTP/1.1")) {
                        parsed[2] = parsed[2].substring(0, parsed[2].length()
                                - " HTTP/1.1".length());
                    }
                    // step4.只写入前三个记录类型项
                    outputValue.set(parsed[0] + "\t" + parsed[1] + "\t" + parsed[2]);
                    context.write(key, outputValue);
                }
            }

          Reducer类:

          static class MyReducer extends
                    Reducer {
                protected void reduce(
                        LongWritable k2,
                        java.lang.Iterable v2s,
                        org.apache.hadoop.mapreduce.Reducer.Context context)
                        throws java.io.IOException, InterruptedException {
                    for (Text v2 : v2s) {
                        context.write(v2, NullWritable.get());
                    }
                };
            }
        

          

        (3)LogCleanJob.java的完整示例代码。。!

        \

        package techbbs;
        
        import java.net.URI;
        import java.text.ParseException;
        import java.text.SimpleDateFormat;
        import java.util.Date;
        import java.util.Locale;
        
        import org.apache.hadoop.conf.Configuration;
        import org.apache.hadoop.conf.Configured;
        import org.apache.hadoop.fs.FileSystem;
        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.Mapper;
        import org.apache.hadoop.mapreduce.Reducer;
        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;
        
        public class LogCleanJob extends Configured implements Tool {
        
            public static void main(String[] args) {
                Configuration conf = new Configuration();
                try {
                    int res = ToolRunner.run(conf, new LogCleanJob(), args);
                    System.exit(res);
                } catch (Exception e) {
                    e.printStackTrace();
                }
            }
        
            @Override
            public int run(String[] args) throws Exception {
                final Job job = new Job(new Configuration(),
                        LogCleanJob.class.getSimpleName());
                // 设置为可以打包运行
                job.setJarByClass(LogCleanJob.class);
                FileInputFormat.setInputPaths(job, args[0]);
                job.setMapperClass(MyMapper.class);
                job.setMapOutputKeyClass(LongWritable.class);
                job.setMapOutputValueClass(Text.class);
                job.setReducerClass(MyReducer.class);
                job.setOutputKeyClass(Text.class);
                job.setOutputValueClass(NullWritable.class);
                FileOutputFormat.setOutputPath(job, new Path(args[1]));
                // 清理已存在的输出文件
                FileSystem fs = FileSystem.get(new URI(args[0]), getConf());
                Path outPath = new Path(args[1]);
                if (fs.exists(outPath)) {
                    fs.delete(outPath, true);
                }
                
                boolean success = job.waitForCompletion(true);
                if(success){
                    System.out.println("Clean process success!");
                }
                else{
                    System.out.println("Clean process failed!");
                }
                return 0;
            }
        
        
        
        
            // 静态内部类
            static class MyMapper extends
                    Mapper {
                LogParser logParser = new LogParser();
                Text outputValue = new Text();
        
                protected void map(
                        LongWritable key,
                        Text value,
                        org.apache.hadoop.mapreduce.Mapper.Context context)
                        throws java.io.IOException, InterruptedException {
                    final String[] parsed = logParser.parse(value.toString());
        
                    // step1.过滤掉静态资源访问请求
                    if (parsed[2].startsWith("GET /static/")
                            || parsed[2].startsWith("GET /uc_server")) {
                        return;
                    }
                    // step2.过滤掉开头的指定字符串
                    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());
                    }
                    // step3.过滤掉结尾的特定字符串
                    if (parsed[2].endsWith(" HTTP/1.1")) {
                        parsed[2] = parsed[2].substring(0, parsed[2].length()
                                - " HTTP/1.1".length());
                    }
                    // step4.只写入前三个记录类型项
                    outputValue.set(parsed[0] + "\t" + parsed[1] + "\t" + parsed[2]);
                    context.write(key, outputValue);
                }
            }
        
            
            
            // 静态内部类
            static class MyReducer extends
                    Reducer {
                protected void reduce(
                        LongWritable k2,
                        java.lang.Iterable v2s,
                        org.apache.hadoop.mapreduce.Reducer.Context context)
                        throws java.io.IOException, InterruptedException {
                    for (Text v2 : v2s) {
                        context.write(v2, NullWritable.get());
                    }
                };
            }
        
        
        
        
            /* 
             * 日志解析类  静态内部类
             */
            static class LogParser {
                public static final SimpleDateFormat FORMAT = new SimpleDateFormat(
                        "d/MMM/yyyy:HH:mm:ss", Locale.ENGLISH);
                public static final SimpleDateFormat dateformat1 = new SimpleDateFormat(
                        "yyyyMMddHHmmss");
        
                public static void main(String[] args) throws ParseException {
                    final String S1 = "27.19.74.143 - - [30/May/2013:17:38:20 +0800] \"GET /static/image/common/faq.gif HTTP/1.1\" 200 1127";
                    LogParser parser = new LogParser();
                    final String[] array = parser.parse(S1);
                    System.out.println("样例数据: " + S1);
                    System.out.format(
                            "解析结果:  ip=%s, time=%s, url=%s, status=%s, traffic=%s",
                            array[0], array[1], array[2], array[3], array[4]);
                }
        
                /**
                 * 解析英文时间字符串
                 * 
                 * @param string
                 * @return
                 * @throws ParseException
                 */
                private Date parseDateFormat(String string) {
                    Date parse = null;
                    try {
                        parse = FORMAT.parse(string);
                    } catch (ParseException e) {
                        e.printStackTrace();
                    }
                    return parse;
                }
        
                /**
                 * 解析日志的行记录
                 * 
                 * @param line
                 * @return 数组含有5个元素,分别是ip、时间、url、状态、流量
                 */
                public 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 String parseTraffic(String line) {
                    final String trim = line.substring(line.lastIndexOf("\"") + 1)
                            .trim();
                    String traffic = trim.split(" ")[1];
                    return traffic;
                }
        
                private String parseStatus(String line) {
                    final String trim = line.substring(line.lastIndexOf("\"") + 1)
                            .trim();
                    String status = trim.split(" ")[0];
                    return status;
                }
        
                private String parseURL(String line) {
                    final int first = line.indexOf("\"");
                    final int last = line.lastIndexOf("\"");
                    String url = line.substring(first + 1, last);
                    return url;
                }
        
                private 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 dateformat1.format(date);
                }
        
                private String parseIP(String line) {
                    String ip = line.split("- -")[0].trim();
                    return ip;
                }
            }
        }

        (4)导出jar包,并将其上传至Linux服务器指定目录中

        2.3定期清理日志至HDFS

          这里我们改写刚刚的定时任务脚本,将自动执行清理的MapReduce程序加入脚本中,内容如下:

        #!/bin/sh

        #step1.get yesterday format string
        yesterday=$(date --date='1 days ago' +%Y_%m_%d)
        #step2.upload logs to hdfs
        hadoop fs -put /usr/local/files/apache_logs/access_${yesterday}.log /project/techbbs/data
        #step3.clean log data
        hadoop jar /usr/local/files/apache_logs/mycleaner.jar /project/techbbs/data/access_${yesterday}.log /project/techbbs/cleaned/${yesterday}

          这段脚本的意思就在于每天1点将日志文件上传到HDFS后,执行数据清理程序对已存入HDFS的日志文件进行过滤,并将过滤后的数据存入cleaned目录下。

        2.4 定时任务测试

         。1)因为两个日志文件是2013年的,因此这里将其名称改为2015年当天以及前一天的,以便这里能够测试通过。

         。2)执行命令:techbbs_core.sh 2014_04_26

          控制台的输出信息如下所示,可以看到过滤后的记录减少了很多:

        15/04/26 04:27:20 INFO input.FileInputFormat: Total input paths to process : 1
        15/04/26 04:27:20 INFO util.NativeCodeLoader: Loaded the native-hadoop library
        15/04/26 04:27:20 WARN snappy.LoadSnappy: Snappy native library not loaded
        15/04/26 04:27:22 INFO mapred.JobClient: Running job: job_201504260249_0002
        15/04/26 04:27:23 INFO mapred.JobClient: map 0% reduce 0%
        15/04/26 04:28:01 INFO mapred.JobClient: map 29% reduce 0%
        15/04/26 04:28:07 INFO mapred.JobClient: map 42% reduce 0%
        15/04/26 04:28:10 INFO mapred.JobClient: map 57% reduce 0%
        15/04/26 04:28:13 INFO mapred.JobClient: map 74% reduce 0%
        15/04/26 04:28:16 INFO mapred.JobClient: map 89% reduce 0%
        15/04/26 04:28:19 INFO mapred.JobClient: map 100% reduce 0%
        15/04/26 04:28:49 INFO mapred.JobClient: map 100% reduce 100%
        15/04/26 04:28:50 INFO mapred.JobClient: Job complete: job_201504260249_0002
        15/04/26 04:28:50 INFO mapred.JobClient: Counters: 29
        15/04/26 04:28:50 INFO mapred.JobClient: Job Counters
        15/04/26 04:28:50 INFO mapred.JobClient: Launched reduce tasks=1
        15/04/26 04:28:50 INFO mapred.JobClient:SLOTS_MILLIS_MAPS=58296
        15/04/26 04:28:50 INFO mapred.JobClient: Total time spent by all reduces waiting after reserving slots (ms)=0
        15/04/26 04:28:50 INFO mapred.JobClient: Total time spent by all maps waiting after reserving slots (ms)=0
        15/04/26 04:28:50 INFO mapred.JobClient: Launched map tasks=1
        15/04/26 04:28:50 INFO mapred.JobClient: Data-local map tasks=1
        15/04/26 04:28:50 INFO mapred.JobClient:SLOTS_MILLIS_REDUCES=25238
        15/04/26 04:28:50 INFO mapred.JobClient: File Output Format Counters
        15/04/26 04:28:50 INFO mapred.JobClient: Bytes Written=12794925
        15/04/26 04:28:50 INFO mapred.JobClient: FileSystemCounters
        15/04/26 04:28:50 INFO mapred.JobClient: FILE_BYTES_READ=14503530
        15/04/26 04:28:50 INFO mapred.JobClient: HDFS_BYTES_READ=61084325
        15/04/26 04:28:50 INFO mapred.JobClient: FILE_BYTES_WRITTEN=29111500
        15/04/26 04:28:50 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=12794925
        15/04/26 04:28:50 INFO mapred.JobClient: File Input Format Counters
        15/04/26 04:28:50 INFO mapred.JobClient: Bytes Read=61084192
        15/04/26 04:28:50 INFO mapred.JobClient: Map-Reduce Framework
        15/04/26 04:28:50 INFO mapred.JobClient: Map output materialized bytes=14503530
        15/04/26 04:28:50 INFO mapred.JobClient: Map input records=548160
        15/04/26 04:28:50 INFO mapred.JobClient: Reduce shuffle bytes=14503530
        15/04/26 04:28:50 INFO mapred.JobClient: Spilled Records=339714
        15/04/26 04:28:50 INFO mapred.JobClient: Map output bytes=14158741
        15/04/26 04:28:50 INFO mapred.JobClient: CPU time spent (ms)=21200
        15/04/26 04:28:50 INFO mapred.JobClient: Total committed heap usage (bytes)=229003264
        15/04/26 04:28:50 INFO mapred.JobClient: Combine input records=0
        15/04/26 04:28:50 INFO mapred.JobClient: SPLIT_RAW_BYTES=133
        15/04/26 04:28:50 INFO mapred.JobClient: Reduce input records=169857
        15/04/26 04:28:50 INFO mapred.JobClient: Reduce input groups=169857
        15/04/26 04:28:50 INFO mapred.JobClient: Combine output records=0
        15/04/26 04:28:50 INFO mapred.JobClient: Physical memory (bytes) snapshot=154001408
        15/04/26 04:28:50 INFO mapred.JobClient:Reduce output records=169857
        15/04/26 04:28:50 INFO mapred.JobClient: Virtual memory (bytes) snapshot=689442816
        15/04/26 04:28:50 INFO mapred.JobClient:Map output records=169857
        Clean process success!

         。3)通过Web接口查看HDFS中的日志数据:

          存入的未过滤的日志数据:/project/techbbs/data/

        \

        存入的已过滤的日志数据:/project/techbbs/cleaned/

        \

        上一篇:大数据学习规划
        下一篇:pythonaes加密解密等同于javaaes加密解密
        相关文章
        图文推荐

        关于我们 | 联系我们 | 广告服务 | 投资合作 | 版权申明 | 在线帮助 | 网站地图 | 作品发布 | Vip技术培训 | 举报中心

        版权所有: 第一门户--致力于做实用的IT技术学习网站