使用Spark进行搜狗日志分析实例——统计每个小时的搜索量

 package sogolog

 import org.apache.spark.rdd.RDD
 import org.apache.spark.{SparkConf, SparkContext}

 /**
   * 统计每小时搜索次数
   */
 /*
 搜狗日志示例
 访问时间(时：分：秒)    用户ID                [查询词]        该URL在返回结果中的排名    用户点击的顺序号    用户点击的URL
 00:00:00    2982199073774412    [360安全卫士]    8 3    download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html
 00:00:00    07594220010824798    [哄抢救灾物资]    1 1    news.21cn.com/social/daqian/2008/05/29/4777194_1.shtml
 00:00:00    5228056822071097    [75810部队]    14 5    www.greatoo.com/greatoo_cn/list.asp?link_id=276&title=%BE%DE%C2%D6%D0%C2%CE%C5
 00:00:00    6140463203615646    [绳艺]    62 36    www.jd-cd.com/jd_opus/xx/200607/706.html
 */
 object CountByHours {
   def main(args: Array[String]): Unit = {

     //1、启动spark上下文、读取文件
     val conf = new SparkConf().setAppName("sougo count by hours").setMaster("local")
     val sc = new SparkContext(conf)
     var orgRdd = sc.textFile("C:\\Users\\KING\\Desktop\\SogouQ.reduced\\SogouQ.reduced")
     println("总行数："+orgRdd.count())

     //2、map操作,遍历处理每一行数据
     var map:RDD[(String,Integer)] = orgRdd.map(line=>{
         //拿到小时
         var h:String = line.substring(0,2)
         (h,1)
     })

     //3、reduce操作，将上面的 map结果按KEY进行合并、叠加
     var reduce:RDD[(String,Integer)] = map.reduceByKey((x,y)=>{
       x+y
     })

     //打印出按小时排序后的统计结果
     reduce.sortByKey().collect().map(println)
   }
 }

运行结果：

搜狗日志下载地址：http://www.sogou.com/labs/resource/q.php