hadoop实战 -- 网站日志KPI指标分析

　　本项目分析apache服务器产生的日志，分析pv、独立ip数和跳出率等指标。其实这些指标在第三方系统中都可以检测到，在生产环境中通常用来分析用户交易等核心数据，此处只是用于演示说明日志数据的分析流程。

一、需求分析

　　我们可以编写执行的shell脚本，将apache每天产生的日志上传到HDFS中，然后经过数据清洗，hive分析，最后将数据从HDFS导入到mysql中，然后设定计划任务每天定期自动执行分析工作。

1、指标说明

　  ▶ PV(Page View)：页面浏览量，用户每1次对网站中的每个网页访问均被记录1次。用户对同一页面的多次访问，计算累计访问。通常对网站中资源的访问请求也被计算在PV统计内；

　  ▶ 跳出率：只访问了一个页面就离开的浏览量与所产生总浏览量的百分比；

2、实现步骤

　  1) 将日志数据上传到HDFS中。如果数据较小，可以通过在shell中编写hdfs命令上传数据到HDFS中，如果数据量较大的话可以通过NFS在另一台机器上上传日志数据。如果服务器比较多，可以使用flume来完成日志收集工作；

　  2) 使用MapReduce将HDFS中进行数据清洗。日志原始数据可能在格式上不满足要求，这时候需要通过MapReduce程序来将HDFS中的数据进行清洗过滤，转换成hive统计所需要的格式；

　  3) 使用hive对清洗后的数据进行统计分析。利用hive，我们可以很方便地统计分析日志数据。实现建立一个外部分区表，关联到清洗后的HDFS目录中，然后每天数据清洗完后添加当天的分区，最后执行HiveQL完成统计并保存结果；

　  4) 利用sqoop将hive统计结果导出到关系数据库如mysql中；

　  5) 前端展现统计结果。利用web或其他一些展现手段将mysql中的结果数据直观地展示给用户；

二、详细实现

　  本实验分析apache服务器产生的访问日志（样本），其数据格式如“221.194.31.149 - - [27/May/2015:17:52:48 +0800] "GET /static/image/common/star_level1.gif HTTP/1.1" 200 547”，依次表示访问ip、访问时间、访问路径、服务器返回状态。

　  本实验实验流程图如下所示：

图1 apache服务器日志分析流程示意图

1、编写MapReduce，将原始数据格式清洗筛选，留下三列：IP、访问时间和访问地址，参考代码：

package com.hicoor.hadoop.logproj;

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.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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner;
import org.apache.hadoop.util.GenericOptionsParser;

public class DataCleaner {

    static class LogMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
        LogParser logParser = new LogParser();
        Text v2 = new Text();
        protected void map(LongWritable k1, Text v1, org.apache.hadoop.mapreduce.Mapper<LongWritable,Text,Text,LongWritable>.Context context) throws java.io.IOException ,InterruptedException {
            try {
                String[] parse = logParser.parse(v1.toString());
                //过滤空白行
                if(parse != null) {
                    //过滤结尾的特定格式字符串
                    if(parse[2].endsWith(" HTTP/1.1")){
                        parse[2] = parse[2].substring(0, parse[2].length()-" HTTP/1.1".length());
                    }

                    v2.set(parse[0]+'\t'+parse[1]+'\t'+parse[2]);
                }
            } catch (Exception e) {
                System.out.println("当前行处理出错："+v1.toString());
            }
            context.write(v2, new LongWritable(1));
        };
    }

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

    public static void main(String[] args) throws Exception {
        System.setProperty("hadoop.home.dir", "D:/desktop/hadoop-2.6.0");
        Configuration conf = new Configuration();
        conf.setStrings("dfs.nameservices", "cluster1");
        conf.setStrings("dfs.ha.namenodes.cluster1", "hadoop0,hadoop1");
        conf.setStrings("dfs.namenode.rpc-address.cluster1.hadoop0", "hadoop0:9000");
        conf.setStrings("dfs.namenode.rpc-address.cluster1.hadoop1", "hadoop1:9000");
        //必须配置，可以通过该类获取当前处于active状态的namenode
        conf.setStrings("dfs.client.failover.proxy.provider.cluster1", "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider");

        Job job = Job.getInstance(conf, "LogDataCleaner");

        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
        if (otherArgs.length < 2) {
          System.err.println("Usage: wordcount <in> [<in>...] <out>");
          System.exit(2);
        }

        // 删除已存在的输出目录
        String FILE_OUT_PATH = otherArgs[otherArgs.length - 1];
        //String FILE_OUT_PATH = "hdfs://cluster1/hmbbs_cleaned/2013_05_30";
         FileSystem fileSystem = FileSystem.get(new URI(FILE_OUT_PATH), conf);
         if (fileSystem.exists(new Path(FILE_OUT_PATH))) {
             fileSystem.delete(new Path(FILE_OUT_PATH), true);
         }

        job.setJarByClass(DataCleaner.class);
        //1.1 设置分片函数
        job.setInputFormatClass(TextInputFormat.class);
        for (int i = 0; i < otherArgs.length - 1; ++i) {
          FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
        //FileInputFormat.addInputPath(job, new Path("hdfs://cluster1/hmbbs_logs/access_2013_05_30.log"));
        //1.2 设置map
        job.setMapperClass(LogMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(LongWritable.class);
        //1.3 设置分区函数
        job.setPartitionerClass(HashPartitioner.class);
        //job.setNumReduceTasks(3);
        //1.4 分组排序
        //1.5 规约

        job.setOutputFormatClass(TextOutputFormat.class);
        FileOutputFormat.setOutputPath(job, new Path(FILE_OUT_PATH));

        //2.2 设置Reduce
        job.setReducerClass(LogReduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        job.waitForCompletion(true);
    }

    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){
            if(line.trim() == "") {
                return null;
            }
            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、mysql中新建表web_logs_stat，包含字段：vtime、pv、ip_n、jumper_n。

3、在shell中创建外部分区表，关联到清洗后的hdfs目录，命令：

　  hive> CREATE EXTERNAL TABLE ex_logs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION '/web_cleaned';

4、新建日常自动处理的shell脚本logs_daily_process.sh，内容如下：

#!/bin/sh

#get yesterday format string
yesterday=`date --date='1 days ago' +%Y_%m_%d`
#yesterday=$1

#upload logs to hdfs
hadoop fs -put /apache_logs/access_${yesterday}.log  /web_logs

#cleaning data
hadoop jar /apache_logs/cleaned.jar  /web_logs/access_${yesterday}.log  /web_cleaned/${yesterday}  1>/dev/null

#alter hive table and then add partition to existed table
hive -e "ALTER TABLE ex_logs ADD PARTITION(logdate='${yesterday}') LOCATION '/web_cleaned/${yesterday}';"

#create hive table everyday
hive -e "CREATE TABLE web_pv_${yesterday} AS SELECT COUNT(1) AS PV FROM ex_logs WHERE logdate='${yesterday}';"
hive -e "CREATE TABLE web_ip_${yesterday} AS SELECT COUNT(DISTINCT ip) AS IP FROM ex_logs WHERE logdate='${yesterday}';"
hive -e "CREATE TABLE web_jumper_${yesterday} AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM ex_logs WHERE logdate='${yesterday}' GROUP BY ip HAVING times=1) e;"
hive -e "CREATE TABLE web_${yesterday} AS SELECT '${yesterday}', a.pv, b.ip, C.jumper FROM web_pv_${yesterday} a JOIN  JOIN web_ip_${yesterday} b ON 1=1 JOIN web_jumper_${yesterday} c ON 1=1;"

#delete hive tables
hive -e "drop table web_pv_${yesterday};"
hive -e "drop table web_ip_${yesterday};"
hive -e "drop table web_jumper_${yesterday};"

#sqoop export to mysql
sqoop export --connect jdbc:mysql://hadoop0:3306/ex_logs --username root --password 123456 --table web_logs_stat --fields-terminated-by '\001' --export-dir '/user/hive/warehouse/web_${yesterday}'

#delete hive tables
hive -e "drop table web_${yesterday};"

5、配置计划任务，命令：crontab -e，内容如：* 1 * * * logs_daily_process.sh，表示每天1点周期执行脚本。