图计算实现ID_Mapping、Oneid打通数据孤岛

图计算实现ID_Mapping、Oneid打通数据孤岛

• ID_Mapping与Oneid的作用
• 大神告诉我们Oneid能用来做什么
• 输入数据源格式样例
• 实现原理
• 当日代码生成
• 引用jar包
• 启动命令
• 辛苦码字如有转载请标明出处谢谢！——拜耳法
• PS：我要在下一章在我心中不完美的你打一个淋漓尽致的标签

ID_Mapping与Oneid的作用

大神告诉我们Oneid能用来做什么

输入数据源格式样例

样例数据图1

整理后数据图2

实现原理

联通图

生成最大联通图

留下耀总的数据给大家练习了

当日代码生成

import java.util.UUID
import cn.scfl.ebt.util.UtilTool
import org.apache.spark.SparkContext
import org.apache.spark.graphx._
import org.apache.spark.sql.SparkSession
import org.spark_project.jetty.util.StringUtil

/**
  * @Author: baierfa
  * @version: v1.0
  * @description: id_mapping 单天实现暂时不加入多天滚动计算 多天计算需要看另一文件YeAndTodayGraphx
  * @Date: 2020-07-05 10:24
  */
object TodayGraphx {
  def main(args: Array[String]): Unit = {

    //声明环境变量
    val spark = SparkSession
      .builder
      .appName(s"${this.getClass.getName}")
      .master("local[*]")
      .getOrCreate()
    val sc = spark.sparkContext
    val todayPath = "D:\\TESTPATH\\inputpath\\today\\dt=202-07-13"
    val outPutPath="D:\\TESTPATH\\outtpath\\today\\dt=202-07-13"
    val edgeoutPutPath="D:\\TESTPATH\\edgepath\\today\\dt=202-07-13"

   todayIdMapping(spark,sc,todayPath,outPutPath,edgeoutPutPath)
    spark.close()
  }

/**
 * 功能描述: <输入今天数据路径 按照文件形式输出到指定路径中 并推出今日图计算点与边集合总个数>
 * 〈使用今日输入数据转换成唯一数字值 图计算之后再将数值转换回明文 生成唯一uuid〉
 * @Param: [spark, sc, todayPath, outPutPath, edgeoutPutPath]
 * @Return: void
 * @Author: baierfa
 * @Date: 2020-08-05 10:18
 */
  def todayIdMapping(spark:SparkSession,sc: SparkContext,todayPath: String,outPutPath:String ,edgeoutPutPath:String )={
    //  一、数据加载

    //    今天数据加载
    val todaydf = spark.read.textFile(todayPath)
    //  二、处理数据为生成图做准备
    //    生成今日点集合
    val to_veritx = todaydf.rdd.flatMap(line => {
    //  将数据源进行分割
      val field = line.split("\t")
    //把数据转换成（long，值）要想long值不重复 可以使用hashcode
    //本文用于生产环境 使用了md5加密 详细文件请看其他篇章
      for (ele <- field if StringUtil.isNotBlank(ele)&&(!"\\N".equals(ele))) yield (UtilTool.getMD5(ele), ele)
    })
    //    生成今日边集合
    val to_edges = todaydf.rdd.flatMap(line => {
      //  将数据源进行分割
      val field = line.split("\t")
      //将数据转换 将值转换成边 用于连线 连线值这边用""想更换看个人意愿
      for (i <- 0 to field.length - 2 if StringUtil.isNotBlank(field(i))&&(!"\\N".equals(field(i)))
           ;j <- i + 1 to field.length - 1 if StringUtil.isNotBlank(field(j))&&(!"\\N".equals(field(j))))
           yield Edge(UtilTool.getMD5(field(i)), UtilTool.getMD5(field(j)), "")
    })
//    在数据不做多次etl数据操作下可以使用共同出现次数来判定是否归并为同一个用户
//    例如 合并起来用户 mobile 与 device_id 同时出现两次以上才被记入同一个
//      .map(edge => (edge, 1))
//      .reduceByKey(_ + _)
//      .filter(tp => tp._2 > 2)
//      .map(tp => tp._1)

    //   三、汇总各个节点使用图计算生成图
    // 单将数据重新赋值适用于以后多数据源合并
    val veritx = to_veritx
    val edges = to_edges
    //   开始使用点集合与边集合进行图计算训练
    val graph = Graph(veritx, edges)
    //   四、生成最大连通图
    val graph2 = graph.connectedComponents()
    val vertices = graph2.vertices
    //   五、将最小图计算值替换成uuid
    val uidRdd = vertices.map(tp => (tp._2, tp._1))
      .groupByKey()
      .map(tp => (StringUtil.replace(UUID.randomUUID().toString, "-", ""), tp._2))
    //   对点与边进行统计作为记录输出 可以用于后期统计检查生成报表警报数据是否异常
    val uu = veritx.map(lin=>("vertices",1)).union(edges.map(lin=>("edges",1))).reduceByKey(_ + _)
      .map(tp=>tp._1+"\t"+tp._2)
    //    将现有的数据转换成铭文识别后展示
    //    将各个点的数据汇总到driver端
    val idmpMap = veritx.collectAsMap()
    //    按照map方式广播出去做转换
    val bc = sc.broadcast(idmpMap)
    //  将数据的id转换成明文
    val ss = uidRdd.mapPartitions(itemap => {
      val vert_id_map = bc.value
      itemap.map(tp => {
        //从广播变量中获取id值的信息并转换
        val t2 = for (ele <- tp._2)  yield vert_id_map.get(ele).get
        //按照将要输出的数据格式进行排版 （uuid   mobile1,mobile2,mobile3,device_id1,device_2）
        tp._1+"\t"+t2.mkString(",")
      })
    })
//  数据输出
    ss.saveAsTextFile(outPutPath)
    uu.saveAsTextFile(edgeoutPutPath)
  }
}

引用jar包

 <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <spark.version>2.4.0</spark.version>
        <java.version>1.8</java.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-graphx_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>com.thoughtworks.paranamer</groupId>
            <artifactId>paranamer</artifactId>
            <version>2.8</version>
        </dependency>

    </dependencies>

启动命令

spark-submit \
--class IdMapping \
--master yarn \
--deploy-mode cluster \
--num-executors 40 \
--driver-memory 4g \
--executor-memory 6g \
--executor-cores 3 \
--conf spark.default.parallelism=400 \
--conf spark.shuffle.memoryFraction=0.3 \
ID_Mapping_Spark.jar \
hdfs://user/hive/oneid_data/data_origindata_di/dt=2020-07-13 \
hdfs://user/hive/oneid_data/data_sink_id_mapping/dt=2020-07-14 \
hdfs://user/hive/oneid_data/data_sink_edge_vertex/dt=2020-07-14

辛苦码字如有转载请标明出处谢谢！——拜耳法

都看到这里了非常感谢！
本片章暂未完结 有疑问请+vx ：baierfa

PS：我要在下一章在我心中不完美的你打一个淋漓尽致的标签

将大神挂在那片白云下: oneid与用户标签之间的相互打通 实现用户标签