大数据采集、清洗、处理:使用MapReduce进行离线数据分析完整案例

氧气    发布于:2019-10-10 浏览 206

大数据采集、清洗、处理在大数据中处于至关重要的环节,本文主要分享对某个电商网站产生的用户访问日志(access.log)进行离线处理与分析的过程,基于MapReduce的处理方式,最后会统计出某一天不同省份访问该网站的uv与pv,是一个完整的数据采集、清洗、处理的完整离线数据分析案例。

本文转载自:51CTO博客

作者:xpleaf

1 大数据处理的常用方法

大数据处理目前比较流行的是两种方法,一种是离线处理,一种是在线处理,基本处理架构如下:

在互联网应用中,不管是哪一种处理方式,其基本的数据来源都是日志数据,例如对于web应用来说,则可能是用户的访问日志、用户的点击日志等。 
如果对于数据的分析结果在时间上有比较严格的要求,则可以采用在线处理的方式来对数据进行分析,如使用Spark、Storm等进行处理。比较贴切的一个例子是天猫双十一的成交额,在其展板上,我们看到交易额是实时动态进行更新的,对于这种情况,则需要采用在线处理。 
当然,如果只是希望得到数据的分析结果,对处理的时间要求不严格,就可以采用离线处理的方式,比如我们可以先将日志数据采集到HDFS中,之后再进一步使用MapReduce、Hive等来对数据进行分析,这也是可行的。 
本文主要分享对某个电商网站产生的用户访问日志(access.log)进行离线处理与分析的过程,基于MapReduce的处理方式,最后会统计出某一天不同省份访问该网站的uv与pv。

2 生产场景与需求

在我们的场景中,Web应用的部署是如下的架构:

即比较典型的Nginx负载均衡+KeepAlive高可用集群架构,在每台Web服务器上,都会产生用户的访问日志,业务需求方给出的日志格式如下:

  • 1001    211.167.248.22  eecf0780-2578-4d77-a8d6-e2225e8b9169    40604   1       GET /top HTTP/1.0       408     null      null    1523188122767
  • 1003    222.68.207.11   eecf0780-2578-4d77-a8d6-e2225e8b9169    20202   1       GET /tologin HTTP/1.1   504     null      Mozilla/5.0 (Windows; U; Windows NT 5.1)Gecko/20070309 Firefox/2.0.0.3  1523188123267
  • 1001    61.53.137.50    c3966af9-8a43-4bda-b58c-c11525ca367b    0       1       GET /update/pass HTTP/1.0       302       null    null    1523188123768
  • 1000    221.195.40.145  1aa3b538-2f55-4cd7-9f46-6364fdd1e487    0       0       GET /user/add HTTP/1.1  200     null      Mozilla/4.0 (compatible; MSIE 7.0; Windows NT5.2)       1523188124269
  • 1000    121.11.87.171   8b0ea90a-77a5-4034-99ed-403c800263dd    20202   1       GET /top HTTP/1.0       408     null      Mozilla/5.0 (Windows; U; Windows NT 5.1)Gecko/20070803 Firefox/1.5.0.12 1523188120263

其每个字段的说明如下:

  • appid ip mid userid login_type request status http_referer user_agent time
  • 其中:
  • appid包括:web:1000,android:1001,ios:1002,ipad:1003
  • mid:唯一的id此id第一次会种在浏览器的cookie里。如果存在则不再种。作为浏览器唯一标示。移动端或者pad直接取机器码。
  • login_type:登录状态,0未登录、1:登录用户
  • request:类似于此种 "GET /userList HTTP/1.1"
  • status:请求的状态主要有:200 ok、404 not found、408 Request Timeout、500 Internal Server Error、504 Gateway Timeout等
  • http_referer:请求该url的上一个url地址。
  • user_agent:浏览器的信息,例如:"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36"
  • time:时间的long格式:1451451433818。

根据给定的时间范围内的日志数据,现在业务方有如下需求: 
统计出每个省每日访问的PV、UV。

3 数据采集:获取原生数据

数据采集工作由运维人员来完成,对于用户访问日志的采集,使用的是Flume,并且会将采集的数据保存到HDFS中,其架构如下: 

可以看到,不同的Web Server上都会部署一个Agent用于该Server上日志数据的采集,之后,不同Web Server的Flume Agent采集的日志数据会下沉到另外一个被称为Flume Consolidation Agent(聚合Agent)的Flume Agent上,该Flume Agent的数据落地方式为输出到HDFS。 
在我们的HDFS中,可以查看到其采集的日志:

后面我们的工作正是要基于Flume采集到HDFS中的数据做离线处理与分析。

4 数据清洗:将不规整数据转化为规整数据

4.1 数据清洗目的

刚刚采集到HDFS中的原生数据,我们也称为不规整数据,即目前来说,该数据的格式还无法满足我们对数据处理的基本要求,需要对其进行预处理,转化为我们后面工作所需要的较为规整的数据,所以这里的数据清洗,其实指的就是对数据进行基本的预处理,以方便我们后面的统计分析,所以这一步并不是必须的,需要根据不同的业务需求来进行取舍,只是在我们的场景中需要对数据进行一定的处理。

4.2 数据清洗方案

原来的日志数据格式是如下的:

  • appid ip mid userid login_type request status http_referer user_agent time
  • 其中:
  • appid包括:web:1000,android:1001,ios:1002,ipad:1003
  • mid:唯一的id此id第一次会种在浏览器的cookie里。如果存在则不再种。作为浏览器唯一标示。移动端或者pad直接取机器码。
  • login_type:登录状态,0未登录、1:登录用户
  • request:类似于此种 "GET /userList HTTP/1.1"
  • status:请求的状态主要有:200 ok、404 not found、408 Request Timeout、500 Internal Server Error、504 Gateway Timeout等
  • http_referer:请求该url的上一个url地址。
  • user_agent:浏览器的信息,例如:"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36"
  • time:时间的long格式:1451451433818。

但是如果需要按照省份来统计uv、pv,其所包含的信息还不够,我们需要对这些数据做一定的预处理,比如需要,对于其中包含的IP信息,我们需要将其对应的IP信息解析出来;为了方便我们的其它统计,我们也可以将其request信息解析为method、 request_url、 http_version等, 

所以按照上面的分析,我们希望预处理之后的日志数据包含如下的数据字段:

  • appid;  
  • ip;
  • //通过ip来衍生出来的字段 province和city
  • province;
  • city;
  • mid;      
  • userId;    
  • loginType; 
  • request; 
  • //通过request 衍生出来的字段 method request_url http_version
  • method;
  • requestUrl;
  • httpVersion;
  • status;          
  • httpReferer; 
  • userAgent;   
  • //通过userAgent衍生出来的字段,即用户的浏览器信息
  • browser;
  • time;

即在原来的基础上,我们增加了其它新的字段,如province、city等。 
我们采用MapReduce来对数据进行预处理,预处理之后的结果,我们也是保存到HDFS中,即采用如下的架构:

4.3 数据清洗过程:MapReduce程序编写

数据清洗的过程主要是编写MapReduce程序,而MapReduce程序的编写又分为写Mapper、Reducer、Job三个基本的过程。但是在我们这个案例中,要达到数据清洗的目的,实际上只需要Mapper就可以了,并不需要Reducer,原因很简单,我们只是预处理数据,在Mapper中就已经可以对数据进行处理了,其输出的数据并不需要进一步经过Redcuer来进行汇总处理。 
所以下面就直接编写Mapper和Job的程序代码。

4.3.1 执行MapReduce程序

将上面的mr程序打包后上传到我们的Hadoop环境中,这里,对2018-04-08这一天产生的日志数据进行清洗,执行如下命令:

  • yarn jar data-extract-clean-analysis-1.0-SNAPSHOT-jar-with-dependencies.jar\
  • cn.xpleaf.dataClean.mr.job.AccessLogCleanJob \
  • hdfs://ns1/input/data-clean/access/2018/04/08 \
  • hdfs://ns1/output/data-clean/access

观察其执行结果:

  • 18/04/08 20:54:21 INFO mapreduce.Job: Running job: job_1523133033819_0009
  • 18/04/08 20:54:28 INFO mapreduce.Job: Job job_1523133033819_0009 running in uber mode : false
  • 18/04/08 20:54:28 INFO mapreduce.Job:  map 0% reduce 0%
  • 18/04/08 20:54:35 INFO mapreduce.Job:  map 50% reduce 0%
  • 18/04/08 20:54:40 INFO mapreduce.Job:  map 76% reduce 0%
  • 18/04/08 20:54:43 INFO mapreduce.Job:  map 92% reduce 0%
  • 18/04/08 20:54:45 INFO mapreduce.Job:  map 100% reduce 0%
  • 18/04/08 20:54:46 INFO mapreduce.Job: Job job_1523133033819_0009 completed successfully
  • 18/04/08 20:54:46 INFO mapreduce.Job: Counters: 31

可以看到MapReduce Job执行成功!

4.4 数据清洗结果

上面的MapReduce程序执行成功后,可以看到在HDFS中生成的数据输出目录: 

我们可以下载其中一个结果数据文件,并用Notepadd++打开查看其数据信息:

5 数据处理:对规整数据进行统计分析

经过数据清洗之后,就得到了我们做数据的分析统计所需要的比较规整的数据,下面就可以进行数据的统计分析了,即按照业务需求,统计出某一天中每个省份的PV和UV。 
我们依然是需要编写MapReduce程序,并且将数据保存到HDFS中,其架构跟前面的数据清洗是一样的: 

5.1 数据处理思路:如何编写MapReduce程序

现在我们已经得到了规整的数据,关于在于如何编写我们的MapReduce程序。 
因为要统计的是每个省对应的pv和uv,pv就是点击量,uv是独立访客量,需要将省相同的数据拉取到一起,拉取到一块的这些数据每一条记录就代表了一次点击(pv + 1),这里面有同一个用户产生的数据(通过mid来唯一地标识是同一个浏览器,用mid进行去重,得到的就是uv)。 
而拉取数据,可以使用Mapper来完成,对数据的统计(pv、uv的计算)则可以通过Reducer来完成,即Mapper的各个参数可以为如下:

  • Mapper<LongWritable, Text, Text(Province), Text(mid)>

而Reducer的各个参数可以为如下:

  • Reducer<Text(Province), Text(mid), Text(Province), Text(pv + uv)>

5.2 数据处理过程:MapReduce程序编写

根据前面的分析,来编写我们的MapReduce程序。

5.2.4 执行MapReduce程序

将上面的mr程序打包后上传到我们的Hadoop环境中,这里,对前面预处理之后的数据进行统计分析,执行如下命令:

  • yarn jar data-extract-clean-analysis-1.0-SNAPSHOT-jar-with-dependencies.jar \
  • cn.xpleaf.dataClean.mr.job.ProvincePVAndUVJob \
  • hdfs://ns1/output/data-clean/access \
  • hdfs://ns1/output/pv-uv

观察其执行结果:

  • 18/04/08 22:22:42 INFO mapreduce.Job: Running job: job_1523133033819_0010
  • 18/04/08 22:22:49 INFO mapreduce.Job: Job job_1523133033819_0010 running in uber mode : false
  • 18/04/08 22:22:49 INFO mapreduce.Job:  map 0% reduce 0%
  • 18/04/08 22:22:55 INFO mapreduce.Job:  map 50% reduce 0%
  • 18/04/08 22:22:57 INFO mapreduce.Job:  map 100% reduce 0%
  • 18/04/08 22:23:03 INFO mapreduce.Job:  map 100% reduce 100%
  • 18/04/08 22:23:03 INFO mapreduce.Job: Job job_1523133033819_0010 completed successfully
  • 18/04/08 22:23:03 INFO mapreduce.Job: Counters: 49

可以看到MapReduce Job执行成功!

5.3 数据处理结果

上面的MapReduce程序执行成功后,可以看到在HDFS中生成的数据输出目录: 

我们可以下载其结果数据文件,并用Notepadd++打开查看其数据信息: 

至此,就完成了一个完整的数据采集、清洗、处理的完整离线数据分析案例。


对文章版权如有异议,请添加数澜客服微信号进行申诉:shulan_shouhou

收藏此文章 点赞此文章

评论 (0)

暂无用户回复

评论此篇文章

登录后可回复
/1000