寫在前面
前面文章中,我們使用Spark RDD從非結構化的日誌文件中分析出了訪問獨立IP數,單個視頻訪問獨立IP數和每時CDN流量,這篇文章主要介紹使用Spark SQL從結構化的數據中完成這些數據的分析,如下圖所有,先將日誌文件結構化成csv文件,此文件可從源碼cdn.csv中獲取
Pom文件中添加SparkSQL依賴
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.0.0</version>
</dependency>
創建SparkSession對象
//創建sparkSession
val sparkSession = SparkSession.builder
.config("spark.sql.warehouse.dir", "D:\\WorkSpace\\spark\\spark-learning\\spark-warehouse")
.master("local")
.appName("spark session example")
.getOrCreate()
加載結構化數據
//獲取文件路徑
val path=sqlWordCount.getClass.getClassLoader.getResource("cdn.csv").getPath
//讀取文件
val df = sparkSession.read.csv(path)
//將加載的數據臨時命名爲log
df.createOrReplaceTempView("log")
計算獨立IP總數和每個IP訪問數
代碼
val allIpCountSQL="select count(DISTINCT _c1) from log "
val ipCountSQL="select _c1 as IP,count(_c1) as ipCount from log group by _c1 order by ipCOunt desc limit 10"
//查詢獨立IP總數
sparkSession.sql(allIpCountSQL).foreach(row=>println("獨立IP總數:"+row.get(0)))
//查看IP數前10
sparkSession.sql(ipCountSQL).foreach(row=>println("IP:"+row.get(0)+" 次數:"+row.get(1)))
上面這段代碼就是簡單的數據庫SQL統計查詢,好像比前面使用RDD計算簡單多了
結果
獨立ID總數:21012
IP:114.55.227.102 次數:481
IP:114.55.25.11 次數:481
IP:115.236.173.95 次數:378
IP:27.18.175.140 次數:333
IP:115.201.129.102 次數:288
IP:39.190.84.175 次數:277
IP:125.122.240.71 次數:258
IP:115.236.173.94 次數:257
IP:114.55.109.239 次數:231
IP:183.129.67.106 次數:223
計算每個視頻獨立IP總數
代碼
//查詢每個視頻獨立IP數
val videoIpCount="select _c0,count(DISTINCT _c1) as count from log group by _c0 order by count desc limit 10 "
sparkSession.sql(videoIpCount).foreach(row=>println("IP:"+row.get(0)+" 次數:"+row.get(1)))
看了這個代碼,感覺也是很簡單的,就是按視頻ID分組,再統計每個分組中不同IP的數量
結果
視頻ID:149356 次數:3958
視頻ID:149064 次數:3885
視頻ID:149349 次數:1938
視頻ID:149341 次數:1631
視頻ID:149344 次數:1334
視頻ID:149328 次數:1237
視頻ID:89973 次數:945
視頻ID:149339 次數:826
視頻ID:149345 次數:578
視頻ID:149327 次數:545
計算每個小時CDN流量
計算思路
這裏面主要有一個時間段的問題,不然和上面的都是一樣 groupby 一下再 sum 一下就OK了,不過日誌中記錄的是Unix時間戳,只能按秒去分組統計每秒的流量,我們要按每小時分組去統計,所以核心就是將時間戳轉化成小時,總體過程如下
1. 通過SQL查出時間和大小
2. 將結果中的時間轉成小時
3. 將時間格式化好後的RDD轉成DataFrame,用於SQL查詢
4. 通過SQL按小時分組查出結果
代碼
def getHour(time:String)={
val date=new Date(Integer.valueOf(time)*1000);
val sf=new SimpleDateFormat("HH");
sf.format(date)
}
//查詢每個小時視頻流量
val hourCdnSQL="select _c4,_c8 from log "
//取出時間和大小將格式化時間,RDD中格式爲 (小時,大小)
val dataRdd= sparkSession.sql(hourCdnSQL).rdd.map(row=>Row(getHour(row.getString(0)),java.lang.Long.parseLong(row.get(1).toString)))
val schema=StructType(
Seq(
StructField("hour",StringType,true)
,StructField("size",LongType,true)
)
)
//將dataRdd轉成DataFrame
val peopleDataFrame = sparkSession.createDataFrame(dataRdd,schema)
peopleDataFrame.createOrReplaceTempView("cdn")
//按小時分組統計
val results = sparkSession.sql("SELECT hour , sum(size) as size FROM cdn group by hour order by hour ")
results.foreach(row=>println(row.get(0)+"時 流量:"+row.getLong(1)/(1024*1024*1024)+"G"))
結果
00時 流量:4G
01時 流量:12G
02時 流量:18G
03時 流量:23G
04時 流量:26G
05時 流量:28G
06時 流量:23G
07時 流量:22G
08時 流量:4G
09時 流量:20G
10時 流量:24G
11時 流量:29G
12時 流量:36G
13時 流量:33G
14時 流量:29G
15時 流量:34G
16時 流量:42G
17時 流量:39G
18時 流量:29G
19時 流量:22G
20時 流量:27G
21時 流量:6G
22時 流量:4G
23時 流量:3G
完整項目代碼及數據
https://git.oschina.net/whzhaochao/spark-learning