推广一下个人的微信公众号【数据与算法联盟】

                                                                                     

转载请注明出处： 转载自  Thinkgamer的CSDN博客：blog.csdn.net/gamer_gyt

代码下载地址：点击查看

1：Web日志分析系统概述

2：需求分析：日志提取预处理，KPI指标设计，存储与展现

3：算法模型：Hadoop并行算法

4：架构设计：构建hadoop项目

5：程序实现：MR2V程序实现

6：结果可视化

一：Web日志分析系统概述

Web日志由Web服务器产生，可能是Nginx，Apache，Tomcat等，从Web日志中我们可以提取到很多有用的信息，比如说网站每类网页的浏览量（PV），独立IP数，稍微复杂一些包括用户检索的关键词排行，用户停留时间，是否遭遇黑客攻击等，更复杂的我们可以构建广告点击模型，分析用户行为特征等，从而为站方创造价值

当然现在已经存在一些做的很好的日志统计分析平台，比如说百度统计，谷歌统计.......

拿上面的百度统计举例，来源分析其实就是对网站浏览量的一个监控，提取的是日志中的pv，下面的列表是便是对浏览者信息记录的呈现，其中地域便是对ip地址的一个统计，当然我们不能和百度相比，但是我们可以做一个简化的“百度统计”，暂且称它为CyanS统计吧

由于我自己网站的数据量太小了，且几乎都是我自己访问的，所以就从朋友那取了一些进行web日志分析（我的服务器只是简单的部署了环境，作品展示用的，呵呵，欢迎访问）

这是一条访问记录：

31.3.245.106 - - [25/Apr/2016:06:55:21 +0800] "CONNECT www.marathonbet.com:443 HTTP/1.1" 405 575 "https://www.marathonbet.com/en/live/26418" "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0"

remote_ip：     31.3.245.106 ，记录来源的ip地址，通过ip地址我们可以得到地域

remote_time：“[25/Apr/2016:06:55:21 +0800]”，记录访问的时间和时区，通过对时间的提取，我们可以得到，每小时的PV，也可以结合IP得到，PV最多的IP

request："CONNECT www.marathonbet.com:443 HTTP/1.1"，请求方式是CONNECT(常见的是post和get)，http版本是1.1

status：405，状态码，200表示请求成功

body_byte_sent：575，反馈的字节是575b，可以理解为当前页面的大小

see_url：www.marathonbet.com:443 ，表示访问的网页

user_agent： "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0" 记录用户浏览器的相关信息

注：1：若要得到更多的信息，则要通过其他的手段去获取，通过js代码单独发送请求，使用cookies记录用户的访问信息，利用这些信息深入挖掘网站

        2：我们可以利用apache自带的rotatelogs实现日志轮播，apache提供了将不把之日直接写入文件，而是同管道发送给另外一个程序的能力，这样做有很大的好处，我们可以充分利用这个机制对日志数据进行预处理，这个管道可以是任意程序，如日志分析，压缩日志等（当然还有其他很多的日志轮播工具，感兴趣的大家可以自己谷歌）

少量数据的情况，即单机可以处理时，我们可以利用linux自带的工具，如awk，grep，sort，join等再配合perl，pytho，正则表达式，基本就可以解决所有的问题

eg：我们想从上面提取的日志文件得到访问量最高的10个IP

cat access.log | awk '{a[$1]++} END {for(b in a) print b"\t"a[b]}' | sort -k2 -r | head -n 10

79.50.131.136    99
173.208.168.74    99
103.210.16.61    96
115.171.36.133    96
87.230.17.128    92
118.161.64.225    91
38.99.252.150    90
95.211.172.4    9
95.105.94.79    9
94.198.2.8    9

海量数据的情况，我们就不能使用单机来处理了，这时我们就需要hadoop并行计算框架和分布式文件存储系统来解决问题了

二：需求分析

1：日志提取预处理

我们可以在部署apache阶段直接对其日志输出进行管道处理，传送给程序，从而进行数据的预处理，当然我们也可以使用python脚本对日志文件进行预处理，这里我采用的是使用python将weblog按照日期写入不同的文件

处理之后显示为：

                           

预处理之后的文件我们上传至HDFS，进行存储

2：KPI指标设计

针对上边的网站日志我们可以设计出以下的指标

a：pv（pageview），日页面访问量统计

b：ip：日页面独立ip的访问量统计

c：request：日请求方式次数统计

d：time：用户每小时的IP访问量

e：source：用户访问的设备统计

3：存储与展现

处理后的数据在web前端展示，也可以使用python画图进行描绘，当然也可以使用R画图展示

三：算法模型：Hadoop并行算法

结合一中的变量

KPI_OneIP_Sum：日来访IP数量统计和地域分布

Map输出：{key：ip+文件名，value：1}

Reduce输出：{key：ip，value：求和} //将不同日期的数据分别写入不同的文件

KPI_OnePV_Sum：指定页面访问次数统计

Map输出：{key：访问的页面+文件名，value：1}

Reduce输出：{key：访问的页面，value：求和}

KPI_OneRequest_Sum：来访请求方式统计

Map输出：{key：请求方式+文件名，value：1}

Reduce输出：{key：请求方式， value：求和}

KPI_OneTime_Sum：每小时的访问量统计

Map输出：{key：时间+文件名，value：1}

Reduce输出：{key：时间，value：sum}

KPI_OneSource_Sum：日用户访问设备统计

Map输出：{key：设备名+文件名，value：1}

Reduce输出：{key：设备名，value：求和sum}

四：架构设计：构建hadoop项目

代码截图

hdfsGYT.java：是我使用java对hdfs的封装

KPI_OneIP_Sum.java：日独立IP统计

KPI_OnePV_Sum.java：日访问量统计

KPI_OneRequest_Sum.java：日请求方式统计

KPI_OneResource_Sum.java：日访问设备统计

KPI_OneTime_Sum.java：日每小时访问量统计

KPIfilter.java：对日志行的解析类

KPIJob.java：任务调度函数

运行结果截图

                           

五：程序实现：MR2V程序实现

在这里只对部分代码进行展示，更多代码请前往github下载：下载地址

1：KPIfilter.java（解析日志行的类）

package WebKPI;

import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.HashSet;
import java.util.Locale;
import java.util.Set;

public class KPIfilter {
	
	//自定义错误计数器，在执行完程序时显示相应的错误条数
	//由于web日志并不是规格的，存在部分数据不完整或者格式有问题，故设计计数
	private static int numUser_agent = 0; //用户代理
	private static int numStatus = 0; //访问状态码

	
	private String remote_ip;        //记录来源的ip地址，通过ip地址我们可以得到地域
	private String remote_time;  //记录访问的时间和时区
	private String request;            //记录请求方式
	private String status;               //网站请求状态码
	private String body_byte_sent;     //请求网页时反馈的字节大小
	private String see_url;            //表示从哪个页面连接过来
	private String user_agent;        //记录用户浏览的相关信息
	
	public int getNumUser_agent() {
		return numUser_agent;
	}

	public static int getNumStatus() {
		return numStatus;
	}
	
	private boolean valid = true;       //判断数据是否合法

	@Override
	public String toString() {
		// TODO Auto-generated method stub
		StringBuilder sb = new StringBuilder();
		sb.append("valid:" + this.valid);
		sb.append("\nremote_ip:" + this.remote_ip);
		sb.append("\nremote_time:" + this.remote_time);
		sb.append("\nrequest:" + this.request);
		sb.append("\nstatus:" + this.status);
		sb.append("\nbody_byte_sent:" + this.body_byte_sent);
		sb.append("\nsee_url:" + this.see_url);
		sb.append("\nuser_agent:" + this.user_agent);
		return sb.toString();
	}

	//get remote_ip
	public String getRemote_ip() {
		return remote_ip;
	}

	//set remote_ip
	public void setRemote_ip(String remote_ip) {
		this.remote_ip = remote_ip;
	}


	 public Date getTime_local_Date() throws ParseException {
	        SimpleDateFormat df = new SimpleDateFormat("dd/MMM/yyyy:HH:mm:ss", Locale.US);
	        return df.parse(this.remote_time);
	    }
	    
	    public String getTime_local_Date_hour() throws ParseException{
	        SimpleDateFormat df = new SimpleDateFormat("yyyyMMddHH");
	        return df.format(this.getTime_local_Date());
	    }

	//get remote_time
	public String getRemote_time() {
		return remote_time;
	}
	
	//set remote_time，时间转化为Unix时间戳
	public void setRemote_time(String remote_time) {
		this.remote_time = remote_time.substring(1);
	}

	//get request
	public String getRequest() {
		return request;
	}

	//set request
	public void setRequest(String request) {
		this.request = request.substring(1);
	}

	//get status
	public String getStatus() {
		return status;
	}
	//set status
	public void setStatus(String status) {
		this.status = status;
	}

	//get body_byte_sent
	public String getBody_byte_sent() {
		return body_byte_sent;
	}

	//set body_byte_sent
	public void setBody_byte_sent(String body_byte_sent) {
		this.body_byte_sent = body_byte_sent;
	}

	//get from_url
	public String getSee_url() {
		return see_url;
	}

	//set from_url
	public void setSee_url(String see_url) {
		this.see_url = see_url;
	}

	//get user_agent
	public String getUser_agent() {
		return user_agent;
	}

	//set user_agentl
	public void setUser_agent(String user_agent) {
		try{
			this.user_agent = user_agent.substring(1);
		}catch(Exception e){
//			e.printStackTrace();
			System.out.println("user_agent is inlegal");
			this.user_agent = "-";
			this.numUser_agent ++;
		}
	}

	//get valid
	public boolean isValid() {
		return valid;
	}

	//set valid
	public void setValid(boolean valid) {
		this.valid = valid;
	}
	
	//解析每行日志
	public static KPIfilter parser(String line) throws ParseException{
//		System.out.println(line);
		KPIfilter kpi = new KPIfilter();   //声明一个KPIfilter的对象
		
		String[] arr = line.split(" ");
		//日志数据并非是规则的，但最短长度为12,所以要大于11
		if(arr.length>11){
			
			try{
				kpi.setRemote_ip(arr[0]);       //设置IP
				kpi.setRemote_time(arr[3]); //设置时间
				kpi.setRequest(arr[5]);        //设置请求方式
				kpi.setStatus(arr[8]);            //设置返回的状态码
				kpi.setBody_byte_sent(arr[9]); //设置返回的字节数
				kpi.setSee_url(arr[6]);          //设置来源页面
				kpi.setUser_agent(arr[11]);           //设置请求信息
//				System.out.println(kpi);
				
	
	//	        SimpleDateFormat df = new SimpleDateFormat("yyyy.MM.dd:HH:mm:ss", Locale.US);
	//	        System.out.println(df.format(kpi.getTime_local_Date()));
	//	        System.out.println(kpi.getTime_local_Date_hour());
				try{
					if (Integer.parseInt(kpi.getStatus()) >= 400) {// 大于400，HTTP错误
		                kpi.setValid(false);
		            }
				}catch(Exception e){
//					e.printStackTrace();
					System.out.println("Status is error");
					kpi.setStatus(arr[9]);
					if (Integer.parseInt(kpi.getStatus()) >= 400) {// 大于400，HTTP错误
		                kpi.setValid(false);
		                numStatus++;
		            }
				}
//				
			}catch(Exception e){
//				e.printStackTrace();
				kpi.setValid(false);
			}
			
			
		}else{//如果长度小于12,则为不满足条件，设置valid为false
			kpi.setValid(false);
		}
		
		return kpi;
	}
	
	//按page的pv分类，过滤指定网页的浏览量
	public static KPIfilter filterPVs(String line) throws ParseException
	{
		KPIfilter kpi = parser(line);
		Set pages =new HashSet();
		
		pages.add("/213.238.172.248");
		pages.add("/order-form/");
		pages.add("/index.php");
		pages.add("http://www.addamiele.it/");
		pages.add("http://www.tianya.cn/ ");
		pages.add("http://www.google.com/");
		
		if(pages.contains(kpi.getSee_url()))
		{
			kpi.setValid(true);
		}else{
			kpi.setValid(false);
		}
		return kpi;
	}
	
	public static void main(String [] args) throws ParseException {
		String line = "31.3.245.106 - - [25/Apr/2016:06:55:21 +0800] \"CONNECT www.marathonbet.com:443 HTTP/1.1\" 405 575 \"https://www.marathonbet.com/en/live/26418\" \"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0";
		KPIfilter kpi = new KPIfilter();
		kpi = kpi.parser(line);		
		System.out.println(kpi.toString());
		System.out.println(kpi.getTime_local_Date_hour());
	}
	
}

2：KPIJob.java（任务调度函数）

package WebKPI;

import java.io.IOException;
import java.net.URISyntaxException;
import java.util.HashMap;
import java.util.Map;

public class KPIJob {
    //定义全局变量 hdfs地址url	
	public static final String  HDFS = "hdfs://127.0.0.1:9000";
	
	public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException, URISyntaxException {
		//定义一个map集合，存放程序中所需要的路径
		Map  <String, String> path= new HashMap<String, String>();
		
//		path.put("local_path", "webLogKPI/weblog/access.log");          //本地目录
		path.put("input_log", HDFS+"/mr/webLogKPI/log_files");  //hdfs上存放log的目录
		
		path.put("output_oneip", HDFS + "/mr/webLogKPI/KPI_OneIP_Sum");   //hdfs上KPI_OneIP_Sum对应的输出文件
		path.put("output_pv", HDFS + "/mr/webLogKPI/KPI_OnePV_Sum");   //hdfs上KPI_OnePV_Sum对应的输出文件
		path.put("output_request",HDFS+"/mr/webLogKPI/KPI_OneRequest_Sum");  //hdfs 上KPI_OneRequest_Sum对应的输出文件
		path.put("output_time", HDFS+"/mr/webLogKPI/KPI_OneTime_Sum");              //hdfs上KPI_OneTime_Sum对应的输出文件
		path.put("output_source", HDFS+"/mr/webLogKPI/KPI_OneResource_Sum");              //hdfs上KPI_OneResource_Sum对应的输出文件
		
		KPI_OneIP_Sum.main(path);    //计算独立IP访问量
		KPI_OnePV_Sum.main(path);    //计算PV访问量
		KPI_OneRequest_Sum.main(path);        //获得请求方式
		KPI_OneTime_Sum.main(path);          //每小时的PV
		KPI_OneSource_Sum.main(path);          //日访问设备统计
		
		System.exit(0);
	}
}

3：KPI_OneIP_Sum.java（日独立ip访问量统计）

package WebKPI;

import java.io.IOException;
import java.net.URISyntaxException;
import java.text.ParseException;
import java.util.Map;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
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.FileSplit;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.MultipleOutputs;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
/*
 * 2016.04.17——2016.04.30期间的数据
 * 分别统计每天的ip独立访问数目
*/

public class KPI_OneIP_Sum {
	private static KPIfilter kpi = new KPIfilter();
	
	private static class IPMapper extends Mapper<LongWritable,Text,Text,LongWritable>{
		private Text ipK = new Text();
		private LongWritable ipV = new LongWritable(1);
		String filename;
		
		public void setup(Context context) throws IOException,InterruptedException {
			// TODO Auto-generated method stub
			//获取文件名
			InputSplit inputSplit = context.getInputSplit();
			filename = ((FileSplit) inputSplit).getPath().getName();
			filename = (String) filename.subSequence(0,11);
			System.out.println(filename);
		}

		public void map(LongWritable key,Text value, Context context) throws IOException, InterruptedException{
//			System.out.println(value.toString());
			
			try {
				kpi = KPIfilter.parser(value.toString());
				//在进行判断时
				if(kpi.isValid()){
					ipK.set(kpi.getRemote_ip() + "\t" + filename);
//					System.out.println(ipK + "===" + ipV);
					context.write(ipK, ipV);
				}
			} catch (ParseException e) {
				// TODO Auto-generated catch block
//				e.printStackTrace();
				System.out.println("this some error");
			}
			
		}
	}
	
	public static class IPReducer extends Reducer<Text,LongWritable,Text,LongWritable>{
		private Text ipK2 = new Text();
		private LongWritable ipV2 = new LongWritable(); 
		
		//声明mos变量，用来将来自不同文件的ip统计写入到不同的文件中
		private MultipleOutputs<Text, LongWritable> mos;
		//setup函数
		protected void setup(Context context) throws IOException,InterruptedException {
			// TODO Auto-generated method stub
			mos = new MultipleOutputs<Text, LongWritable>(context);
		}
		
		public void reduce(Text key, Iterable<LongWritable>values, Context context ) throws IOException, InterruptedException{
				String[] arr = key.toString().split("\t");
				String filename = arr[1].replace("-","");          //该数据来自哪个文件, 因为文件命名时不能出现-，所有都去掉
//				System.out.println(filename);
				
				//统计每个文件下每个IP出现的次数
				int num=0;
				for (LongWritable longWritable : values) {
					num += longWritable.get();
				}

				ipK2.set(arr[0]);
				ipV2.set(num);
//				System.out.println(filename + "______________"  + ipK2 + "===========" + ipV2);
				mos.write(filename, ipK2, ipV2);
		}
		
		//cleanup函数  关闭mos
		public void cleanup(Context context) throws IOException,InterruptedException {
				mos.close();
			}
	}
	
	public static void main(Map<String, String> path) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
		
//		String local_input = path.get("local_path");    //存放log的本地目录
		String hdfs_input = path.get("input_log");   //上传weblog到hdfs的目录
		String hdfs_output = path.get("output_oneip");  //运行该job的输出目录
		
		hdfsGYT hdfs = new hdfsGYT();
//		hdfs.rmr(hdfs_input);     //删除hdfs上weblog的存放目录
		hdfs.rmr(hdfs_output);  //删除hdfs上任务的输出目录
//		hdfs.put(local_input, hdfs_input);   //将weblog从本地上传至hdfs	  
		
		Job job = new Job(new Configuration(),"OneIP_Sum");
		job.setJarByClass(KPI_OneIP_Sum.class);
		
		job.setMapperClass(IPMapper.class);      
	    job.setReducerClass(IPReducer.class);
		
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(LongWritable.class);
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(LongWritable.class);
		
		job.setInputFormatClass(TextInputFormat.class);
		job.setOutputFormatClass(TextOutputFormat.class);
		

		MultipleOutputs.addNamedOutput(job, "17Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "18Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "19Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "20Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "21Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "22Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "23Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "24Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "25Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "26Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "27Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "28Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "29Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		MultipleOutputs.addNamedOutput(job, "30Apr2016", TextOutputFormat.class, Text.class, LongWritable.class);
		
		FileInputFormat.addInputPath(job, new Path(hdfs_input));
		FileOutputFormat.setOutputPath(job, new Path(hdfs_output));
		
		//提交作业
		job.waitForCompletion(true);
		
		//
		System.out.println("User_agent Error:" + kpi.getNumUser_agent());
		System.out.println("Status Error:" + kpi.getStatus());
	}
}

运行结果截图：

六：结果可视化

可以采用Python的matplotlib做图展示，或者使用R，或者H5的canvas做图展示

下面只对日每小时访问量做图展示，其他的类似，感兴趣的朋友可以自己尝试着做图

In [21]: import numpy as np

In [22]: import pylab as pl

In [23]: x = []

In [24]: for i in range(24):
    x.append(str(2016041900 + i))
   ....:     

In [25]: y=[2043,3293,1480,113,6841,5678,492,523,550,81,20,7,12,15,4,3,5,9,7,4,13,10,4,32]

In [26]: pl.plot(x, y)
Out[26]: [<matplotlib.lines.Line2D at 0x7f3ff8e85e10>]

In [27]: pl.show()

结果图：