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 AccessLogCleanMapper
package cn.xpleaf.dataClean.mr.mapper; import cn.xpleaf.dataClean.mr.writable.AccessLogWritable; import cn.xpleaf.dataClean.utils.JedisUtil; import cn.xpleaf.dataClean.utils.UserAgent; import cn.xpleaf.dataClean.utils.UserAgentUtil; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import org.apache.log4j.Logger; import redis.clients.jedis.Jedis; import java.io.IOException; import java.text.DateFormat; import java.text.SimpleDateFormat; import java.util.Date; /** * access日志清洗的主要mapper实现类 * 原始数据结构： * appid ip mid userid login_tpe request status http_referer user_agent time ---> 10列内容 * 清洗之后的结果： * appid ip province city mid userid login_type request method request_url http_version status http_referer user_agent browser yyyy-MM-dd HH:mm:ss */ public class AccessLogCleanMapper extends Mapper<LongWritable, Text, NullWritable, Text> { private Logger logger; private String[] fields; private String appid; //数据来源 web:1000,android:1001,ios:1002,ipad:1003 private String ip; //通过ip来衍生出来的字段 province和city private String province; private String city; private String mid; //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。 private String userId; //用户id private String loginType; //登录状态，0未登录、1：登录用户 private String request; //类似于此种 "GET userList HTTP/1.1" //通过request 衍生出来的字段 method request_url http_version private String method; private String requestUrl; private String httpVersion; private String 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 private String httpReferer; //请求该url的上一个url地址。 private String userAgent; //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" //通过userAgent来获取对应的浏览器 private String browser; //private long time; //action对应的时间戳 private String time;//action对应的格式化时间yyyy-MM-dd HH:mm:ss private DateFormat df; private Jedis jedis; @Override protected void setup(Context context) throws IOException, InterruptedException { logger = Logger.getLogger(AccessLogCleanMapper.class); df = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); jedis = JedisUtil.getJedis(); } /** * appid ip mid userid login_tpe request status http_referer user_agent time ---> 10列内容 * || * || * appid ip province city mid userid login_type request method request_url http_version status http_referer user_agent browser yyyy-MM-dd HH:mm:ss */ @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { fields = value.toString().split("\t"); if (fields == null || fields.length != 10) { // 有异常数据 return; } // 因为所有的字段没有进行特殊操作，只是文本的输出，所以没有必要设置特定类型，全部设置为字符串即可， // 这样在做下面的操作时就可以省去类型的转换，但是如果对数据的合法性有严格的验证的话，则要保持类型的一致 appid = fields[0]; ip = fields[1]; // 解析IP if (ip != null) { String ipInfo = jedis.hget("ip_info", ip); province = ipInfo.split("\t")[0]; city = ipInfo.split("\t")[1]; } mid = fields[2]; userId = fields[3]; loginType = fields[4]; request = fields[5]; method = request.split(" ")[0]; requestUrl = request.split(" ")[1]; httpVersion = request.split(" ")[2]; status = fields[6]; httpReferer = fields[7]; userAgent = fields[8]; if (userAgent != null) { UserAgent uAgent = UserAgentUtil.getUserAgent(userAgent); if (uAgent != null) { browser = uAgent.getBrowserType(); } } try { // 转换有可能出现异常 time = df.format(new Date(Long.parseLong(fields[9]))); } catch (NumberFormatException e) { logger.error(e.getMessage()); } AccessLogWritable access = new AccessLogWritable(appid, ip, province, city, mid, userId, loginType, request, method, requestUrl, httpVersion, status, httpReferer, this.userAgent, browser, time); context.write(NullWritable.get(), new Text(access.toString())); } @Override protected void cleanup(Context context) throws IOException, InterruptedException { // 资源释放 logger = null; df = null; JedisUtil.returnJedis(jedis); } } 4.3.2 AccessLogCleanJob
package cn.xpleaf.dataClean.mr.job; import cn.xpleaf.dataClean.mr.mapper.AccessLogCleanMapper; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; 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; /** * 清洗用户access日志信息 * 主要的驱动程序 * 主要用作组织mapper和reducer的运行 * * 输入参数： * hdfs://ns1/input/data-clean/access/2018/04/08 hdfs://ns1/output/data-clean/access * 即inputPath和outputPath * 目前outputPath统一到hdfs://ns1/output/data-clean/access * 而inputPath则不确定，因为我们的日志采集是按天来生成一个目录的 * 所以上面的inputPath只是清洗2018-04-08这一天的 */ public class AccessLogCleanJob { public static void main(String[] args) throws Exception { if(args == null || args.length < 2) { System.err.println("Parameter Errors! Usage <inputPath...> <outputPath>"); System.exit(-1); } Path outputPath = new Path(args[args.length - 1]); Configuration cOnf= new Configuration(); String jobName = AccessLogCleanJob.class.getSimpleName(); Job job = Job.getInstance(conf, jobName); job.setJarByClass(AccessLogCleanJob.class); // 设置mr的输入参数 for( int i = 0; i < args.length - 1; i++) { FileInputFormat.addInputPath(job, new Path(args[i])); } job.setInputFormatClass(TextInputFormat.class); job.setMapperClass(AccessLogCleanMapper.class); job.setMapOutputKeyClass(NullWritable.class); job.setMapOutputValueClass(Text.class); // 设置mr的输出参数 outputPath.getFileSystem(conf).delete(outputPath, true); // 避免job在运行的时候出现输出目录已经存在的异常 FileOutputFormat.setOutputPath(job, outputPath); job.setOutputFormatClass(TextOutputFormat.class); job.setOutputKeyClass(NullWritable.class); job.setOutputValueClass(Text.class); job.setNumReduceTasks(0); // map only操作，没有reducer job.waitForCompletion(true); } } 4.3.3 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。
5.2.1 ProvincePVAndUVMapper
package cn.xpleaf.dataClean.mr.mapper; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; /** * Mapper<LongWritable, Text, Text(Province), Text(mid)> * Reducer<Text(Province), Text(mid), Text(Province), Text(pv + uv)> */ public class ProvincePVAndUVMapper extends Mapper<LongWritable, Text, Text, Text> { @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String line = value.toString(); String[] fields = line.split("\t"); if(fields == null || fields.length != 16) { return; } String province = fields[2]; String mid = fields[4]; context.write(new Text(province), new Text(mid)); } } 5.2.2 ProvincePVAndUVReducer
package cn.xpleaf.dataClean.mr.reducer; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; import java.util.HashSet; import java.util.Set; /** * 统计该标准化数据，产生结果 * 省 pv uv * 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） * Mapper<LongWritable, Text, Text(Province), Text(mid)> * Reducer<Text(Province), Text(mid), Text(Province), Text(pv + uv)> */ public class ProvincePVAndUVReducer extends Reducer<Text, Text, Text, Text> { private Set<String> uvSet = new HashSet<>(); @Override protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { long pv = 0; uvSet.clear(); for(Text mid : values) { pv++; uvSet.add(mid.toString()); } long uv = uvSet.size(); String pvAndUv = pv + "\t" + uv; context.write(key, new Text(pvAndUv)); } } 5.2.3 ProvincePVAndUVJob
package cn.xpleaf.dataClean.mr.job; import cn.xpleaf.dataClean.mr.mapper.ProvincePVAndUVMapper; import cn.xpleaf.dataClean.mr.reducer.ProvincePVAndUVReducer; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; 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; /** * 统计每个省的pv和uv值 * 输入：经过clean之后的access日志 * appid ip province city mid userid login_type request method request_url http_version status http_referer user_agent browser yyyy-MM-dd HH:mm:ss * 统计该标准化数据，产生结果 * 省 pv uv * * 分析：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） * Mapper<LongWritable, Text, Text(Province), Text(mid)> * Reducer<Text(Province), Text(mid), Text(Province), Text(pv + uv)> * * 输入参数： * hdfs://ns1/output/data-clean/access hdfs://ns1/output/pv-uv */ public class ProvincePVAndUVJob { public static void main(String[] args) throws Exception { if (args == null || args.length < 2) { System.err.println("Parameter Errors! Usage <inputPath...> <outputPath>"); System.exit(-1); } Path outputPath = new Path(args[args.length - 1]); Configuration cOnf= new Configuration(); String jobName = ProvincePVAndUVJob.class.getSimpleName(); Job job = Job.getInstance(conf, jobName); job.setJarByClass(ProvincePVAndUVJob.class); // 设置mr的输入参数 for (int i = 0; i < args.length - 1; i++) { FileInputFormat.addInputPath(job, new Path(args[i])); } job.setInputFormatClass(TextInputFormat.class); job.setMapperClass(ProvincePVAndUVMapper.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(Text.class); // 设置mr的输出参数 outputPath.getFileSystem(conf).delete(outputPath, true); // 避免job在运行的时候出现输出目录已经存在的异常 FileOutputFormat.setOutputPath(job, outputPath); job.setOutputFormatClass(TextOutputFormat.class); job.setReducerClass(ProvincePVAndUVReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(Text.class); job.setNumReduceTasks(1); job.waitForCompletion(true); } } 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。
相关的代码我已经上传到GitHub，有兴趣可以参考一下： https://github.com/xpleaf/data-extract-clean-analysis