环境
虚拟机：VMware 10
Linux版本：CentOS-6.5-x86_64
客户端：Xshell4
FTP：Xftp4
jdk1.8
scala-2.10.4(依赖jdk1.8)
spark-1.6
一、PV & UV
PV是网站分析的一个术语，用以衡量网站用户访问的网页的数量。对于广告主，PV值可预期它可以带来多少广告收入。一般来说，PV与来访者的数量成正比，但是PV并不直接决定页面的真实来访者数量，如同一个来访者通过不断的刷新页面，也可以制造出非常高的PV。
1、什么是PV值
PV（page view）即页面浏览量或点击量，是衡量一个网站或网页用户访问量。具体的说，PV值就是所有访问者在24小时（0点到24点）内看了某个网站多少个页面或某个网页多少次。PV是指页面刷新的次数，每一次页面刷新，就算做一次PV流量。
度量方法就是从浏览器发出一个对网络服务器的请求（Request），网络服务器接到这个请求后，会将该请求对应的一个网页（Page）发送给浏览器，从而产生了一个PV。那么在这里只要是这个请求发送给了浏览器，无论这个页面是否完全打开（下载完成），那么都是应当计为1个PV。
package com.wjy.test; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import scala.Tuple2; public class Pv { public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster("local").setAppName("PV"); JavaSparkContext sc = new JavaSparkContext(conf); JavaRDD<String> rdd = sc.textFile("./data/pvuvdata"); //根据PV定义 某个页面/网址的访问数量 将每一条记录根据网址解析出一条访问量 JavaPairRDD<String, Integer> ipwebrdd = rdd.mapToPair(new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String line) throws Exception { //7.213.213.208 吉林 2018-03-29 1522294977303 1920936170939152672 www.dangdang.com Login String[] ss = line.split(" "); return new Tuple2<String, Integer>(ss[5],1); } }); //累加页面访问量 JavaPairRDD<String, Integer> mapToPair = ipwebrdd.reduceByKey(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1+v2; } }).mapToPair(new PairFunction<Tuple2<String,Integer>, Integer, String>() { private static final long serialVersionUID = 1L; //换个 用于按照整数key排序 @Override public Tuple2<Integer, String> call(Tuple2<String, Integer> tuple) throws Exception { return tuple.swap(); } }).sortByKey(false).mapToPair(new PairFunction<Tuple2<Integer,String>, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(Tuple2<Integer, String> tuple) throws Exception { return tuple.swap(); } }); List<Tuple2<String, Integer>> list = mapToPair.take(5); for(Tuple2<String, Integer> t:list){ System.out.println(t); } sc.stop(); } }
结果：
(www.baidu.com,18791) (www.dangdang.com,18751) (www.suning.com,18699) (www.mi.com,18678) (www.taobao.com,18613)
2、什么是UV值
UV（unique visitor）即独立访客数，指访问某个站点或点击某个网页的不同IP地址的人数。在同一天内，UV只记录第一次进入网站的具有独立IP的访问者，在同一天内再次访问该网站则不计数。UV提供了一定时间内不同观众数量的统计指标，而没有反应出网站的全面活动。
package com.wjy.test; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import scala.Tuple2; public class Uv { /** * 根据IP网址来确定唯一用户访问 然后排重 累计 * @param args */ public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster("local").setAppName("UV"); JavaSparkContext sc = new JavaSparkContext(conf); JavaRDD<String> rdd = sc.textFile("./data/pvuvdata"); JavaPairRDD<String, Integer> rdd2 = rdd.mapToPair(new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String line) throws Exception { String[] split = line.split(" "); return new Tuple2<String, Integer>(split[0]+"_"+split[5],1); } }) .distinct() .mapToPair(new PairFunction<Tuple2<String,Integer>, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(Tuple2<String, Integer> tuple) throws Exception { return new Tuple2<String, Integer>(tuple._1.split("_")[1],1); } }); //累加 JavaPairRDD<String, Integer> rdd3 = rdd2.reduceByKey(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1+v2; } }) .mapToPair(new PairFunction<Tuple2<String,Integer>, Integer, String>() { private static final long serialVersionUID = 1L; //反转 数值做KEY 用于排序 @Override public Tuple2<Integer, String> call(Tuple2<String, Integer> tuple) throws Exception { return tuple.swap(); } }) .sortByKey(false)//降序排序 .mapToPair(new PairFunction<Tuple2<Integer,String>, String, Integer>() { private static final long serialVersionUID = 1L; //排序之后 反转回来 @Override public Tuple2<String, Integer> call(Tuple2<Integer, String> tuple) throws Exception { return tuple.swap(); } }); //取前5个元素 List<Tuple2<String, Integer>> list = rdd3.take(5); for(Tuple2<String, Integer> t:list){ System.out.println(t); } sc.stop(); } }
结果：
(www.baidu.com,15830) (www.suning.com,15764) (www.mi.com,15740) (www.jd.com,15682) (www.dangdang.com,15641)
二、二次排序
对于两列以上的数据，要求对第一列排序之后，之后的列也要依次排序，思路就是：先对第一列进行排序，对于第一列数值相同，再对第二列进行排序。
举例：
待排序数据：secondSort.txt
3 1 5 2 6 5 8 123 1 4 4 123 5 432 3 54 5 121 8 654 3 98
package com.wjy.test; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.api.java.function.VoidFunction; import scala.Tuple2; public class SecondSort{ public static void main(String[] args) { SparkConf conf = new SparkConf(); conf.setMaster("local").setAppName("SecondSort"); JavaSparkContext sc = new JavaSparkContext(conf); JavaRDD<String> rdd = sc.textFile("./data/secondSort.txt"); //转成K-V格式 //PairFunction 入参1-rdd的一行记录 入参2 入参3是call的出参 JavaPairRDD<SecondSortKey, String> mapToPair = rdd.mapToPair(new PairFunction<String, SecondSortKey, String>() { private static final long serialVersionUID = 1L; @Override public Tuple2<SecondSortKey, String> call(String line) throws Exception { String[] sps = line.split(" "); int first = Integer.valueOf(sps[0]); int second = Integer.valueOf(sps[1]); SecondSortKey ss = new SecondSortKey(first,second); return new Tuple2<SecondSortKey, String>(ss,line); } }); //sortByKey 会使用key也就是SecondSortKey的compareTo方法 mapToPair.sortByKey(false).foreach(new VoidFunction<Tuple2<SecondSortKey,String>>() { private static final long serialVersionUID = 1L; @Override public void call(Tuple2<SecondSortKey, String> tuple) throws Exception { System.out.println(tuple._2); } });
sc.stop();
} }
对于KEY自定义类型 实现comparable接口 实现comparTo方法
package com.wjy.test; import java.io.Serializable; public class SecondSortKey implements Serializable ,Comparable<SecondSortKey>{ private static final long serialVersionUID = 1L; private int first; private int second; public SecondSortKey(int first,int second) { super(); this.first=first; this.second=second; } public int getFirst() { return first; } public void setFirst(int first) { this.first = first; } public int getSecond() { return second; } public void setSecond(int second) { this.second = second; } @Override public int compareTo(SecondSortKey o) { //先比较第一个数值 如果相同再比较第二个值 否则直接返回第一个值的比较结果 if (getFirst()-o.getFirst() == 0) { return getSecond() - o.getSecond(); } else { return getFirst()-o.getFirst(); } } }
排序结果：
8 654 8 123 6 5 5 432 5 121 5 2 4 123 3 98 3 54 3 1 1 4
三、分组取topN
对于多组数据，去每一组数据前N个数据，比如列出每个班级的前三名等等问题。
解决的思路：先分组，然后每一组排序，取前N个。
案例：有三个班级的分数清单scores.txt，取出每班前三名。
class1 100 class2 85 class3 70 class1 102 class2 65 class1 45 class2 85 class3 70 class1 16 class2 88 class1 95 class2 37 class3 98 class1 99 class2 23
groupByKey+排序算法：
package com.wjy.test; import java.util.Iterator; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.api.java.function.VoidFunction; import scala.Tuple2; public class TopNtest { public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster("local").setAppName("TopOs"); JavaSparkContext sc = new JavaSparkContext(conf); JavaRDD<String> rdd = sc.textFile("./data/scores.txt"); //转成K-V格式 方便下一步分组和排序 //PairFunction 入参1rdd的一行数据 入参2、3是call的出参元素 JavaPairRDD<String, Integer> mapToPair = rdd.mapToPair(new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String line) throws Exception { String[] ss = line.split(" "); return new Tuple2<String, Integer>(ss[0],Integer.valueOf(ss[1])); } }); //使用groupByKey 将相同班级的数据放在一个集合里 mapToPair.groupByKey().foreach(new VoidFunction<Tuple2<String,Iterable<Integer>>>() { private static final long serialVersionUID = 1L; @Override public void call(Tuple2<String, Iterable<Integer>> tuple) throws Exception { String classname = tuple._1; Iterator<Integer> it = tuple._2.iterator(); Integer[] top3 = new Integer[3]; while(it.hasNext()) { Integer score = it.next(); //排序 for (int i = 0; i < top3.length; i++) { if(top3[i] == null) { top3[i] = score; break; } else if(score > top3[i]) { for (int j = 2; j > i; j--) { top3[j] = top3[j-1]; } top3[i] = score; break; } } } System.out.println("classname="+classname); for (Integer i:top3) { System.out.println(i); } } });
sc.stop();
} }
topN 结果:
classname=class3 98 70 70 classname=class1 102 100 99 classname=class2 88 85 85