1.1 項目來源
本次實踐的目的就在于通過對該技術(shù)論壇網(wǎng)站的tomcat access log日志進行分析，計算該論壇的一些關(guān)鍵指標属愤，供運營者進行決策時參考。
PS：開發(fā)該系統(tǒng)的目的是為了獲取一些業(yè)務(wù)相關(guān)的指標酸役，這些指標在第三方工具中無法獲得的住诸；
1.2 數(shù)據(jù)情況
該論壇數(shù)據(jù)有兩部分：
（1）歷史數(shù)據(jù)約56GB，統(tǒng)計到2012-05-29涣澡。這也說明贱呐，在2012-05-29之前，日志文件都在一個文件里邊入桂，采用了追加寫入的方式奄薇。
（2）自2013-05-30起，每天生成一個數(shù)據(jù)文件抗愁，約150MB左右馁蒂。這也說明呵晚，從2013-05-30之后，日志文件不再是在一個文件里邊远搪。
圖2展示了該日志數(shù)據(jù)的記錄格式劣纲，其中每行記錄有5部分組成：訪問者IP、訪問時間谁鳍、訪問資源癞季、訪問狀態(tài)（HTTP狀態(tài)碼）、本次訪問流量倘潜。
圖2 日志記錄數(shù)據(jù)格式
二绷柒、關(guān)鍵指標KPI
2.1 瀏覽量PV
（1）定義：頁面瀏覽量即為PV(Page View)，是指所有用戶瀏覽頁面的總和涮因，一個獨立用戶每打開一個頁面就被記錄1 次废睦。
（2）分析：網(wǎng)站總瀏覽量，可以考核用戶對于網(wǎng)站的興趣养泡，就像收視率對于電視劇一樣嗜湃。
計算公式：記錄計數(shù)，從日志中獲取訪問次數(shù)澜掩。
2.2 注冊用戶數(shù)
該論壇的用戶注冊頁面為member.php购披，而當用戶點擊注冊時請求的又是member.php?mod=register的url。
計算公式：對訪問member.php?mod=register的url肩榕，計數(shù)刚陡。
2.3 IP數(shù)
（1）定義：一天之內(nèi)，訪問網(wǎng)站的不同獨立 IP 個數(shù)加和株汉。其中同一IP無論訪問了幾個頁面筐乳，獨立IP 數(shù)均為1。
（2）分析：這是我們最熟悉的一個概念乔妈，無論同一個IP上有多少電腦蝙云，或者其他用戶，從某種程度上來說路召，獨立IP的多少贮懈，是衡量網(wǎng)站推廣活動好壞最直接的數(shù)據(jù)。
計算公式：對不同的訪問者ip优训，計數(shù)
2.4 跳出率
（1）定義：只瀏覽了一個頁面便離開了網(wǎng)站的訪問次數(shù)占總的訪問次數(shù)的百分比，即只瀏覽了一個頁面的訪問次數(shù) / 全部的訪問次數(shù)匯總各聘。
（2）分析：跳出率是非常重要的訪客黏性指標揣非，它顯示了訪客對網(wǎng)站的興趣程度：跳出率越低說明流量質(zhì)量越好，訪客對網(wǎng)站的內(nèi)容越感興趣躲因，這些訪客越可能是網(wǎng)站的有效用戶早敬、忠實用戶忌傻。
PS：該指標也可以衡量網(wǎng)絡(luò)營銷的效果舆瘪，指出有多少訪客被網(wǎng)絡(luò)營銷吸引到宣傳產(chǎn)品頁或網(wǎng)站上之后崭别，又流失掉了价认，可以說就是煮熟的鴨子飛了儒喊。比如只嚣，網(wǎng)站在某媒體上打廣告推廣龙巨，分析從這個推廣來源進入的訪客指標使鹅，其跳出率可以反映出選擇這個媒體是否合適篇亭，廣告語的撰寫是否優(yōu)秀绝淡，以及網(wǎng)站入口頁的設(shè)計是否用戶體驗良好宙刘。
計算公式：①統(tǒng)計一天內(nèi)只出現(xiàn)一條記錄的ip，稱為跳出數(shù)牢酵；②跳出數(shù)/PV悬包；
處理步驟
1 數(shù)據(jù)清洗
使用MapReduce對HDFS中的原始數(shù)據(jù)進行清洗，以便后續(xù)進行統(tǒng)計分析馍乙；
2 統(tǒng)計分析
使用Hive對清洗后的數(shù)據(jù)進行統(tǒng)計分析布近；
數(shù)據(jù)清洗
一、數(shù)據(jù)情況分析
1.1 數(shù)據(jù)情況回顧
該論壇數(shù)據(jù)有兩部分：
（1）歷史數(shù)據(jù)約56GB丝格，統(tǒng)計到2012-05-29撑瞧。這也說明，在2012-05-29之前铁追，日志文件都在一個文件里邊季蚂，采用了追加寫入的方式。
（2）自2013-05-30起琅束，每天生成一個數(shù)據(jù)文件扭屁，約150MB左右。這也說明涩禀，從2013-05-30之后料滥，日志文件不再是在一個文件里邊。
圖1展示了該日志數(shù)據(jù)的記錄格式艾船，其中每行記錄有5部分組成：訪問者IP葵腹、訪問時間、訪問資源屿岂、訪問狀態(tài)（HTTP狀態(tài)碼）践宴、本次訪問流量。
圖1 日志記錄數(shù)據(jù)格式
本次使用數(shù)據(jù)來自于兩個2013年的日志文件爷怀，分別為access_2013_05_30.log與access_2013_05_31.log阻肩，下載地址為：http://pan.baidu.com/s/1pJE7XR9
1.2 要清理的數(shù)據(jù)
（1）根據(jù)前一篇的關(guān)鍵指標的分析，我們所要統(tǒng)計分析的均不涉及到訪問狀態(tài)（HTTP狀態(tài)碼）以及本次訪問的流量运授，于是我們首先可以將這兩項記錄清理掉烤惊；
（2）根據(jù)日志記錄的數(shù)據(jù)格式乔煞，我們需要將日期格式轉(zhuǎn)換為平常所見的普通格式如20150426這種，于是我們可以寫一個類將日志記錄的日期進行轉(zhuǎn)換柒室；
（3）由于靜態(tài)資源的訪問請求對我們的數(shù)據(jù)分析沒有意義渡贾，于是我們可以將"GET /staticsource/"開頭的訪問記錄過濾掉，又因為GET和POST字符串對我們也沒有意義雄右，因此也可以將其省略掉空骚；
二、數(shù)據(jù)清洗過程
2.1 定期上傳日志至HDFS
首先不脯，把日志數(shù)據(jù)上傳到HDFS中進行處理府怯，可以分為以下幾種情況：
（1）如果是日志服務(wù)器數(shù)據(jù)較小、壓力較小防楷，可以直接使用shell命令把數(shù)據(jù)上傳到HDFS中牺丙；
（2）如果日志服務(wù)器非常多、數(shù)據(jù)量大复局，使用flume進行數(shù)據(jù)處理冲簿；
這里我們的實驗數(shù)據(jù)文件較小，因此直接采用第一種Shell命令方式亿昏。
清洗之前
27.19.74.143 - - [30/May/2013:17:38:20 +0800] "GET /static/image/common/faq.gif HTTP/1.1" 200 1127
110.52.250.126 - - [30/May/2013:17:38:20 +0800] "GET /data/cache/style_1_widthauto.css?y7a HTTP/1.1" 200 1292
27.19.74.143 - - [30/May/2013:17:38:20 +0800] "GET /static/image/common/hot_1.gif HTTP/1.1" 200 680
27.19.74.143 - - [30/May/2013:17:38:20 +0800] "GET /static/image/common/hot_2.gif HTTP/1.1" 200 682
清洗之后
110.52.250.126 20130530173820 data/cache/style_1_widthauto.css?y7a
110.52.250.126 20130530173820 source/plugin/wsh_wx/img/wsh_zk.css
110.52.250.126 20130530173820 data/cache/style_1_forum_index.css?y7a
110.52.250.126 20130530173820 source/plugin/wsh_wx/img/wx_jqr.gif
27.19.74.143 20130530173820 data/attachment/common/c8/common_2_verify_icon.png
27.19.74.143 20130530173820 data/cache/common_smilies_var.js?y7a
2.2 編寫MapReduce程序清理日志
package com.neuedu;
import java.io.IOException;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.Locale;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
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.output.FileOutputFormat;
public class LogCleanJob {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
if (args.length != 2) {
System.err.println("Usage:Merge and duplicate removal <in> <out>");
System.exit(2);
}
Job job = Job.getInstance(conf, "LogCleanJob");
job.setJarByClass(LogCleanJob.class);
job.setMapperClass(MyMapper.class);
job.setReducerClass(MyReducer.class);
job.setMapOutputKeyClass(LongWritable.class);
job.setMapOutputValueClass(Text.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
static class MyMapper extends
Mapper<LongWritable, Text, LongWritable, Text> {
LogParser logParser = new LogParser();
Text outputValue = new Text();
protected void map(
LongWritable key,
Text value,
Context context)
throws java.io.IOException, InterruptedException {
final String[] parsed = logParser.parse(value.toString());
// step1.過濾掉靜態(tài)資源訪問請求
if (parsed[2].startsWith("GET /static/")
|| parsed[2].startsWith("GET /uc_server")) {
return;
}
// step2.過濾掉開頭的指定字符串
if (parsed[2].startsWith("GET /")) {
parsed[2] = parsed[2].substring("GET /".length());
} else if (parsed[2].startsWith("POST /")) {
parsed[2] = parsed[2].substring("POST /".length());
}
// step3.過濾掉結(jié)尾的特定字符串
if (parsed[2].endsWith(" HTTP/1.1")) {
parsed[2] = parsed[2].substring(0, parsed[2].length()
- " HTTP/1.1".length());
}
// step4.只寫入前三個記錄類型項
outputValue.set(parsed[0] + "\t" + parsed[1] + "\t" + parsed[2]);
context.write(key, outputValue);
}
}
static class MyReducer extends
Reducer<LongWritable, Text, Text, NullWritable> {
protected void reduce(
LongWritable k2,
Iterable<Text> values,
Context context)
throws java.io.IOException, InterruptedException {
context.write(values.iterator().next(), NullWritable.get());
}
}
/*
* 日志解析類
*/
static class LogParser {
public static final SimpleDateFormat FORMAT = new SimpleDateFormat(
"d/MMM/yyyy:HH:mm:ss", Locale.ENGLISH);
public static final SimpleDateFormat dateformat1 = new SimpleDateFormat(
"yyyyMMddHHmmss");
public static void main(String[] args) throws ParseException {
final String S1 = "27.19.74.143 - - [30/May/2013:17:38:20 +0800] \"GET /static/image/common/faq.gif HTTP/1.1\" 200 1127";
LogParser parser = new LogParser();
final String[] array = parser.parse(S1);
System.out.println("樣例數(shù)據(jù)： " + S1);
System.out.format(
"解析結(jié)果： ip=%s, time=%s, url=%s, status=%s, traffic=%s",
array[0], array[1], array[2], array[3], array[4]);
}
/**
* 解析英文時間字符串
*
* @param string
* @return
* @throws ParseException
*/
private Date parseDateFormat(String string) {
Date parse = null;
try {
parse = FORMAT.parse(string);
} catch (ParseException e) {
e.printStackTrace();
}
return parse;
}
/**
* 解析日志的行記錄
*
* @param line
* @return 數(shù)組含有5個元素峦剔，分別是ip、時間角钩、url吝沫、狀態(tài)、流量
*/
public String[] parse(String line) {
String ip = parseIP(line);
String time = parseTime(line);
String url = parseURL(line);
String status = parseStatus(line);
String traffic = parseTraffic(line);
return new String[] { ip, time, url, status, traffic };
}
private String parseTraffic(String line) {
final String trim = line.substring(line.lastIndexOf("\"") + 1)
.trim();
String traffic = trim.split(" ")[1];
return traffic;
}
private String parseStatus(String line) {
final String trim = line.substring(line.lastIndexOf("\"") + 1)
.trim();
String status = trim.split(" ")[0];
return status;
}
private String parseURL(String line) {
final int first = line.indexOf("\"");
final int last = line.lastIndexOf("\"");
String url = line.substring(first + 1, last);
return url;
}
private String parseTime(String line) {
final int first = line.indexOf("[");
final int last = line.indexOf("+0800]");
String time = line.substring(first + 1, last).trim();
Date date = parseDateFormat(time);
return dateformat1.format(date);
}
private String parseIP(String line) {
String ip = line.split("- -")[0].trim();
return ip;
}
}
}
一递礼、借助Hive進行統(tǒng)計
1.1 準備工作：建立分區(qū)表
為了能夠借助Hive進行統(tǒng)計分析惨险，首先我們需要將清洗后的數(shù)據(jù)存入Hive中，那么我們需要先建立一張表脊髓。這里我們選擇分區(qū)表辫愉，以日期作為分區(qū)的指標，建表語句如下：（這里關(guān)鍵之處就在于確定映射的HDFS位置将硝，我這里是/project/techbbs/cleaned即清洗后的數(shù)據(jù)存放的位置）
hive> dfs -mkdir -p /project/techbbs/cleaned
hive>CREATE EXTERNAL TABLE techbbs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION '/project/techbbs/cleaned';
建立了分區(qū)表之后恭朗，就需要增加一個分區(qū)，增加分區(qū)的語句如下：（這里主要針對20150425這一天的日志進行分區(qū)）
hive>ALTER TABLE techbbs ADD PARTITION(logdate='2015_04_25') LOCATION '/project/techbbs/cleaned/2015_04_25';
hive> load data local inpath '/root/cleaned' into table techbbs3 partition(logdate='2015_04_25');
1.2 使用HQL統(tǒng)計關(guān)鍵指標
（1）關(guān)鍵指標之一：PV量
頁面瀏覽量即為PV(Page View)依疼，是指所有用戶瀏覽頁面的總和痰腮，一個獨立用戶每打開一個頁面就被記錄1 次。這里律罢，我們只需要統(tǒng)計日志中的記錄個數(shù)即可诽嘉，HQL代碼如下：
hive>CREATE TABLE techbbs_pv_2015_04_25 AS SELECT COUNT(1) AS PV FROM techbbs WHERE logdate='2015_04_25';
（2）關(guān)鍵指標之二：注冊用戶數(shù)
該論壇的用戶注冊頁面為member.php，而當用戶點擊注冊時請求的又是member.php?mod=register的url。因此虫腋，這里我們只需要統(tǒng)計出日志中訪問的URL是member.php?mod=register的即可，HQL代碼如下：
hive>CREATE TABLE techbbs_reguser_2015_04_25 AS SELECT COUNT(1) AS REGUSER FROM techbbs WHERE logdate='2015_04_25' AND INSTR(url,'member.php?mod=register')>0;
（3）關(guān)鍵指標之三：獨立IP數(shù)
一天之內(nèi)稀余，訪問網(wǎng)站的不同獨立 IP 個數(shù)加和悦冀。其中同一IP無論訪問了幾個頁面，獨立IP 數(shù)均為1睛琳。因此盒蟆，這里我們只需要統(tǒng)計日志中處理的獨立IP數(shù)即可，在SQL中我們可以通過DISTINCT關(guān)鍵字师骗，在HQL中也是通過這個關(guān)鍵字：
hive>CREATE TABLE techbbs_ip_2015_04_25 AS SELECT COUNT(DISTINCT ip) AS IP FROM techbbs WHERE logdate='2015_04_25';
（4）關(guān)鍵指標之四：跳出用戶數(shù)
只瀏覽了一個頁面便離開了網(wǎng)站的訪問次數(shù)历等，即只瀏覽了一個頁面便不再訪問的訪問次數(shù)。這里辟癌，我們可以通過用戶的IP進行分組寒屯，如果分組后的記錄數(shù)只有一條，那么即為跳出用戶黍少。將這些用戶的數(shù)量相加寡夹，就得出了跳出用戶數(shù)，HQL代碼如下：
hive>CREATE TABLE techbbs_jumper_2015_04_25 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM techbbs WHERE logdate='2015_04_25' GROUP BY ip HAVING times=1) e;
PS：跳出率是指只瀏覽了一個頁面便離開了網(wǎng)站的訪問次數(shù)占總的訪問次數(shù)的百分比厂置，即只瀏覽了一個頁面的訪問次數(shù) / 全部的訪問次數(shù)匯總菩掏。這里，我們可以將這里得出的跳出用戶數(shù)/PV數(shù)即可得到跳出率昵济。
