2016年大数据Spark“蘑菇云”行动代码学习之AdClickedStreamingStats模块分析

    系统背景：用户使用终端设备（IPAD、手机、浏览器）等登录系统，系统采用js脚本发送用户信息和广告点击信息到后台日志，进入flume监控，通过kafka消息中间件传输数据，由Spark Streaming消费后将信息存储到后台。本模块主要就是实现将kafka发送的信息进行过滤，动态更新黑名单，生成有效的广告点击数据，形成广告点击趋势，将相关信息通过数据库连接池写入数据库MySql。

    实现思路：由于kafka传输的广告点击数据中有一些是无效数据，需要根据一定的规则进行过滤（本方案采取简单的黑名单过滤的方式进行过滤，还可以采用机器学习的方式进行过滤——可以做一个大课题研究、大数据黄金岗位、下一步重点方向）。

在形成有效的广告点击数据后，按照天为单位，对广告点击次数进行累计，同时按照一天点击次数超过？次形成新的黑名单，持久化到后台。

对广告按照时间、省份、城市进行点击次数更新，然后插入或更新到MySql数据库。

由DataFrame的GroupBy，计算出每天每个省份的Top5排名的广告。

采用窗口函数reduceByKeyAndWindow计算过去半个小时内广告点击的趋势。

    具体的流程如下：

1. AdClickedStreamingStats模块流程图

   
   

2. 初始化Spark的运行环境，加载必要的JAR包

   
   

3. 设置kafka的参数（broker地址列表、Topics）

   
   

4. 从kafka获取数据（time+IP+UserID+AdID+province+city)

   
   

5. 从数据库获取黑名单信息（UserID），生成黑名单RDD，格式为map(UserID,true）

   
   

6. 将广告点击数据按（UserID,字串流）形成广告点击RDD

   
   

7. 广告点击RDD和黑名单RDD左外连接，形成UserID,(字串流,true或者为空)的RDD

   
   

8. 从新的RDD过滤出用户名不在黑名单上的广告点击RDD（UserID,字串流)

   
   

9. 累加有效的广告点击次数RDD

   （"time_IP_userID_adID_province_city"，long）

   
   

10. 根据一天内的点击次数，来过滤出有效的广告点击数

    （代码中一天内大于1次就过滤掉了？）

    
    

11. 形成用户广告点击ListBuffer

    
    

12. 插入或者更新用户广告点击数据

    （当天已有记录则将广告点击数累加后更新，否则插入）

    
    

13. 根据当天、用户、广告，获得总的点击数，

    如果大于81次，形成新的黑名单

    
    

14. 根据用户ID，进行黑名单去重操作并写入

    
    

15. 按照日期+广告ID+省+市，形成新的广告点击RDD

    
    

16. updateStateByKey，更新状态？

    
    

17. 写入或更新广告点击数据（日期+广告+省+市+点击数）

    
    

18. 按省进行Group by，然后查询出点击排名前5的广告

    
    

19. 将当天+广告的TOP5数据库清空，然后插入新的数据

    
    

20. 计算过去半小时广告点击的趋势

    形成（广告ID+Time)的DStream

    
    

21. 根据滑动窗口（半小时、5分钟），计算出广告点击趋势

    
    

22. 写入广告点击趋势数据

2016年大数据Spark“蘑菇云”行动代码学习之AdClickedStreamingStats模块分析