首页 > 代码库 > 大数据实战:用户流量分析系统
大数据实战:用户流量分析系统
文章出处:http://blog.csdn.net/sdksdk0/article/details/51628874
作者:朱培
---------------------------------------------------------------------------------------------------------------
本文是结合Hadoop中的mapreduce来对用户数据进行分析,统计用户的手机号码、上行流量、下行流量、总流量的信息,同时可以按照总流量大小对用户进行分组排序等。是一个非常简洁易用的hadoop项目,主要用户进一步加强对MapReduce的理解及实际应用。文末提供源数据采集文件和系统源码。
本案例非常适合hadoop初级人员学习以及想入门大数据、云计算、数据分析等领域的朋友进行学习。
一、待分析的数据源
以下是一个待分析的文本文件,里面有非常多的用户浏览信息,保扩用户手机号码,上网时间,机器序列号,访问的IP,访问的网站,上行流量,下行流量,总流量等信息。这里只截取一小段,具体文件在文末提供下载链接。
二、基本功能实现
- private long upFlow;
- private long dFlow;
- private long sumFlow;
- package cn.tf.flow;
- import java.io.DataInput;
- import java.io.DataOutput;
- import java.io.IOException;
- import org.apache.hadoop.io.Writable;
- import org.apache.hadoop.io.WritableComparable;
- public class FlowBean implements WritableComparable<FlowBean>{
- private long upFlow;
- private long dFlow;
- private long sumFlow;
- public long getUpFlow() {
- return upFlow;
- }
- public void setUpFlow(long upFlow) {
- this.upFlow = upFlow;
- }
- public long getdFlow() {
- return dFlow;
- }
- public void setdFlow(long dFlow) {
- this.dFlow = dFlow;
- }
- public long getSumFlow() {
- return sumFlow;
- }
- public void setSumFlow(long sumFlow) {
- this.sumFlow = sumFlow;
- }
- public FlowBean(long upFlow, long dFlow) {
- super();
- this.upFlow = upFlow;
- this.dFlow = dFlow;
- this.sumFlow = upFlow+dFlow;
- }
- @Override
- public void readFields(DataInput in) throws IOException {
- upFlow=in.readLong();
- dFlow=in.readLong();
- sumFlow=in.readLong();
- }
- @Override
- public void write(DataOutput out) throws IOException {
- out.writeLong(upFlow);
- out.writeLong(dFlow);
- out.writeLong(sumFlow);
- }
- public FlowBean() {
- super();
- }
- @Override
- public String toString() {
- return upFlow + "\t" + dFlow + "\t" + sumFlow;
- }
- @Override
- public int compareTo(FlowBean o) {
- return this.sumFlow>o.getSumFlow() ? -1:1;
- }
- }
然后就是这个统计的代码了,新建一个FlowCount.java.在这个类里面,我直接把Mapper和Reduce写在同一个类里面了,如果按规范的要求应该是要分开写的。
- public static class FlowCountMapper extends Mapper<LongWritable, Text, Text, FlowBean> {
- @Override
- protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
- // 拿到这行的内容转成string
- String line = value.toString();
- String[] fields = StringUtils.split(line, "\t");
- try {
- if (fields.length > 3) {
- // 获得手机号及上下行流量字段值
- String phone = fields[1];
- long upFlow = Long.parseLong(fields[fields.length - 3]);
- long dFlow = Long.parseLong(fields[fields.length - 2]);
- // 输出这一行的处理结果,key为手机号,value为流量信息bean
- context.write(new Text(phone), new FlowBean(upFlow, dFlow));
- } else {
- return;
- }
- } catch (Exception e) {
- }
- }
- }
- public static class FlowCountReducer extends Reducer<Text, FlowBean, Text, FlowBean> {
- @Override
- protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
- long upSum = 0;
- long dSum = 0;
- for (FlowBean bean : values) {
- upSum += bean.getUpFlow();
- dSum += bean.getdFlow();
- }
- FlowBean resultBean = new FlowBean(upSum, dSum);
- context.write(key, resultBean);
- }
- }
- public static void main(String[] args) throws Exception {
- Configuration conf = new Configuration();
- Job job = Job.getInstance(conf);
- job.setJarByClass(FlowCount.class);
- job.setMapperClass(FlowCountMapper.class);
- job.setReducerClass(FlowCountReducer.class);
- job.setMapOutputKeyClass(Text.class);
- job.setMapOutputValueClass(FlowBean.class);
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(FlowBean.class);
- FileInputFormat.setInputPaths(job, new Path(args[0]));
- FileOutputFormat.setOutputPath(job, new Path(args[1]));
- boolean res = job.waitForCompletion(true);
- System.exit(res ? 0 : 1);
- }
- bin/hadoop fs -mkdir -p /flow/data
- bin/hadoop fs -put HTTP_20130313143750.dat /flow/data
- bin/hadoop jar ../lx/flow.jar
- bin/hadoop jar ../lx/flowsort.jar cn/tf/flow/FlowCount /flow/data /flow/output
在这整过过程中,我们是有yarnchild的进程在执行的,如下图所示:当整个过程执行完毕之后yarnchild也会自动退出。
三、按总流量从大到小排序
如果你上面这个基本操作以及完成了的话,按总流量排序就非常简单了。我们新建一个FlowCountSort.Java.
全部代码如下:
- package cn.tf.flow;
- import java.io.IOException;
- import org.apache.commons.lang.StringUtils;
- 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.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 FlowCountSort {
- public static class FlowCountSortMapper extends Mapper<LongWritable, Text, FlowBean, Text>{
- @Override
- protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
- String line=value.toString();
- String[] fields=StringUtils.split(line,"\t");
- String phone=fields[0];
- long upSum=Long.parseLong(fields[1]);
- long dSum=Long.parseLong(fields[2]);
- FlowBean sumBean=new FlowBean(upSum,dSum);
- context.write(sumBean, new Text(phone));
- }
- }
- public static class FlowCountSortReducer extends Reducer<FlowBean, Text, Text, FlowBean>{
- //进来的“一组”数据就是一个手机的流量bean和手机号
- @Override
- protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
- context.write(values.iterator().next(), key);
- }
- }
- public static void main(String[] args) throws Exception {
- Configuration conf = new Configuration();
- Job job = Job.getInstance(conf);
- job.setJarByClass(FlowCountSort.class);
- job.setMapperClass(FlowCountSortMapper.class);
- job.setReducerClass(FlowCountSortReducer.class);
- job.setMapOutputKeyClass(FlowBean.class);
- job.setMapOutputValueClass(Text.class);
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(FlowBean.class);
- FileInputFormat.setInputPaths(job, new Path(args[0]));
- FileOutputFormat.setOutputPath(job, new Path(args[1]));
- boolean res = job.waitForCompletion(true);
- System.exit(res ? 0 : 1);
- }
- }
这个主要就是使用了FlowBean.java中的代码来实现的,主要是继承了WritableComparable<FlowBean>接口来实现,然后重写了compareTo()方法。
- @Override
- public int compareTo(FlowBean o) {
- return this.sumFlow>o.getSumFlow() ? -1:1;
- }
按照同样的方法对这个文件打成jar包,然后使用hadoop的相关语句进行执行就可以了。
- bin/hadoop jar ../lx/flowsort.jar cn/tf/flow/FlowCountSort /flow/output /flow/sortoutput
结果图:
四、按用户号码区域进行分类
流量汇总之后的结果需要按照省份输出到不同的结果文件中,需要解决两个问题:
1、如何让mr的最终结果产生多个文件: 原理:MR中的结果文件数量由reduce
task的数量绝对,是一一对应的 做法:在代码中指定reduce task的数量
2、如何让手机号进入正确的文件 原理:让不同手机号数据发给正确的reduce task,就进入了正确的结果文件
要自定义MR中的分区partition的机制(默认的机制是按照kv中k的hashcode%reducetask数)
做法:自定义一个类来干预MR的分区策略——Partitioner的自定义实现类
主要代码与前面的排序是非常类似的,只要在main方法中添加如下两行代码就可以了。
- //指定自定义的partitioner
- job.setPartitionerClass(ProvincePartioner.class);
- job.setNumReduceTasks(5);
这里我们需要新建一个ProvincePartioner.java来处理号码分类的逻辑。
- public class ProvincePartioner extends Partitioner<Text, FlowBean>{
- private static HashMap<String, Integer> provinceMap = new HashMap<String, Integer>();
- static {
- provinceMap.put("135", 0);
- provinceMap.put("136", 1);
- provinceMap.put("137", 2);
- provinceMap.put("138", 3);
- }
- @Override
- public int getPartition(Text key, FlowBean value, int numPartitions) {
- String prefix = key.toString().substring(0, 3);
- Integer partNum = provinceMap.get(prefix);
- if(partNum == null) partNum=4;
- return partNum;
- }
- }
执行方法和前面也是一样的。从执行的流程中我们可以看到这里启动了5个reduce task,因为我这里数据量比较小,所以只启动了一个map task。
到这里,整个用户流量分析系统就全部结束了。关于大数据的更多内容,欢迎关注。点击左上角头像下方“点击关注".感谢您的支持!
数据源下载地址:http://download.csdn.net/detail/sdksdk0/9545935
源码项目地址:https://github.com/sdksdk0/HDFS_MapReduce
大数据实战:用户流量分析系统