如何使用Hadoop（MapReduce）分析web日志得到KPI指标

本帖最后由 Oner 于 2017-7-27 17:26 编辑
问题导读：
1. 如何进行日志提取预处理？
2. 如何设计KPI指标？
3. 如何使用Hadoop并行算法？
4. 如何构造Hadoop项目？
5. 如何可视化结果？

一：Web日志分析系统概述

Web日志由Web服务器产生，可能是Nginx，Apache，Tomcat等，从Web日志中我们可以提取到很多有用的信息，比如说网站每类网页的浏览量（PV），独立IP数，稍微复杂一些包括用户检索的关键词排行，用户停留时间，是否遭遇黑客攻击等，更复杂的我们可以构建广告点击模型，分析用户行为特征等，从而为站方创造价值。

当然现在已经存在一些做的很好的日志统计分析平台，比如说百度统计，谷歌统计.......

拿上面的百度统计举例，来源分析其实就是对网站浏览量的一个监控，提取的是日志中的pv，下面的列表是便是对浏览者信息记录的呈现，其中地域便是对ip地址的一个统计，当然我们不能和百度相比，但是我们可以做一个简化的“百度统计”，暂且称它为CyanS统计吧

由于我自己网站的数据量太小了，且几乎都是我自己访问的，所以就从朋友那取了一些进行web日志分析（我的服务器只是简单的部署了环境，作品展示用的，呵呵，欢迎访问）

这是一条访问记录：
31.3.245.106 - - [25/Apr/2016:06:55:21 +0800] "CONNECT www.marathonbet.com:443 HTTP/1.1" 405 575 "https://www.marathonbet.com/en/live/26418" "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0"

remote_ip： 31.3.245.106 ，记录来源的ip地址，通过ip地址我们可以得到地域
remote_time：“[25/Apr/2016:06:55:21 +0800]”，记录访问的时间和时区，通过对时间的提取，我们可以得到，每小时的PV，也可以结合IP得到，PV最多的IP
request："CONNECT www.marathonbet.com:443 HTTP/1.1"，请求方式是CONNECT(常见的是post和get)，http版本是1.1
status：405，状态码，200表示请求成功
body_byte_sent：575，反馈的字节是575b，可以理解为当前页面的大小
see_url：www.marathonbet.com:443 ，表示访问的网页
user_agent： "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0" 记录用户浏览器的相关信息
注：1：若要得到更多的信息，则要通过其他的手段去获取，通过js代码单独发送请求，使用cookies记录用户的访问信息，利用这些信息深入挖掘网站
2：我们可以利用apache自带的rotatelogs实现日志轮播，apache提供了将不把之日直接写入文件，而是同管道发送给另外一个程序的能力，这样做有很大的好处，我们可以充分利用这个机制对日志数据进行预处理，这个管道可以是任意程序，如日志分析，压缩日志等（当然还有其他很多的日志轮播工具，感兴趣的大家可以自己谷歌）

少量数据的情况，即单机可以处理时，我们可以利用Linux自带的工具，如awk，grep，sort，join等再配合perl，pytho，正则表达式，基本就可以解决所有的问题
eg：我们想从上面提取的日志文件得到访问量最高的10个IP

cat access.log | awk '{a[$1]++} END {for(b in a) print b"\t"a}' | sort -k2 -r | head -n 10
79.50.131.136 99
173.208.168.74 99
103.210.16.61 96
115.171.36.133 96
87.230.17.128 92
118.161.64.225 91
38.99.252.150 90
95.211.172.4 9
95.105.94.79 9
94.198.2.8 9

海量数据的情况，我们就不能使用单机来处理了，这时我们就需要hadoop并行计算框架和分布式文件存储系统来解决问题了

二：需求分析

1：日志提取预处理
我们可以在部署apache阶段直接对其日志输出进行管道处理，传送给程序，从而进行数据的预处理，当然我们也可以使用Python脚本对日志文件进行预处理，这里我采用的是使用python将weblog按照日期写入不同的文件
处理之后显示为：

预处理之后的文件我们上传至HDFS，进行存储

2：KPI指标设计
针对上边的网站日志我们可以设计出以下的指标
a：pv（pageview），日页面访问量统计
b：ip：日页面独立ip的访问量统计
c：request：日请求方式次数统计
d：time：用户每小时的IP访问量
e：source：用户访问的设备统计

3：存储与展现
处理后的数据在web前端展示，也可以使用python画图进行描绘，当然也可以使用R画图展示

三：算法模型：Hadoop并行算法

结合一中的变量
KPI_OneIP_Sum：日来访IP数量统计和地域分布
Map输出：{key：ip+文件名，value：1}
Reduce输出：{key：ip，value：求和} //将不同日期的数据分别写入不同的文件

KPI_OnePV_Sum：指定页面访问次数统计
Map输出：{key：访问的页面+文件名，value：1}
Reduce输出：{key：访问的页面，value：求和}

KPI_OneRequest_Sum：来访请求方式统计
Map输出：{key：请求方式+文件名，value：1}
Reduce输出：{key：请求方式， value：求和}

KPI_OneTime_Sum：每小时的访问量统计
Map输出：{key：时间+文件名，value：1}
Reduce输出：{key：时间，value：sum}

KPI_OneSource_Sum：日用户访问设备统计
Map输出：{key：设备名+文件名，value：1}
Reduce输出：{key：设备名，value：求和sum}

四：架构设计：构建hadoop项目

代码截图

hdfsGYT.Java：是我使用java对hdfs的封装
KPI_OneIP_Sum.java：日独立IP统计
KPI_OnePV_Sum.java：日访问量统计
KPI_OneRequest_Sum.java：日请求方式统计
KPI_OneResource_Sum.java：日访问设备统计
KPI_OneTime_Sum.java：日每小时访问量统计
KPIfilter.java：对日志行的解析类
KPIJob.java：任务调度函数

运行结果截图

五：程序实现：MR2V程序实现

在这里只对部分代码进行展示，更多代码请前往github下载：下载地址[https://github.com/Thinkgamer/Hadoop-Spark-Learning/tree/master/Hadoop/WebKPI]

1：KPIfilter.java（解析日志行的类）
[mw_shl_code=java,true]package WebKPI;

import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.HashSet;
import java.util.Locale;
import java.util.Set;

public class KPIfilter {

//自定义错误计数器，在执行完程序时显示相应的错误条数
//由于web日志并不是规格的，存在部分数据不完整或者格式有问题，故设计计数
private static int numUser_agent = 0; //用户代理
private static int numStatus = 0; //访问状态码


private String remote_ip;       //记录来源的ip地址，通过ip地址我们可以得到地域
private String remote_time;  //记录访问的时间和时区
private String request;          //记录请求方式
private String status;             //网站请求状态码
private String body_byte_sent;    //请求网页时反馈的字节大小
private String see_url;          //表示从哪个页面连接过来
private String user_agent;       //记录用户浏览的相关信息

public int getNumUser_agent() {
      return numUser_agent;
}

public static int getNumStatus() {
      return numStatus;
}

private boolean valid = true;    //判断数据是否合法

@Override
public String toString() {
      // TODO Auto-generated method stub
      StringBuilder sb = new StringBuilder();
      sb.append("valid:" + this.valid);
      sb.append("\nremote_ip:" + this.remote_ip);
      sb.append("\nremote_time:" + this.remote_time);
      sb.append("\nrequest:" + this.request);
      sb.append("\nstatus:" + this.status);
      sb.append("\nbody_byte_sent:" + this.body_byte_sent);
      sb.append("\nsee_url:" + this.see_url);
      sb.append("\nuser_agent:" + this.user_agent);
      return sb.toString();
}

//get remote_ip
public String getRemote_ip() {
      return remote_ip;
}

//set remote_ip
public void setRemote_ip(String remote_ip) {
      this.remote_ip = remote_ip;
}


   public Date getTime_local_Date() throws ParseException {
         SimpleDateFormat df = new SimpleDateFormat("dd/MMM/yyyy:HH:mm:ss", Locale.US);
         return df.parse(this.remote_time);
      }

      public String getTime_local_Date_hour() throws ParseException{
         SimpleDateFormat df = new SimpleDateFormat("yyyyMMddHH");
         return df.format(this.getTime_local_Date());
      }

//get remote_time
public String getRemote_time() {
      return remote_time;
}

//set remote_time，时间转化为Unix时间戳
public void setRemote_time(String remote_time) {
      this.remote_time = remote_time.substring(1);
}

//get request
public String getRequest() {
      return request;
}

//set request
public void setRequest(String request) {
      this.request = request.substring(1);
}

//get status
public String getStatus() {
      return status;
}
//set status
public void setStatus(String status) {
      this.status = status;
}

//get body_byte_sent
public String getBody_byte_sent() {
      return body_byte_sent;
}

//set body_byte_sent
public void setBody_byte_sent(String body_byte_sent) {
      this.body_byte_sent = body_byte_sent;
}

//get from_url
public String getSee_url() {
      return see_url;
}

//set from_url
public void setSee_url(String see_url) {
      this.see_url = see_url;
}

//get user_agent
public String getUser_agent() {
      return user_agent;
}

//set user_agentl
public void setUser_agent(String user_agent) {
      try{
         this.user_agent = user_agent.substring(1);
      }catch(Exception e){
//       e.printStackTrace();
         System.out.println("user_agent is inlegal");
         this.user_agent = "-";
         this.numUser_agent ++;
      }
}

//get valid
public boolean isValid() {
      return valid;
}

//set valid
public void setValid(boolean valid) {
      this.valid = valid;
}

//解析每行日志
public static KPIfilter parser(String line) throws ParseException{
//    System.out.println(line);
      KPIfilter kpi = new KPIfilter(); //声明一个KPIfilter的对象

      String[] arr = line.split(" ");
      //日志数据并非是规则的，但最短长度为12,所以要大于11
      if(arr.length>11){

         try{
            kpi.setRemote_ip(arr[0]);    //设置IP
            kpi.setRemote_time(arr[3]); //设置时间
            kpi.setRequest(arr[5]);       //设置请求方式
            kpi.setStatus(arr[8]);          //设置返回的状态码
            kpi.setBody_byte_sent(arr[9]); //设置返回的字节数
            kpi.setSee_url(arr[6]);       //设置来源页面
            kpi.setUser_agent(arr[11]);          //设置请求信息
//             System.out.println(kpi);


//       SimpleDateFormat df = new SimpleDateFormat("yyyy.MM.dd:HH:mm:ss", Locale.US);
//       System.out.println(df.format(kpi.getTime_local_Date()));
//       System.out.println(kpi.getTime_local_Date_hour());
            try{
                  if (Integer.parseInt(kpi.getStatus()) >= 400) {// 大于400，HTTP错误
                     kpi.setValid(false);
                  }
            }catch(Exception e){
//                e.printStackTrace();
                  System.out.println("Status is error");
                  kpi.setStatus(arr[9]);
                  if (Integer.parseInt(kpi.getStatus()) >= 400) {// 大于400，HTTP错误
                     kpi.setValid(false);
                     numStatus++;
                  }
            }
//
         }catch(Exception e){
//             e.printStackTrace();
            kpi.setValid(false);
         }


      }else{//如果长度小于12,则为不满足条件，设置valid为false
         kpi.setValid(false);
      }

      return kpi;
}

//按page的pv分类，过滤指定网页的浏览量
public static KPIfilter filterPVs(String line) throws ParseException
{
      KPIfilter kpi = parser(line);
      Set pages =new HashSet();

      pages.add("/213.238.172.248");
      pages.add("/order-form/");
      pages.add("/index.php");
      pages.add("http://www.addamiele.it/");
      pages.add("http://www.tianya.cn/ ");
      pages.add("http://www.google.com/");

      if(pages.contains(kpi.getSee_url()))
      {
         kpi.setValid(true);
      }else{
         kpi.setValid(false);
      }
      return kpi;
}

public static void main(String [] args) throws ParseException {
      String line = "31.3.245.106 - - [25/Apr/2016:06:55:21 +0800] \"CONNECT www.marathonbet.com:443 HTTP/1.1\" 405 575 \"https://www.marathonbet.com/en/live/26418\" \"Mozilla/5.0 (Windows NT 6.1; WOW64; rv:16.0) Gecko/20100101 Firefox/16.0";
      KPIfilter kpi = new KPIfilter();
      kpi = kpi.parser(line);
      System.out.println(kpi.toString());
      System.out.println(kpi.getTime_local_Date_hour());
}

}  [/mw_shl_code]
2：KPIJob.java（任务调度函数）
[mw_shl_code=java,true]package WebKPI;

import java.io.IOException;
import java.net.URISyntaxException;
import java.util.HashMap;
import java.util.Map;

public class KPIJob {
//定义全局变量 hdfs地址url
public static final String  HDFS = "hdfs://127.0.0.1:9000";

public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException, URISyntaxException {
      //定义一个map集合，存放程序中所需要的路径
      Map  <String, String> path= new HashMap<String, String>();

//    path.put("local_path", "webLogKPI/weblog/access.log");       //本地目录
      path.put("input_log", HDFS+"/mr/webLogKPI/log_files");  //hdfs上存放log的目录

      path.put("output_oneip", HDFS + "/mr/webLogKPI/KPI_OneIP_Sum"); //hdfs上KPI_OneIP_Sum对应的输出文件
      path.put("output_pv", HDFS + "/mr/webLogKPI/KPI_OnePV_Sum"); //hdfs上KPI_OnePV_Sum对应的输出文件
      path.put("output_request",HDFS+"/mr/webLogKPI/KPI_OneRequest_Sum");  //hdfs 上KPI_OneRequest_Sum对应的输出文件
      path.put("output_time", HDFS+"/mr/webLogKPI/KPI_OneTime_Sum");             //hdfs上KPI_OneTime_Sum对应的输出文件
      path.put("output_source", HDFS+"/mr/webLogKPI/KPI_OneResource_Sum");             //hdfs上KPI_OneResource_Sum对应的输出文件

      KPI_OneIP_Sum.main(path); //计算独立IP访问量
      KPI_OnePV_Sum.main(path); //计算PV访问量
      KPI_OneRequest_Sum.main(path);       //获得请求方式
      KPI_OneTime_Sum.main(path);       //每小时的PV
      KPI_OneSource_Sum.main(path);       //日访问设备统计

      System.exit(0);
}
}  [/mw_shl_code]
3：KPI_OneIP_Sum.java（日独立ip访问量统计）
[mw_shl_code=java,true]package WebKPI;

import java.io.IOException;
import java.net.URISyntaxException;
import java.util.HashMap;
import java.util.Map;

public class KPIJob {
//定义全局变量 hdfs地址url
public static final String  HDFS = "hdfs://127.0.0.1:9000";

public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException, URISyntaxException {
      //定义一个map集合，存放程序中所需要的路径
      Map  <String, String> path= new HashMap<String, String>();

//    path.put("local_path", "webLogKPI/weblog/access.log");       //本地目录
      path.put("input_log", HDFS+"/mr/webLogKPI/log_files");  //hdfs上存放log的目录

      path.put("output_oneip", HDFS + "/mr/webLogKPI/KPI_OneIP_Sum"); //hdfs上KPI_OneIP_Sum对应的输出文件
      path.put("output_pv", HDFS + "/mr/webLogKPI/KPI_OnePV_Sum"); //hdfs上KPI_OnePV_Sum对应的输出文件
      path.put("output_request",HDFS+"/mr/webLogKPI/KPI_OneRequest_Sum");  //hdfs 上KPI_OneRequest_Sum对应的输出文件
      path.put("output_time", HDFS+"/mr/webLogKPI/KPI_OneTime_Sum");             //hdfs上KPI_OneTime_Sum对应的输出文件
      path.put("output_source", HDFS+"/mr/webLogKPI/KPI_OneResource_Sum");             //hdfs上KPI_OneResource_Sum对应的输出文件

      KPI_OneIP_Sum.main(path); //计算独立IP访问量
      KPI_OnePV_Sum.main(path); //计算PV访问量
      KPI_OneRequest_Sum.main(path);       //获得请求方式
      KPI_OneTime_Sum.main(path);       //每小时的PV
      KPI_OneSource_Sum.main(path);       //日访问设备统计

      System.exit(0);
}
}  [/mw_shl_code]
运行结果截图：

六：结果可视化

可以采用Python的matplotlib做图展示，或者使用R，或者H5的canvas做图展示
下面只对日每小时访问量做图展示，其他的类似，感兴趣的朋友可以自己尝试着做图
[mw_shl_code=python,true]In [21]: import numpy as np

In [22]: import pylab as pl

In [23]: x = []

In [24]: for i in range(24):
x.append(str(2016041900 + i))
....:

In [25]: y=[2043,3293,1480,113,6841,5678,492,523,550,81,20,7,12,15,4,3,5,9,7,4,13,10,4,32]

In [26]: pl.plot(x, y)
Out[26]: [<matplotlib.lines.Line2D at 0x7f3ff8e85e10>]

In [27]: pl.show()  [/mw_shl_code]

结果图：

来源：http://blog.csdn.net/gamer_gyt/article/details/51287820#
作者：Thinkgamer_gyt