hadoop日志数据分析开发步骤及代码

日志数据分析：
1.背景
1.1 hm论坛日志，数据分为两部分组成，原来是一个大文件，是56GB；以后每天生成一个文件，大约是150-200MB之间；
1.2 日志格式是apache common日志格式；每行记录有5部分组成：访问ip、访问时间、访问资源、访问状态、本次流量；27.19.74.143 - - [30/May/2013:17:38:20 +0800] "GET /static/image/common/faq.gif HTTP/1.1" 200 1127
1.3 分析一些核心指标，供运营决策者使用；
1.4 开发该系统的目的是分了获取一些业务相关的指标，这些指标在第三方工具中无法获得的；（第三方工具：百度统计）

2.开发步骤
2.1 把日志数据上传到HDFS中进行处理
　　如果是日志服务器数据较小、压力较小，可以直接使用shell命令把数据上传到HDFS中；
　　如果是日志服务器数据较大、压力较大，使用NFS在另一台服务器上上传数据；（NFS（Network File System）即网络文件系统，是FreeBSD支持的文件系统中的一种，它允许网络中的计算机之间通过TCP/IP网络共享资源。在NFS的应用中，本地NFS的客户端应用可以透明地读写位于远端NFS服务器上的文件，就像访问本地文件一样。）
　　如果日志服务器非常多、数据量大，使用flume进行数据处理；
2.2 使用MapReduce对HDFS中的原始数据进行清洗；
2.3 使用Hive对清洗后的数据进行统计分析；
2.4 使用Sqoop把Hive产生的统计结果导出到mysql中；指标查询--mysql
2.5 如果用户需要查看详细数据的话，可以使用HBase进行展现；明细查询--HBase

3.流程代码（具体实际操作步骤见下面）
3.1 使用shell命令把数据从linux磁盘上传到HDFS中
3.1.1 在hdfs中创建目录，命令如下
$HADOOP_HOME/bin/hadoop fs -mkdir /hmbbs_logs
3.1.2 写一个shell脚本，叫做upload_to_hdfs.sh，内容大体如下
yesterday=`date --date='1 days ago' +%Y_%m_%d`
hadoop fs -put /apache_logs/access_${yesterday}.log /hmbbs_logs
3.1.3 把脚本upload_to_hdfs.sh配置到crontab中，执行命令crontab -e, 写法如下
* 1 * * * upload_to_hdfs.sh

3.2 使用MapReduce对数据进行清洗，把原始处理清洗后，放到hdfs的/hmbbs_cleaned目录下，每天产生一个子目录。

3.3 使用hive对清洗后的数据进行统计。
3.3.1 建立一个外部分区表，脚本如下
CREATE EXTERNAL TABLE hmbbs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION '/hmbbs_cleaned';
3.3.2 增加分区，脚本如下
ALTER TABLE hmbbs ADD PARTITION(logdate='2013_05_30') LOCATION '/hmbbs_cleaned/2013_05_30';
把代码增加到upload_to_hdfs.sh中，内容如下
hive -e "ALTER TABLE hmbbs ADD PARTITION(logdate='${yesterday}') LOCATION '/hmbbs_cleaned/${yesterday}';"
3.3.3 统计每日的pv，代码如下
CREATE TABLE hmbbs_pv_2013_05_30 AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='2013_05_30';
统计每日的注册用户数，代码如下
CREATE TABLE hmbbs_reguser_2013_05_30 AS SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='2013_05_30' AND INSTR(url,'member.php?mod=register')>0;
统计每日的独立ip，代码如下
CREATE TABLE hmbbs_ip_2013_05_30 AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';
统计每日的跳出用户，代码如下
CREATE TABLE hmbbs_jumper_2013_05_30 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e;
把每天统计的数据放入一张表
CREATE TABLE hmbbs_2013_05_30 AS SELECT '2013_05_30', a.pv, b.reguser, c.ip, d.jumper FROM hmbbs_pv_2013_05_30 a JOIN hmbbs_reguser_2013_05_30 b ON 1=1 JOIN hmbbs_ip_2013_05_30 c ON 1=1 JOIN hmbbs_jumper_2013_05_30 d ON 1=1 ;
3.4 使用sqoop把数据导出到mysql中

*********************************************
日志数据分析详细步骤（自己实际操作成功的步骤）：
1、使用shell把数据从Linux磁盘上上传到HDFS中
在Linux上/usr/local/下创建一个目录：mkdir apache_logs/,然后复制两天的日志数据放到此文件夹下。
在HDFS中创建存放数据的目录：hadoop fs -mkdir /hmbbs_logs
　　　　　　　　　　　　　　  hadoop fs -put /usr/local/apache_logs/* /hmbbs_logs
　　　　　　　　　　　　       上传结束了，在hadoop0:50070中观察到在/hmbbs/目录下有两个日志文件。

在/apache_logs目录下创建一个上传数据的shell脚本：vi upload_to_hdfs.sh
　　　　　　　　　　　　　　　　　　　　　　　　　　　　#!/bin/sh
　　　　　　　　　　　　　　　　　　　　　　　　　　　　#get yesterday format string
　　　　　　　　　　　　　　　　　　　　　　　　　　　　yesterday=`date --date='1 days ago' +%Y_%m_%d`

　　　　　　　　　　　　　　　　　　　　　　　　　　　　#upload logs to hdfs
　　　　　　　　　　　　　　　　　　　　　　　　　　　　hadoop fs -put /apache_logs/access_${yesterday}.log /hmbbs_logs

把脚本upload_to_hdfs.sh配置到crontab中，执行命令crontab -e（在每天的1点钟会准时执行脚本文件）
　　　　　　　　　　　　　　　　　　　　　　　　　　　　* 1 * * * upload_to_hdfs.sh

2、在eclipse中书写代码，使用MapReduce清洗数据。打包cleaned.jar导出到linux下的/apache_logs目录下。

 package hmbbs;

 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.conf.Configured;
 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;
 import org.apache.hadoop.util.Tool;
 import org.apache.hadoop.util.ToolRunner;
 /**
  * 源数据的清洗
  * @author ahu_lichang
  *
  */
 public class HmbbsCleaner extends Configured implements Tool {
     public int run(String[] args) throws Exception {
         final Job job = new Job(new Configuration(),
                 HmbbsCleaner.class.getSimpleName());
         job.setJarByClass(HmbbsCleaner.class);
         FileInputFormat.setInputPaths(job, args[0]);
         job.setMapperClass(MyMapper.class);
         job.setMapOutputKeyClass(LongWritable.class);
         job.setMapOutputValueClass(Text.class);
         job.setReducerClass(MyReducer.class);
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(NullWritable.class);
         FileOutputFormat.setOutputPath(job, new Path(args[1]));
         job.waitForCompletion(true);
         return 0;
     }

     public static void main(String[] args) throws Exception {
         ToolRunner.run(new HmbbsCleaner(), args);
     }

     static class MyMapper extends
             Mapper<LongWritable, Text, LongWritable, Text> {
         LogParser logParser = new LogParser();
         Text v2 = new Text();

         protected void map(
                 LongWritable key,
                 Text value,
                 org.apache.hadoop.mapreduce.Mapper<LongWritable, Text, LongWritable, Text>.Context context)
                 throws java.io.IOException, InterruptedException {
             final String[] parsed = logParser.parse(value.toString());

             // 过滤掉静态信息
             if (parsed[2].startsWith("GET /static/")
                     || parsed[2].startsWith("GET /uc_server")) {
                 return;
             }

             // 过掉开头的特定格式字符串
             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());
             }

             // 过滤结尾的特定格式字符串
             if (parsed[2].endsWith(" HTTP/1.1")) {
                 parsed[2] = parsed[2].substring(0, parsed[2].length()
                         - " HTTP/1.1".length());
             }

             v2.set(parsed[0] + "\t" + parsed[1] + "\t" + parsed[2]);
             context.write(key, v2);
         };
     }

     static class MyReducer extends
             Reducer<LongWritable, Text, Text, NullWritable> {
         protected void reduce(
                 LongWritable k2,
                 java.lang.Iterable<Text> v2s,
                 org.apache.hadoop.mapreduce.Reducer<LongWritable, Text, Text, NullWritable>.Context context)
                 throws java.io.IOException, InterruptedException {
             for (Text v2 : v2s) {
                 context.write(v2, NullWritable.get());
             }
         };
     }

     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("样例数据： " + S1);
             System.out.format(
                     "解析结果：  ip=%s, time=%s, url=%s, status=%s, traffic=%s",
                     array[0], array[1], array[2], array[3], array[4]);
         }

         /**
          * 解析英文时间字符串
          *
          * @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;
         }

         /**
          * 解析日志的行记录
          *
          * @param line
          * @return 数组含有5个元素，分别是ip、时间、url、状态、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;
         }
     }

 }

vi upload_to_hdfs.sh
　　　　　　　　#!/bin/sh

　　　　　　　　#get yesterday format string
　　　　　　　　#yesterday=`date --date='1 days ago' +%Y_%m_%d`

　　　　　　　　#testing cleaning data

　　　　　　　　 yesterday=$1

　　　　　　　　#upload logs to hdfs
　　　　　　　　hadoop fs -put /apache_logs/access_${yesterday}.log /hmbbs_logs

　　　　　　　　#cleanning data
　　　　　　　　hadoop jar cleaned.jar /hmbbs_logs/access_${yesterday}.log /hmbbs_cleaned/${yesterday}
权限chmod u+x upload_to_hdfs.sh
执行upload_to_hdfs.sh 2013_05_30
然后在浏览器中hadoop0：50070中就能观察到上传到HDFS中的清洗过后的数据了。

3、使用hive对清洗后的数据进行统计。
建立一个外部分区表，脚本如下
CREATE EXTERNAL TABLE hmbbs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION '/hmbbs_cleaned';

增加分区，脚本如下
ALTER TABLE hmbbs ADD PARTITION(logdate='2013_05_30') LOCATION '/hmbbs_cleaned/2013_05_30';

把代码增加到upload_to_hdfs.sh中，内容如下（每天产生一个分区）
#alter hive table and then add partition to existed table
hive -e "ALTER TABLE hmbbs ADD PARTITION(logdate='${yesterday}') LOCATION '/hmbbs_cleaned/${yesterday}';"

------hive -e "执行语句；" hive -e的作用就是不用在hive命令行下，可以在外面执行。

可以在外面执行hive -e "ALTER TABLE hmbbs ADD PARTITION(logdate='2013_05_31') LOCATION '/hmbbs_cleaned/2013_05_31';"

这样在/hmbbs表下面就多了一个2013_05_31文件
select count(1) form hmbbs -----通过观察数字大小变化，就可判断出是否添加成功。

统计每日的pv，代码如下
CREATE TABLE hmbbs_pv_2013_05_30 AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='2013_05_30';
执行hive -e "SELECT COUNT(1) FROM hmbbs WHERE logdate='2013_05_30';" 得到表中的数据大小，待后面验证用。
执行hive -e "CREATE TABLE hmbbs_pv_2013_05_30 AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='2013_05_30';" 将查询到的PV（别名）数据存到表hmbbs_pv_2013_05_30中。
验证表中是否添加成功了数据：hive -e "select * from hmbbs_pv_2013_05_30;"

统计每日的注册用户数，代码如下
CREATE TABLE hmbbs_reguser_2013_05_30 AS SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='2013_05_30' AND INSTR(url,'member.php?mod=register')>0;
INSTR(url,'member.php?mod=register')是一个函数，用来判断url字符串中所包含的子串member.php?mod=register的个数
执行hive -e "SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='2013_05_30' AND INSTR(url,'member.php?mod=register')>0;" 可以统计出其中一天的用户注册数。这个数字肯定比之前的pv数小！

统计每日的独立ip（去重），代码如下
CREATE TABLE hmbbs_ip_2013_05_30 AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';
在hive中查询有多少个独立ip：SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';
执行hive -e "CREATE TABLE hmbbs_ip_2013_05_30 AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';"

统计每日的跳出用户，代码如下
CREATE TABLE hmbbs_jumper_2013_05_30 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e;
在hive下查询登录次数只有一次的ip有哪些：SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e; ---e是别名
执行hive -e "CREATE TABLE hmbbs_jumper_2013_05_30 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e;"

把每天统计的数据放入一张表 （表连接）
CREATE TABLE hmbbs_2013_05_30 AS SELECT '2013_05_30', a.pv, b.reguser, c.ip, d.jumper FROM hmbbs_pv_2013_05_30 a JOIN hmbbs_reguser_2013_05_30 b ON 1=1 JOIN hmbbs_ip_2013_05_30 c ON 1=1 JOIN hmbbs_jumper_2013_05_30 d ON 1=1 ;
创建完了,查看一下：
show tables;
select * from hmbbs_2013_05_30 ;

使用sqoop把hmbbs_2013_05_30表中数据导出到mysql中。（数据导出成功了以后，就可以删除掉之前的5个表了）
在MySQL第三方工具上连接hadoop0，在里面创建一个数据库hmbbs，再创建一个表hmbbs_logs_stat，表中有导出数据的5个字段：logdate varchar 非空 ,pv int, reguser int, ip int, jumper int

注意：创建数据库时，出现错误：远程登录权限问题！

sqoop export --connect jdbc:mysql://hadoop0:3306/hmbbs --username root --password admin --table hmbbs_logs_stat --fields-terminated-by '\001'--export-dir ‘/hive/hmbbs_2013_05_30’
----'\001'是默认的列分隔符 /user/hive/warehouse/hmbbs_2013_05_30这个目录根据自己的设置，不一定都是这样的！
导出成功以后，可以在工具中刷新表，就能观察到表中的数据了。

统计数据和导出操作也都应该放在脚本文件中：
vi upload_to_hdfs.sh
#create hive table everyday
hive -e "CREATE TABLE hmbbs_pv_${yesterday} AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='${yesterday}';"
hive -e "SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='${yesterday}' AND INSTR(url,'member.php?mod=register')>0;"
hive -e "CREATE TABLE hmbbs_ip_${yesterday} AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='${yesterday}';"
hive -e "CREATE TABLE hmbbs_jumper_${yesterday} AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='${yesterday}' GROUP BY ip HAVING times=1) e;"
hive -e "CREATE TABLE hmbbs_${yesterday} AS SELECT '${yesterday}', a.pv, b.reguser, c.ip, d.jumper FROM hmbbs_pv_${yesterday} a JOIN hmbbs_reguser_${yesterday} b ON 1=1 JOIN hmbbs_ip_${yesterday} c ON 1=1 JOIN hmbbs_jumper_${yesterday} d ON 1=1 ;"
#delete hive tables
hive -e "drop table hmbbs_pv_${yesterday}"
hive -e "drop table hmbbs_reguser_${yesterday}"
hive -e "drop table hmbbs_ip_${yesterday}"
hive -e "drop table hmbbs_jumper_${yesterday}"
#sqoop export to mysql
sqoop export --connect jdbc:mysql://hadoop0:3306/hmbbs --username root --password admin --table hmbbs_logs_stat --fields-terminated-by '\001'--export-dir ‘/hive/hmbbs_${yesterday}’
#delete hive tables
hive -e "drop table hmbbs_${yesterday}"

完善执行的shell脚本：
1、初始化数据的脚本（历史数据）
2、每日执行的脚本
mv upload_to_hdfs.sh hmbbs_core.sh
vi hmbbs_daily.sh
　　#!/bin/sh
　　yesterday=`date --date='1 days ago' +%Y_%m_%d`
　　hmbbs_core.sh $yesterday
chmod u+x hmbbs_daily.sh
crontab -e
　　* 1 * * * /apache_logs/hmbbs_daily.sh
vi hmbbs_init.sh
　　#!/bin/sh
　　#hive -e "CREATE EXTERNAL TABLE hmbbs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION 　　'/hmbbs_cleaned';"
　　s1=`date --date="$1" +%s`
　　s2=`date +%s`
　　s3=$(((s2-s1)/3600/24))

　　for ((i=$s3;i>0;i--))
　　do
　　　　tmp=`date --date="$i days ago" +%Y_%m_%d`
　　　　echo $tmp
　　done