每日top3热点搜索词统计Demo
1、数据格式：
日期 用户 搜索词 城市 平台 版本
2、需求：
1、筛选出符合查询条件（城市、平台、版本）的数据
2、统计出每天搜索uv排名前3的搜索词
3、按照每天的top3搜索词的uv搜索总次数，倒序排序
4、将数据保存到hive表中
3、实现思路：
- 1、针对原始数据（HDFS文件），获取输入的RDD
- 2、使用filter算子，去针对输入RDD中的数据，进行数据过滤，过滤出符合查询条件的数据；
- 2.1 普通的做法：直接在fitler算子函数中，使用外部的查询条件（Map），但是，这样做的话，是不是查询条件Map，会发送到每一个task上一份副本。（性能并不好）；
- 2.2 优化后的做法：将查询条件，封装为Broadcast广播变量，在filter算子中使用Broadcast广播变量进行数据筛选；
- 3、将数据转换为“(日期搜索词, 用户)”格式，然后呢，对它进行分组，然后再次进行映射，对每天每个搜索词的搜索用户进行去重操作，并统计去重后的数量，即为每天每个搜索词的uv。最后，获得“(日期搜索词, uv)” ；
- 4、将得到的每天每个搜索词的uv，RDD，映射为元素类型为Row的RDD，将该RDD转换为DataFrame；
- 5、将DataFrame注册为临时表，使用Spark SQL的开窗函数，来统计每天的uv数量排名前3的搜索词，以及它的搜索uv，最后获取，是一个DataFrame；
- 6、将DataFrame转换为RDD，继续操作，按照每天日期来进行分组，并进行映射，计算出每天的top3搜索词的搜索uv的总数，然后将uv总数作为key，将每天的top3搜索词以及搜索次数，拼接为一个字符串
- 7、按照每天的top3搜索总uv，进行排序，倒序排序
- 8、将排好序的数据，再次映射回来，变成“日期_搜索词_uv”的格式
- 9、再次映射为DataFrame，并将数据保存到Hive中即可
package cn.spark.study.sql;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.HashMap;
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.broadcast.Broadcast;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.hive.HiveContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import scala.Tuple2;
/**
* 每日top3热点搜索词统计案例
*/
public class DailyTop3Keyword {
@SuppressWarnings("deprecation")
public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setAppName("DailyTop3Keyword");
JavaSparkContext sc = new JavaSparkContext(conf);
HiveContext sqlContext = new HiveContext(sc.sc());
// 伪造出一份数据，查询条件
// 备注：实际上，在工作中，这个查询条件，是通过J2EE平台插入到某个MySQL表中的
// 然后，在这里通过Spring框架和ORM框架（MyBatis），去提取MySQL表中的查询条件
Map<String, List<String>> queryParamMap = new HashMap<String, List<String>>();
queryParamMap.put("city", Arrays.asList("beijing"));
queryParamMap.put("platform", Arrays.asList("android"));
queryParamMap.put("version", Arrays.asList("1.0", "1.2", "1.5", "2.0"));
// 根据我们实现思路中的分析，这里最合适的方式，
//是将该查询参数Map封装为一个Broadcast广播变量
// 这样可以进行优化，每个Worker节点，只拷贝一份数据即可
final Broadcast<Map<String, List<String>>> queryParamMapBroadcast =
sc.broadcast(queryParamMap);
// 1、针对HDFS文件中的日志，获取输入RDD
JavaRDD<String> rawRDD = sc.textFile("hdfs://spark1:9000/spark-study/keyword.txt");
// 2、使用查询参数Map广播变量，进行筛选
JavaRDD<String> filterRDD = rawRDD.filter(new Function<String, Boolean>() {
private static final long serialVersionUID = 1L;
@Override
public Boolean call(String log) throws Exception {
// 切割原始日志，获取城市、平台和版本
String[] logSplited = log.split("\t");
String city = logSplited[3];
String platform = logSplited[4];
String version = logSplited[5];
// 与查询条件进行比对，任何一个条件，只要该条件设置了，且日志中的数据没有满足条件
// 则直接返回false，过滤该日志
// 否则，如果所有设置的条件，都有日志中的数据，则返回true，保留日志
Map<String, List<String>> queryParamMap = queryParamMapBroadcast.value();
List<String> cities = queryParamMap.get("city");
if(cities.size() > 0 && !cities.contains(city)) {
return false;
}
List<String> platforms = queryParamMap.get("platform");
if(platforms.size() > 0 && !platforms.contains(platform)) {
return false;
}
List<String> versions = queryParamMap.get("version");
if(versions.size() > 0 && !versions.contains(version)) {
return false;
}
return true;
}
});
// 3、过滤出来的原始日志，映射为(日期_搜索词, 用户)的格式
JavaPairRDD<String, String> dateKeywordUserRDD = filterRDD.mapToPair(
new PairFunction<String, String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, String> call(String log) throws Exception {
String[] logSplited = log.split("\t");
String date = logSplited[0];
String user = logSplited[1];
String keyword = logSplited[2];
return new Tuple2<String, String>(date + "_" + keyword, user);
}
});
// 进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）
JavaPairRDD<String, Iterable<String>> dateKeywordUsersRDD = dateKeywordUserRDD.groupByKey();
// 对每天每个搜索词的搜索用户，执行去重操作，获得其uv
JavaPairRDD<String, Long> dateKeywordUvRDD = dateKeywordUsersRDD.mapToPair(
new PairFunction<Tuple2<String,Iterable<String>>, String, Long>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, Long> call(
Tuple2<String, Iterable<String>> dateKeywordUsers) throws Exception {
String dateKeyword = dateKeywordUsers._1;
Iterator<String> users = dateKeywordUsers._2.iterator();
// 对用户进行去重，并统计去重后的数量
List<String> distinctUsers = new ArrayList<String>();
while(users.hasNext()) {
String user = users.next();
if(!distinctUsers.contains(user)) {
distinctUsers.add(user);
}
}
// 获取uv
long uv = distinctUsers.size();
return new Tuple2<String, Long>(dateKeyword, uv);
}
});
//4、 将每天每个搜索词的uv数据，转换成DataFrame
JavaRDD<Row> dateKeywordUvRowRDD = dateKeywordUvRDD.map(
new Function<Tuple2<String,Long>, Row>() {
private static final long serialVersionUID = 1L;
@Override
public Row call(Tuple2<String, Long> dateKeywordUv) throws Exception {
String date = dateKeywordUv._1.split("_")[0];
String keyword = dateKeywordUv._1.split("_")[1];
long uv = dateKeywordUv._2;
return RowFactory.create(date, keyword, uv);
}
});
List<StructField> structFields = Arrays.asList(
DataTypes.createStructField("date", DataTypes.StringType, true),
DataTypes.createStructField("keyword", DataTypes.StringType, true),
DataTypes.createStructField("uv", DataTypes.LongType, true));
StructType structType = DataTypes.createStructType(structFields);
// 将该RDD转换为DataFrame
DataFrame dateKeywordUvDF = sqlContext.createDataFrame(dateKeywordUvRowRDD, structType);
// 5、使用Spark SQL的开窗函数，统计每天搜索uv排名前3的热点搜索词
dateKeywordUvDF.registerTempTable("daily_keyword_uv");
DataFrame dailyTop3KeywordDF = sqlContext.sql(""
+ "SELECT date,keyword,uv "
+ "FROM ("
+ "SELECT "
+ "date,"
+ "keyword,"
+ "uv,"
+ "row_number() OVER (PARTITION BY date ORDER BY uv DESC) rank "
+ "FROM daily_keyword_uv"
+ ") tmp "
+ "WHERE rank<=3");
// 6、将DataFrame转换为RDD，然后映射，计算出每天的top3搜索词的搜索uv总数
JavaRDD<Row> dailyTop3KeywordRDD = dailyTop3KeywordDF.javaRDD();
JavaPairRDD<String, String> top3DateKeywordUvRDD = dailyTop3KeywordRDD.mapToPair(
new PairFunction<Row, String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, String> call(Row row)
throws Exception {
String date = String.valueOf(row.get(0));
String keyword = String.valueOf(row.get(1));
Long uv = Long.valueOf(String.valueOf(row.get(2)));
return new Tuple2<String, String>(date, keyword + "_" + uv);
}
});
JavaPairRDD<String, Iterable<String>> top3DateKeywordsRDD = top3DateKeywordUvRDD.groupByKey();
JavaPairRDD<Long, String> uvDateKeywordsRDD = top3DateKeywordsRDD.mapToPair(
new PairFunction<Tuple2<String,Iterable<String>>, Long, String>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<Long, String> call(
Tuple2<String, Iterable<String>> tuple)
throws Exception {
String date = tuple._1;
Long totalUv = 0L;
String dateKeywords = date;
Iterator<String> keywordUvIterator = tuple._2.iterator();
while(keywordUvIterator.hasNext()) {
String keywordUv = keywordUvIterator.next();
Long uv = Long.valueOf(keywordUv.split("_")[1]);
totalUv += uv;
dateKeywords += "," + keywordUv;
}
return new Tuple2<Long, String>(totalUv, dateKeywords);
}
});
// 7、按照每天的总搜索uv进行倒序排序
JavaPairRDD<Long, String> sortedUvDateKeywordsRDD = uvDateKeywordsRDD.sortByKey(false);
//8、再次进行映射，将排序后的数据，映射回原始的格式，Iterable<Row>
JavaRDD<Row> sortedRowRDD = sortedUvDateKeywordsRDD.flatMap(
new FlatMapFunction<Tuple2<Long,String>, Row>() {
private static final long serialVersionUID = 1L;
@Override
public Iterable<Row> call(Tuple2<Long, String> tuple)
throws Exception {
String dateKeywords = tuple._2;
String[] dateKeywordsSplited = dateKeywords.split(",");
String date = dateKeywordsSplited[0];
List<Row> rows = new ArrayList<Row>();
rows.add(RowFactory.create(date,
dateKeywordsSplited[1].split("_")[0],
Long.valueOf(dateKeywordsSplited[1].split("_")[1])));
rows.add(RowFactory.create(date,
dateKeywordsSplited[2].split("_")[0],
Long.valueOf(dateKeywordsSplited[2].split("_")[1])));
rows.add(RowFactory.create(date,
dateKeywordsSplited[3].split("_")[0],
Long.valueOf(dateKeywordsSplited[3].split("_")[1])));
return rows;
}
});
//9、将最终的数据，转换为DataFrame，并保存到Hive表中
DataFrame finalDF = sqlContext.createDataFrame(sortedRowRDD, structType);
finalDF.saveAsTable("daily_top3_keyword_uv");
sc.close();
}
}
