164、Spark SQL实战开发进阶之新闻网站关键指标离线统计

实战背景

新闻网站

  1. 版块
  2. 新闻页面
  3. 新用户注册
  4. 用户跳出

案例需求分析

  1. 每天每个页面的PV
    PV是Page View,是指一个页面被所有用户访问次数的总和,页面被访问一次就被记录1次PV
  2. 每天每个页面的UV
    UV是User View,是指一个页面被多少个用户访问了,一个用户访问一次是1次UV,一个用户访问多次还是1次UV
  3. 新用户注册比率
    当天注册用户数 / 当天未注册用户的访问数
  4. 用户跳出率
    IP只浏览了一个页面就离开网站的次数/网站总访问数(PV)
  5. 版块热度排行榜
    根据每个版块每天被访问的次数,做出一个排行榜

网站日志格式

date timestamp userid pageid section action
日志字段说明
date: 日期,yyyy-MM-dd格式
timestamp: 时间戳
userid: 用户id
pageid: 页面id
section: 新闻版块
action: 用户行为,两类,点击页面和注册

模拟数据生成程序

public class OfflineDataGenerator {
    public static void main(String[] args) throws Exception {
        StringBuffer buffer = new StringBuffer("");

        SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd");
        Random random = new Random();
        String[] sections = new String[] {"country", "international", "sport", "entertainment", "movie", "carton", "tv-show", "technology", "internet", "car"};

        int[] newOldUserArr = new int[]{1, 2, 3, 4, 5, 6, 7, 8, 9, 10};

        // 生成日期,默认就是昨天
        Calendar cal = Calendar.getInstance();
        cal.setTime(new Date());
        cal.add(Calendar.DAY_OF_YEAR, -1);
        Date yesterday = cal.getTime();

        String date = sdf.format(yesterday);

        // 生成10000000条访问数据
        for(int i = 0; i < 10000000; i++) {
            // 生成时间戳
            long timestamp = System.currentTimeMillis();

            // 生成随机userid(默认1000注册用户,每天1/10的访客是未注册用户)
            Long userid = 0L;

            int newOldUser = newOldUserArr[random.nextInt(10)];
            if(newOldUser == 1) {
                userid = null;
            } else {
                userid = (long) random.nextInt(1000);
            }

            // 生成随机pageid(总共1k个页面)
            Long pageid = (long) random.nextInt(1000);

            // 生成随机版块(总共10个版块)
            String section = sections[random.nextInt(10)];

            // 生成固定的行为,view
            String action = "view";

            buffer.append(date).append("�")
                    .append(timestamp).append("�")
                    .append(userid).append("�")
                    .append(pageid).append("�")
                    .append(section).append("�")
                    .append(action).append("\n");
        }

        // 生成100000条注册数据
        for(int i = 0; i < 100000; i++) {
            // 生成时间戳
            long timestamp = System.currentTimeMillis();

            // 新用户都是userid为null
            Long userid = null;

            // 生成随机pageid,都是null
            Long pageid = null;

            // 生成随机版块,都是null
            String section = null;

            // 生成固定的行为,view
            String action = "register";

            buffer.append(date).append("�")
                    .append(timestamp).append("�")
                    .append(userid).append("�")
                    .append(pageid).append("�")
                    .append(section).append("�")
                    .append(action).append("\n");
        }

        PrintWriter pw = null;
        try {
            pw = new PrintWriter(new OutputStreamWriter(
                    new FileOutputStream("C:\\Users\\ZJ\\Desktop\\access.log")));
            pw.write(buffer.toString());
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            pw.close();
        }
    }
}

创建相关表

在hive中创建访问日志表

create table news (
date string,
timestamp bigint,
userid bigint,
pageid bigint,
section string,
action string);

将模拟数据导入hive表中

load data local inpath '/opt/spark-study/news.log' into table news;

编码

main方法

 public static void main(String[] args) {
        SparkSession sparkSession = SparkSession.builder().appName("NewsOfflineStatSpark").enableHiveSupport().getOrCreate();

        String yesterday = getYesterday();
        
        // 开发第一个关键指标:页面pv统计以及排序
        calculateDailyPagePv(sparkSession, yesterday);
        // 开发第二个关键指标:页面uv统计以及排序
        calculateDailyPageUv(sparkSession, yesterday);
        // 开发第三个关键指标:新用户注册比率统计
        calculateDailyNewUserRegisterRate(sparkSession, yesterday);
        // 开发第四个关键指标:用户跳出率统计
        calculateDailyUserJumpRate(sparkSession, yesterday);
        // 开发第五个关键指标:版块热度排行榜
        calculateDailySectionPvSort(sparkSession, yesterday);
    }

getYesterday方法

private static String getYesterday() {
        Calendar cal = Calendar.getInstance();
        cal.setTime(new Date());
        cal.add(Calendar.DAY_OF_YEAR, -1);

        Date yesterday = cal.getTime();

        SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd");
        return sdf.format(yesterday);
    }
}

每天每个页面的PV

private static void calculateDailyPagePv(SparkSession sparkSession, String yesterday) {
        // select date,pageid, pv from(
        //     select date,pageid,count(pageid) as pv from news where date = '2019-01-24' and action = 'view' group by date,pageid
        // ) t
        // order by pv desc;
        String sql =
                "select date, pageid, pv from ( " +
                    "select date, pageid, count(pageid) as pv from news " +
                    "where date = '" + yesterday + "' " +
                    " and action = " + "'view' " +
                    "group by date, pageid " +
                    ") t " +
                "order by pv desc";

        Dataset<Row> dataset = sparkSession.sql(sql);
        dataset.show();


    }

每天每个页面的UV

private static void calculateDailyPageUv(SparkSession sparkSession, String yesterday) {
        // select date,pageid, uv from (
        //         select date, pageid, count(userid) as uv from (
        //             select date,pageid,userid from news where date = '2019-01-24' and action = 'view' group by date,pageid,userid
        //         ) t1
        //         group by date,pageid
        // ) t2
        // order by uv desc;

        String sql =
                "select date,pageid, uv from ( " +
                    "select date, pageid, count(userid) as uv from ( " +
                        "select date,pageid,userid from news " +
                        "where date = '" + yesterday + "' " +
                        "and action = 'view' " +
                        "group by date,pageid,userid " +
                    ") t1 " +
                    "group by date,pageid " +
                ") t2 " +
                "order by uv desc ";

        Dataset<Row> dataset = sparkSession.sql(sql);
        dataset.show();



    }

新用户注册比率

private static void calculateDailyNewUserRegisterRate(SparkSession sparkSession, String yesterday) {
        String sql1 = "SELECT count(*) FROM news WHERE action='view' AND date='" + yesterday + "' AND userid IS NULL";

        String sql2 = "SELECT count(*) FROM news WHERE action='register' AND date='" + yesterday + "' ";

        Dataset<Row> sql = sparkSession.sql(sql1);
        Long result1 = sql.collectAsList().get(0).getLong(0);
        long number1 = 0L;
        if(result1 != null) {
            number1 = result1;
        }
        Dataset<Row> sql3 = sparkSession.sql(sql2);
        Long result2 = sql3.collectAsList().get(0).getLong(0);
        long number2 = 0L;
        if(result2 != null) {
            number2 = result2;
        }

        // 计算结果
        System.out.println("======================" + number1 + "======================");
        System.out.println("======================" + number2 + "======================");
        double rate = (double)number2 / (double)number1;
        System.out.println("======================" + rate + "======================");

    }

用户跳出率

private static void calculateDailyUserJumpRate(SparkSession sparkSession, String yesterday) {

        // 网站总访问数
        String sql1 = "select count(*) from news where action='view' and date='" + yesterday + "' and userid is not null";

        // select date,userid,count(userid) as time from news where action='view' and date='2019-01-26' and userid is not null group by date,userid;
        // 已注册用户的昨天跳出的总数
        String sql2 =
                "select count(userid) from ( " +
                    "select date,userid,count(userid) as time from news where action='view' and date='" + yesterday + "' and userid is not null group by date,userid " +
                ") t " +
                "where time = 1";
        Dataset<Row> sql = sparkSession.sql(sql1);
        Long result1 = sql.collectAsList().get(0).getLong(0);
        long number1 = 0L;
        if(result1 != null) {
            number1 = result1;
        }
        Dataset<Row> sql3 = sparkSession.sql(sql2);
        Long result2 = sql3.collectAsList().get(0).getLong(0);
        long number2 = 0L;
        if(result2 != null) {
            number2 = result2;
        }

        // 计算结果
        System.out.println("======================" + number1 + "======================");
        System.out.println("======================" + number2 + "======================");
        double rate = (double)number2 / (double)number1;
        System.out.println("======================" + rate + "======================");
    }

版块热度排行榜

private static void calculateDailySectionPvSort(SparkSession sparkSession, String yesterday) {
        // select date,section,count(section) as num from news where action='view' and date='2019-01-25' group by date,section
        String sql =
                "select date,section,num from ( " +
                    "select date,section,count(section) as num from news where action='view' and date='" + yesterday + "' group by date,section " +
                ") t " +
                "order by num desc";
        Dataset<Row> sql1 = sparkSession.sql(sql);
        sql1.show();

    }
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,843评论 6 502
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,538评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 163,187评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,264评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,289评论 6 390
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,231评论 1 299
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,116评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,945评论 0 275
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,367评论 1 313
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,581评论 2 333
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,754评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,458评论 5 344
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,068评论 3 327
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,692评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,842评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,797评论 2 369
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,654评论 2 354

推荐阅读更多精彩内容