Spark日志清洗一般流程

spark 1.6.1
python 2.7.11

---

前言

整理了一下使用spark来进行日志清洗及数据处理的套路，这里以pyspark为例

---

pyspark的启动任务套路

对于使用spark作为查询清洗工具而言，启动spark的套路主要使用sh文件进行终端带参数启动，启动后开始调用sh传递处理参数，并且构造好sparkconf后传递提交(spark-submit) python文件,当然最主要的函数逻辑都是在python的文件中处理的。对于工程类而非工具类，就稍微复杂点，而且会显得更规范点，以下为一个例子的套路

对于参数输入启动的方法主要有两种第一种是构造启动的sh文件，第二种是构造启动的python文件，启动文件的作用就是在终端执行该文件，然后输入参数，参数会被启动文件捕获并传递

方法一：start.sh

# start.shread -p "Please input info as (year/month/day) and split by space:" raw_infoyear=$(echo $raw_info | awk -F'/' '{print $1}')month=$(echo $raw_info | awk -F'/' '{print $2}')day=$(echo $raw_info | awk -F'/' '{print $3}')echo $yearecho $monthecho $day# 进行spark任务的提交，这里需要注意的是提交的时候需要设置队列等spark-submit --driver-memory 6G --queue 自己队列的名字 --conf "spark.scheduler.executorTaskBlacklistTime=30000" deal.py $year $month $day

方法二：start.py

# start.pyinfo=raw_input("Please input info as (year/month/day/):")  # raw_input make input as stringyear=info.split("/")[0]month=info.split("/")[1]day=info.split("/")[2]print "year={year},month={month},day={day}".format(year=year,month=month,day=day)# 进行spark任务的提交，这里需要注意的是提交的时候需要设置队列等spark-submit --driver-memory 6G --queue 自己队列的名字 --conf "spark.scheduler.executorTaskBlacklistTime=30000" deal.py year month day

从脚本中获取外界传入的参数后，开始执行核心的逻辑操作，这里以pyspark为例，新建deal.py

#deal.py#-*-coding:utf-8-*-import sysfrom pyspark import *from pyspark.sql import *import time# 核心操作计算def func_1():    funct...def dealfunc(sc):    rdd=sc.textFile(hdfspath).map(func_1)...  # 构建rdd方式可以从hdfs上把文件加载进来处理，之后进行各种Transformation操作，作为清洗数据的第一步    # 方法一：如果清洗完后数据量不大，完全可以加载到内存中然后当做流来处理，但是数据量非常大，那请不要作死使用collect()    for data in rdd.collect():        func...    ==================    # 方法二：直接进行多次map，filter，等各种操作，凡事都可以靠函数解决，一个不够就写两个，函数传递进去的时候就当字符串流处理就可以了    data=rdd.map(func_1).filter(func_2).reduceByKey(func_3).map(func_4)...    # 如果需要把清洗好的数据上传hdfs，    data.repartition(5).saveAsTextFile('/user/test/restore')# 获取上层传递进来的参数year = sys.argv[1]month = sys.argv[2]day = sys.argv[3]#在pysaprk中初始化sparksparkconf = (SparkConf().setAppName("Wifi-God wants to see air quality").set("spark.akka.frameSize","2000"))sc = (conf=sparkconf)# 强烈建议使用try,finally来处理try：    dealfunc(sc)except Exceptions as ex:    print exfinally:    sc.stop() # necessay

对于一般的任务，这样差不多就可以结束了，然而对于日志清洗和存储来说，必不可少的是解压和存储过程，日志的量非常多，所以即使存在hdfs上也是压缩过的，比如文件格式是xxx.lzo样式的，即使取cat，没有解压也将看不到任何有用的信息，这里就要用到newAPIHadoopFile函数了，当然，textFile仍然可用

# 读取file = sc.newAPIHadoopFile(hadfspath, "com.hadoop.mapreduce.LzoTextInputFormat", "org.apache.hadoop.io.LongWritable", "org.apache.hadoop.io.Text")# 用法见官方文档# 上传至hdfs，使用saveAsTextFile# repartition的作用是重新设定rdd分区数(关系到存入hdfs)rdd_dealed.repartition(5).saveAsTextFile('/user/test/rdd_restore')# 存在hdfs上rdd_restore文件夹中有几个片段就是有几个区# $ hadoop fs -ls /user/test/rdd_restore# Found 5 items# -rw-r--r--   3  owntest          0 2017-04-14 16:42 /user/test/rdd_restore/_SUCCESS# drwxr-xr-x   -  owntest          0 2017-04-14 16:42 /user/test/rdd_restore/_temporary# -rw-r--r--   3  owntest         51 2017-04-14 16:42 /user/test/rdd_restore/part-00000# -rw-r--r--   3  owntest        150 2017-04-14 16:42 /user/rdd_restore/part-00001# -rw-r--r--   3  owntest        251 2017-04-14 16:42 /user/rdd_restore/part-00002

关于alias一些技巧，在终端各个目录内都可直接启动对应文件，工具化最方便的地方

#第一步，修改.bashrc文件，添加上以下信息，然后保存退出$ vi ~/.bashrcalias test='cd ~/user/test; sh start.sh' #这句话的意思是，当在终端输入test的时候，执行的命令是先切换到user/test文件夹，然后，执行start.sh#第二步，使配置生效,或者重新再启动终端都可$source ~/.bashrc#第三步，启动$test#这样，使用别名的方法就可以再任何路径下启动自己对应的工具，值得注意的是，别名也不可用的太泛滥，不然不好管理

---

致谢

@过往记忆–pyspark api讲解
spark1.6.2官方文档