大数据实战：用户流量分析系统

文章出处：http://blog.csdn.net/sdksdk0/article/details/51628874

作者：朱培

---------------------------------------------------------------------------------------------------------------

本文是结合hadoop中的mapreduce来对用户数据进行分析，统计用户的手机号码、上行流量、下行流量、总流量的信息，同时可以按照总流量大小对用户进行分组排序等。是一个非常简洁易用的hadoop项目，主要用户进一步加强对MapReduce的理解及实际应用。文末提供源数据采集文件和系统源码。

本案例非常适合hadoop初级人员学习以及想入门大数据、云计算、数据分析等领域的朋友进行学习。

一、待分析的数据源

以下是一个待分析的文本文件，里面有非常多的用户浏览信息，保扩用户手机号码，上网时间，机器序列号，访问的IP，访问的网站，上行流量，下行流量，总流量等信息。这里只截取一小段，具体文件在文末提供下载链接。

二、基本功能实现

想要统计出用户的上行流量、下行流量、总流量信息，我们需要建立一个bean类来对数据进行封装。于是新建应该Java工程，导包，或者直接建立一个MapReduce工程。在这里面建立一个FlowBean.java文件。

[html] view plaincopyprint?

1.        private long upFlow;  
2. private long dFlow;  
3. private long sumFlow;  

然后就是各种右键生成get,set方法，还要toString(),以及生成构造函数，（千万记得要生成一个空的构造函数，不然后面进行分析的时候会报错）。

完整代码如下：

[java] view plaincopyprint?

1. package cn.tf.flow;  
2.   
3. import java.io.DataInput;  
4. import java.io.DataOutput;  
5. import java.io.IOException;  
6.   
7. import org.apache.hadoop.io.Writable;  
8. import org.apache.hadoop.io.WritableComparable;  
9.   
10. public class FlowBean  implements WritableComparable<FlowBean>{  
11.       
12.     private long upFlow;  
13.     private long dFlow;  
14.     private long sumFlow;  
15.     public long getUpFlow() {  
16.         return upFlow;  
17.     }  
18.     public void setUpFlow(long upFlow) {  
19.         this.upFlow = upFlow;  
20.     }  
21.     public long getdFlow() {  
22.         return dFlow;  
23.     }  
24.     public void setdFlow(long dFlow) {  
25.         this.dFlow = dFlow;  
26.     }  
27.     public long getSumFlow() {  
28.         return sumFlow;  
29.     }  
30.     public void setSumFlow(long sumFlow) {  
31.         this.sumFlow = sumFlow;  
32.     }  
33.     public FlowBean(long upFlow, long dFlow) {  
34.         super();  
35.         this.upFlow = upFlow;  
36.         this.dFlow = dFlow;  
37.         this.sumFlow = upFlow+dFlow;  
38.     }  
39.     @Override  
40.     public void readFields(DataInput in) throws IOException {  
41.         upFlow=in.readLong();  
42.         dFlow=in.readLong();  
43.         sumFlow=in.readLong();  
44.           
45.     }  
46.     @Override  
47.     public void write(DataOutput out) throws IOException {  
48.         out.writeLong(upFlow);  
49.         out.writeLong(dFlow);  
50.         out.writeLong(sumFlow);  
51.     }  
52.     public FlowBean() {  
53.         super();  
54.     }  
55.   
56.     @Override  
57.     public String toString() {  
58.            
59.         return  upFlow + "\t" + dFlow + "\t" + sumFlow;  
60.     }  
61.     @Override  
62.     public int compareTo(FlowBean o) {  
63.           
64.         return this.sumFlow>o.getSumFlow() ? -1:1;  
65.     }  
66.       
67.       
68.   
69. }  

然后就是这个统计的代码了，新建一个FlowCount.java.在这个类里面，我直接把Mapper和Reduce写在同一个类里面了，如果按规范的要求应该是要分开写的。

在mapper中，获取后面三段数据的值，所以我的这里length-2,length-3.

[java] view plaincopyprint?

1.       public static class FlowCountMapper extends Mapper<LongWritable, Text, Text, FlowBean> {  
2.     @Override  
3.     protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {  
4.   
5.         // 拿到这行的内容转成string  
6.         String line = value.toString();  
7.   
8.         String[] fields = StringUtils.split(line, "\t");  
9.         try {  
10.             if (fields.length > 3) {  
11.                 // 获得手机号及上下行流量字段值  
12.                 String phone = fields[1];  
13.                 long upFlow = Long.parseLong(fields[fields.length - 3]);  
14.                 long dFlow = Long.parseLong(fields[fields.length - 2]);  
15.   
16.                 // 输出这一行的处理结果,key为手机号，value为流量信息bean  
17.                 context.write(new Text(phone), new FlowBean(upFlow, dFlow));  
18.             } else {  
19.                 return;  
20.             }  
21.         } catch (Exception e) {  
22.   
23.         }  
24.   
25.     }  
26.   
27. }  

在reduce中队数据进行整理，统计

[java] view plaincopyprint?

1. public static class FlowCountReducer extends Reducer<Text, FlowBean, Text, FlowBean> {  
2.   
3.         @Override  
4.         protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {  
5.   
6.             long upSum = 0;  
7.             long dSum = 0;  
8.   
9.             for (FlowBean bean : values) {  
10.   
11.                 upSum += bean.getUpFlow();  
12.                 dSum += bean.getdFlow();  
13.             }  
14.   
15.             FlowBean resultBean = new FlowBean(upSum, dSum);  
16.             context.write(key, resultBean);  
17.   
18.         }  
19.   
20.     }  

最后在main方法中调用执行。

[java] view plaincopyprint?

1. public static void main(String[] args) throws Exception {  
2.   
3.         Configuration conf = new Configuration();  
4.         Job job = Job.getInstance(conf);  
5.   
6.         job.setJarByClass(FlowCount.class);  
7.   
8.         job.setMapperClass(FlowCountMapper.class);  
9.         job.setReducerClass(FlowCountReducer.class);  
10.   
11.         job.setMapOutputKeyClass(Text.class);  
12.         job.setMapOutputValueClass(FlowBean.class);  
13.   
14.         job.setOutputKeyClass(Text.class);  
15.         job.setOutputValueClass(FlowBean.class);  
16.   
17.         FileInputFormat.setInputPaths(job, new Path(args[0]));  
18.         FileOutputFormat.setOutputPath(job, new Path(args[1]));  
19.   
20.         boolean res = job.waitForCompletion(true);  
21.         System.exit(res ? 0 : 1);  
22.   
23.     }  

当然啦，还需要先在你的hdfs根目录中建立/flow/data数据，然后我那个用户的数据源上传上去。

[java] view plaincopyprint?

1. bin/hadoop fs -mkdir -p /flow/data  
2. bin/hadoop fs -put HTTP_20130313143750.dat /flow/data  
3. bin/hadoop jar  ../lx/flow.jar  

把上面这个MapReduce工程打包成一个jar文件，然后用hadoop来执行这个jar文件。例如我放在~/hadoop/lx/flow.jar，然后再hadoop安装目录中执行

[java] view plaincopyprint?

1. bin/hadoop jar ../lx/flowsort.jar cn/tf/flow/FlowCount  /flow/data  /flow/output  

最后执行结果如下：

在这整过过程中，我们是有yarnchild的进程在执行的，如下图所示：当整个过程执行完毕之后yarnchild也会自动退出。

三、按总流量从大到小排序

如果你上面这个基本操作以及完成了的话，按总流量排序就非常简单了。我们新建一个FlowCountSort.java.

全部代码如下：

[java] view plaincopyprint?

1. package cn.tf.flow;  
2.   
3. import java.io.IOException;  
4.   
5. import org.apache.commons.lang.StringUtils;  
6. import org.apache.hadoop.conf.Configuration;  
7. import org.apache.hadoop.fs.Path;  
8. import org.apache.hadoop.io.LongWritable;  
9. import org.apache.hadoop.io.Text;  
10. import org.apache.hadoop.mapreduce.Job;  
11. import org.apache.hadoop.mapreduce.Mapper;  
12. import org.apache.hadoop.mapreduce.Reducer;  
13. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
14. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
15.   
16. public class FlowCountSort {  
17.   
18. public static class FlowCountSortMapper extends Mapper<LongWritable, Text, FlowBean, Text>{  
19.           
20.         @Override  
21.         protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {  
22.               
23.             String line=value.toString();  
24.             String[] fields=StringUtils.split(line,"\t");  
25.               
26.             String phone=fields[0];  
27.             long upSum=Long.parseLong(fields[1]);  
28.             long dSum=Long.parseLong(fields[2]);  
29.               
30.             FlowBean sumBean=new FlowBean(upSum,dSum);  
31.               
32.             context.write(sumBean, new Text(phone));  
33.           
34.         }     
35. }  
36.   
37.     public static class FlowCountSortReducer extends Reducer<FlowBean, Text, Text, FlowBean>{  
38.           
39.         //进来的“一组”数据就是一个手机的流量bean和手机号  
40.         @Override  
41.         protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {  
42.       
43.             context.write(values.iterator().next(), key);  
44.         }  
45.     }  
46.   
47.     public static void main(String[] args) throws Exception {  
48.   
49.         Configuration conf = new Configuration();  
50.         Job job = Job.getInstance(conf);  
51.   
52.         job.setJarByClass(FlowCountSort.class);  
53.   
54.         job.setMapperClass(FlowCountSortMapper.class);  
55.         job.setReducerClass(FlowCountSortReducer.class);  
56.   
57.         job.setMapOutputKeyClass(FlowBean.class);  
58.         job.setMapOutputValueClass(Text.class);  
59.   
60.         job.setOutputKeyClass(Text.class);  
61.         job.setOutputValueClass(FlowBean.class);  
62.   
63.         FileInputFormat.setInputPaths(job, new Path(args[0]));  
64.         FileOutputFormat.setOutputPath(job, new Path(args[1]));  
65.   
66.         boolean res = job.waitForCompletion(true);  
67.         System.exit(res ? 0 : 1);  
68.   
69.     }  
70.       
71. }  

这个主要就是使用了FlowBean.java中的代码来实现的，主要是继承了WritableComparable<FlowBean>接口来实现，然后重写了compareTo()方法。

[html] view plaincopyprint?

1. @Override  
2.     public int compareTo(FlowBean o) {  
3.           
4.         return this.sumFlow>o.getSumFlow() ? -1:1;  
5.     }  
6.       

按照同样的方法对这个文件打成jar包，然后使用hadoop的相关语句进行执行就可以了。

[java] view plaincopyprint?

1. bin/hadoop jar ../lx/flowsort.jar cn/tf/flow/FlowCountSort  /flow/output  /flow/sortoutput  

结果图：

四、按用户号码区域进行分类

流量汇总之后的结果需要按照省份输出到不同的结果文件中，需要解决两个问题：

 1、如何让mr的最终结果产生多个文件： 原理：MR中的结果文件数量由reduce
  task的数量绝对，是一一对应的 做法：在代码中指定reduce task的数量
 
 
  2、如何让手机号进入正确的文件 原理：让不同手机号数据发给正确的reduce task，就进入了正确的结果文件
  要自定义MR中的分区partition的机制（默认的机制是按照kv中k的hashcode%reducetask数）
  做法：自定义一个类来干预MR的分区策略——Partitioner的自定义实现类

主要代码与前面的排序是非常类似的，只要在main方法中添加如下两行代码就可以了。

[java] view plaincopyprint?

1.         //指定自定义的partitioner  
2. job.setPartitionerClass(ProvincePartioner.class);  
3.   
4. job.setNumReduceTasks(5);  

这里我们需要新建一个ProvincePartioner.java来处理号码分类的逻辑。

[java] view plaincopyprint?

1. public class ProvincePartioner extends Partitioner<Text, FlowBean>{  
2.       
3.       
4. private static HashMap<String, Integer> provinceMap = new HashMap<String, Integer>();  
5.       
6.     static {  
7.           
8.         provinceMap.put("135", 0);  
9.         provinceMap.put("136", 1);  
10.         provinceMap.put("137", 2);  
11.         provinceMap.put("138", 3);        
12.     }  
13.       
14.     @Override  
15.     public int getPartition(Text key, FlowBean value, int numPartitions) {  
16.   
17.         String prefix = key.toString().substring(0, 3);  
18.         Integer partNum = provinceMap.get(prefix);  
19.         if(partNum == null) partNum=4;  
20.           
21.         return partNum;  
22.     }  
23.   
24. }  

执行方法和前面也是一样的。从执行的流程中我们可以看到这里启动了5个reduce task,因为我这里数据量比较小，所以只启动了一个map task。

到这里，整个用户流量分析系统就全部结束了。关于大数据的更多内容，欢迎关注。点击左上角头像下方“点击关注".感谢您的支持！

数据源下载地址：http://download.csdn.net/detail/sdksdk0/9545935

源码项目地址：https://github.com/sdksdk0/HDFS_MapReduce