海量Web日志分析 用Hadoop提取KPI统计指标

转载自：http://blog.fens.me/hadoop-mapreduce-log-kpi/

前言
Web日志包含着网站最重要的信息，通过日志分析，我们可以知道网站的访问量，哪个网页访问人数最多，哪个网页最有价值等。一般中型的网站(10W的PV以上)，每天会产生1G以上Web日志文件。大型或超大型的网站，可能每小时就会产生10G的数据量。
对于日志的这种规模的数据，用Hadoop进行日志分析，是最适合不过的了。
目录

• Web日志分析概述
• 需求分析：KPI指标设计
• 算法模型：Hadoop并行算法
• 架构设计：日志KPI系统架构
• 程序开发1：用Maven构建Hadoop项目
• 程序开发2：MapReduce程序实现
  

1. Web日志分析概述Web日志由Web服务器产生，可能是Nginx, Apache, Tomcat等。从Web日志中，我们可以获取网站每类页面的PV值（PageView，页面访问量）、独立IP数；稍微复杂一些的，可以计算得出用户所检索的关键词排行榜、用户停留时间最高的页面等；更复杂的，构建广告点击模型、分析用户行为特征等等。
在Web日志中，每条日志通常代表着用户的一次访问行为，例如下面就是一条nginx日志：
222.68.172.190 - - [18/Sep/2013:06:49:57 +0000] "GET /images/my.jpg HTTP/1.1" 200 19939 "http://www.angularjs.cn/A00n" "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36"拆解为以下8个变量

• remote_addr: 记录客户端的ip地址, 222.68.172.190
• remote_user: 记录客户端用户名称, –
• time_local: 记录访问时间与时区, [18/Sep/2013:06:49:57 +0000]
• request: 记录请求的url与http协议, “GET /images/my.jpg HTTP/1.1″
• status: 记录请求状态,成功是200, 200
• body_bytes_sent: 记录发送给客户端文件主体内容大小, 19939
• http_referer: 用来记录从那个页面链接访问过来的, “http://www.angularjs.cn/A00n”
• http_user_agent: 记录客户浏览器的相关信息, “Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36″
  

注：要更多的信息，则要用其它手段去获取，通过js代码单独发送请求，使用cookies记录用户的访问信息。
利用这些日志信息，我们可以深入挖掘网站的秘密了。
少量数据的情况
少量数据的情况(10Mb,100Mb,10G)，在单机处理尚能忍受的时候，我可以直接利用各种Unix/Linux工具，awk、grep、sort、join等都是日志分析的利器，再配合perl, python，正则表达工，基本就可以解决所有的问题。
例如，我们想从上面提到的nginx日志中得到访问量最高前10个IP，实现很简单：
~ cat access.log.10 | awk '{a[$1]++} END {for(b in a) print b"\t"a}' | sort -k2 -r | head -n 10163.177.71.12   972101.226.68.137  972183.195.232.138 97150.116.27.194   9714.17.29.86     9661.135.216.104  9461.135.216.105  9161.186.190.41   959.39.192.108   9220.181.51.212  9海量数据的情况
当数据量每天以10G、100G增长的时候，单机处理能力已经不能满足需求。我们就需要增加系统的复杂性，用计算机集群，存储阵列来解决。在Hadoop出现之前，海量数据存储，和海量日志分析都是非常困难的。只有少数一些公司，掌握着高效的并行计算，分步式计算，分步式存储的核心技术。
Hadoop的出现，大幅度的降低了海量数据处理的门槛，让小公司甚至是个人都能力，搞定海量数据。并且，Hadoop非常适用于日志分析系统。
2.需求分析：KPI指标设计下面我们将从一个公司案例出发来全面的解释，如何用进行海量Web日志分析，提取KPI数据。
案例介绍
某电子商务网站，在线团购业务。每日PV数100w，独立IP数5w。用户通常在工作日上午10:00-12:00和下午15:00-18:00访问量最大。日间主要是通过PC端浏览器访问，休息日及夜间通过移动设备访问较多。网站搜索浏量占整个网站的80%，PC用户不足1%的用户会消费，移动用户有5%会消费。
通过简短的描述，我们可以粗略地看出，这家电商网站的经营状况，并认识到愿意消费的用户从哪里来，有哪些潜在的用户可以挖掘，网站是否存在倒闭风险等。
KPI指标设计

• PV(PageView): 页面访问量统计
• IP: 页面独立IP的访问量统计
• Time: 用户每小时PV的统计
• Source: 用户来源域名的统计
• Browser: 用户的访问设备统计
  

注：商业保密限制，无法提供电商网站的日志。
下面的内容，将以我的个人网站为例提取数据进行分析。
百度统计，对我个人网站做的统计！http://www.fens.me
基本统计指标：

用户的访问设备统计指标：

从商业的角度，个人网站的特征与电商网站不太一样，没有转化率，同时跳出率也比较高。从技术的角度，同样都关注KPI指标设计。
3.算法模型：Hadoop并行算法
并行算法的设计：
注：找到第一节有定义的8个变量
PV(PageView): 页面访问量统计

• Map过程{keyrequest,value:1}
• Reduce过程{keyrequest,value:求和(sum)}
  

IP: 页面独立IP的访问量统计

• Map: {keyrequest,valueremote_addr}
• Reduce: {keyrequest,value:去重再求和(sum(unique))}
  

Time: 用户每小时PV的统计

• Map: {keytime_local,value:1}
• Reduce: {keytime_local,value:求和(sum)}
  

Source: 用户来源域名的统计

• Map: {keyhttp_referer,value:1}
• Reduce: {keyhttp_referer,value:求和(sum)}
  

Browser: 用户的访问设备统计

• Map: {keyhttp_user_agent,value:1}
• Reduce: {key:$http_user_agent,value:求和(sum)}
  

4.架构设计：日志KPI系统架构
上图中，左边是Application业务系统，右边是Hadoop的HDFS, MapReduce。

• 日志是由业务系统产生的，我们可以设置web服务器每天产生一个新的目录，目录下面会产生多个日志文件，每个日志文件64M。
• 设置系统定时器CRON，夜间在0点后，向HDFS导入昨天的日志文件。
• 完成导入后，设置系统定时器，启动MapReduce程序，提取并计算统计指标。
• 完成计算后，设置系统定时器，从HDFS导出统计指标数据到数据库，方便以后的即使查询。
  

上面这幅图，我们可以看得更清楚，数据是如何流动的。蓝色背景的部分是在Hadoop中的，接下来我们的任务就是完成MapReduce的程序实现。
转载自http://blog.fens.me/hadoop-mapreduce-log-kpi/