hadoop日志数据分析开发步骤及代码

日志数据分析：
1.背景
1.1 hm论坛日志，数据分为两部分组成，原来是一个大文件，是56GB；以后每天生成一个文件，大约是150-200MB之间；
1.2 日志格式是apache common日志格式；每行记录有5部分组成：访问ip、访问时间、访问资源、访问状态、本次流量；27.19.74.143 - - [30/May/2013:17:38:20 +0800] "GET /static/image/common/faq.gif HTTP/1.1" 200 1127
1.3 分析一些核心指标，供运营决策者使用；
1.4 开发该系统的目的是分了获取一些业务相关的指标，这些指标在第三方工具中无法获得的；（第三方工具：百度统计）

2.开发步骤
2.1 把日志数据上传到HDFS中进行处理
　　如果是日志服务器数据较小、压力较小，可以直接使用shell命令把数据上传到HDFS中；
　　如果是日志服务器数据较大、压力较大，使用NFS在另一台服务器上上传数据；（NFS（Network File System）即网络文件系统，是FreeBSD支持的文件系统中的一种，它允许网络中的计算机之间通过TCP/IP网络共享资源。在NFS的应用中，本地NFS的客户端应用可以透明地读写位于远端NFS服务器上的文件，就像访问本地文件一样。）
　　如果日志服务器非常多、数据量大，使用flume进行数据处理；
2.2 使用MapReduce对HDFS中的原始数据进行清洗；
2.3 使用Hive对清洗后的数据进行统计分析；
2.4 使用Sqoop把Hive产生的统计结果导出到mysql中；指标查询--mysql
2.5 如果用户需要查看详细数据的话，可以使用HBase进行展现；明细查询--HBase

3.流程代码（具体实际操作步骤见下面）
3.1 使用shell命令把数据从linux磁盘上传到HDFS中
3.1.1 在hdfs中创建目录，命令如下
$HADOOP_HOME/bin/hadoop fs -mkdir /hmbbs_logs
3.1.2 写一个shell脚本，叫做upload_to_hdfs.sh，内容大体如下
yesterday=`date --date='1 days ago' +%Y_%m_%d`
hadoop fs -put /apache_logs/access_${yesterday}.log /hmbbs_logs
3.1.3 把脚本upload_to_hdfs.sh配置到crontab中，执行命令crontab -e, 写法如下
* 1 * * * upload_to_hdfs.sh

3.2 使用MapReduce对数据进行清洗，把原始处理清洗后，放到hdfs的/hmbbs_cleaned目录下，每天产生一个子目录。

3.3 使用hive对清洗后的数据进行统计。
3.3.1 建立一个外部分区表，脚本如下
CREATE EXTERNAL TABLE hmbbs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION '/hmbbs_cleaned';
3.3.2 增加分区，脚本如下
ALTER TABLE hmbbs ADD PARTITION(logdate='2013_05_30') LOCATION '/hmbbs_cleaned/2013_05_30';
把代码增加到upload_to_hdfs.sh中，内容如下
hive -e "ALTER TABLE hmbbs ADD PARTITION(logdate='${yesterday}') LOCATION '/hmbbs_cleaned/${yesterday}';"
3.3.3 统计每日的pv，代码如下
CREATE TABLE hmbbs_pv_2013_05_30 AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='2013_05_30';
统计每日的注册用户数，代码如下
CREATE TABLE hmbbs_reguser_2013_05_30 AS SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='2013_05_30' AND INSTR(url,'member.php?mod=register')>0;
统计每日的独立ip，代码如下
CREATE TABLE hmbbs_ip_2013_05_30 AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';
统计每日的跳出用户，代码如下
CREATE TABLE hmbbs_jumper_2013_05_30 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e;
把每天统计的数据放入一张表
CREATE TABLE hmbbs_2013_05_30 AS SELECT '2013_05_30', a.pv, b.reguser, c.ip, d.jumper FROM hmbbs_pv_2013_05_30 a JOIN hmbbs_reguser_2013_05_30 b ON 1=1 JOIN hmbbs_ip_2013_05_30 c ON 1=1 JOIN hmbbs_jumper_2013_05_30 d ON 1=1 ;
3.4 使用sqoop把数据导出到mysql中

*********************************************
日志数据分析详细步骤（自己实际操作成功的步骤）：
1、使用shell把数据从Linux磁盘上上传到HDFS中
在Linux上/usr/local/下创建一个目录：mkdir apache_logs/,然后复制两天的日志数据放到此文件夹下。
在HDFS中创建存放数据的目录：hadoop fs -mkdir /hmbbs_logs
　　　　　　　　　　　　　　 hadoop fs -put /usr/local/apache_logs/* /hmbbs_logs
　　　　　　　　　　　　上传结束了，在hadoop0:50070中观察到在/hmbbs/目录下有两个日志文件。

在/apache_logs目录下创建一个上传数据的shell脚本：vi upload_to_hdfs.sh
　　　　　　　　　　　　　　　　　　　　　　　　　　　　#!/bin/sh
　　　　　　　　　　　　　　　　　　　　　　　　　　　　#get yesterday format string
　　　　　　　　　　　　　　　　　　　　　　　　　　　　yesterday=`date --date='1 days ago' +%Y_%m_%d`

　　　　　　　　　　　　　　　　　　　　　　　　　　　　#upload logs to hdfs
　　　　　　　　　　　　　　　　　　　　　　　　　　　　hadoop fs -put /apache_logs/access_${yesterday}.log /hmbbs_logs

把脚本upload_to_hdfs.sh配置到crontab中，执行命令crontab -e（在每天的1点钟会准时执行脚本文件）
　　　　　　　　　　　　　　　　　　　　　　　　　　　　* 1 * * * upload_to_hdfs.sh

2、在eclipse中书写代码，使用MapReduce清洗数据。打包cleaned.jar导出到linux下的/apache_logs目录下。

  1 package hmbbs;
  2
  3 import java.text.ParseException;
  4 import java.text.SimpleDateFormat;
  5 import java.util.Date;
  6 import java.util.Locale;
  7
  8 import org.apache.hadoop.conf.Configuration;
  9 import org.apache.hadoop.conf.Configured;
 10 import org.apache.hadoop.fs.Path;
 11 import org.apache.hadoop.io.LongWritable;
 12 import org.apache.hadoop.io.NullWritable;
 13 import org.apache.hadoop.io.Text;
 14 import org.apache.hadoop.mapreduce.Job;
 15 import org.apache.hadoop.mapreduce.Mapper;
 16 import org.apache.hadoop.mapreduce.Reducer;
 17 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 18 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 19 import org.apache.hadoop.util.Tool;
 20 import org.apache.hadoop.util.ToolRunner;
 21 /**
 22  * 源数据的清洗
 23  * @author ahu_lichang
 24  *
 25  */
 26 public class HmbbsCleaner extends Configured implements Tool {
 27     public int run(String[] args) throws Exception {
 28         final Job job = new Job(new Configuration(),
 29                 HmbbsCleaner.class.getSimpleName());
 30         job.setJarByClass(HmbbsCleaner.class);
 31         FileInputFormat.setInputPaths(job, args[0]);
 32         job.setMapperClass(MyMapper.class);
 33         job.setMapOutputKeyClass(LongWritable.class);
 34         job.setMapOutputValueClass(Text.class);
 35         job.setReducerClass(MyReducer.class);
 36         job.setOutputKeyClass(Text.class);
 37         job.setOutputValueClass(NullWritable.class);
 38         FileOutputFormat.setOutputPath(job, new Path(args[1]));
 39         job.waitForCompletion(true);
 40         return 0;
 41     }
 42
 43     public static void main(String[] args) throws Exception {
 44         ToolRunner.run(new HmbbsCleaner(), args);
 45     }
 46
 47     static class MyMapper extends
 48             Mapper<LongWritable, Text, LongWritable, Text> {
 49         LogParser logParser = new LogParser();
 50         Text v2 = new Text();
 51
 52         protected void map(
 53                 LongWritable key,
 54                 Text value,
 55                 org.apache.hadoop.mapreduce.Mapper<LongWritable, Text, LongWritable, Text>.Context context)
 56                 throws java.io.IOException, InterruptedException {
 57             final String[] parsed = logParser.parse(value.toString());
 58
 59             // 过滤掉静态信息
 60             if (parsed[2].startsWith("GET /static/")
 61                     || parsed[2].startsWith("GET /uc_server")) {
 62                 return;
 63             }
 64
 65             // 过掉开头的特定格式字符串
 66             if (parsed[2].startsWith("GET /")) {
 67                 parsed[2] = parsed[2].substring("GET /".length());
 68             } else if (parsed[2].startsWith("POST /")) {
 69                 parsed[2] = parsed[2].substring("POST /".length());
 70             }
 71
 72             // 过滤结尾的特定格式字符串
 73             if (parsed[2].endsWith(" HTTP/1.1")) {
 74                 parsed[2] = parsed[2].substring(0, parsed[2].length()
 75                         - " HTTP/1.1".length());
 76             }
 77
 78             v2.set(parsed[0] + "\t" + parsed[1] + "\t" + parsed[2]);
 79             context.write(key, v2);
 80         };
 81     }
 82
 83     static class MyReducer extends
 84             Reducer<LongWritable, Text, Text, NullWritable> {
 85         protected void reduce(
 86                 LongWritable k2,
 87                 java.lang.Iterable<Text> v2s,
 88                 org.apache.hadoop.mapreduce.Reducer<LongWritable, Text, Text, NullWritable>.Context context)
 89                 throws java.io.IOException, InterruptedException {
 90             for (Text v2 : v2s) {
 91                 context.write(v2, NullWritable.get());
 92             }
 93         };
 94     }
 95
 96     static class LogParser {
 97         public static final SimpleDateFormat FORMAT = new SimpleDateFormat(
 98                 "d/MMM/yyyy:HH:mm:ss", Locale.ENGLISH);
 99         public static final SimpleDateFormat dateformat1 = new SimpleDateFormat(
100                 "yyyyMMddHHmmss");
101
102         public static void main(String[] args) throws ParseException {
103             final String S1 = "27.19.74.143 - - [30/May/2013:17:38:20 +0800] \"GET /static/image/common/faq.gif HTTP/1.1\" 200 1127";
104             LogParser parser = new LogParser();
105             final String[] array = parser.parse(S1);
106             System.out.println("样例数据： " + S1);
107             System.out.format(
108                     "解析结果：  ip=%s, time=%s, url=%s, status=%s, traffic=%s",
109                     array[0], array[1], array[2], array[3], array[4]);
110         }
111
112         /**
113          * 解析英文时间字符串
114          *
115          * @param string
116          * @return
117          * @throws ParseException
118          */
119         private Date parseDateFormat(String string) {
120             Date parse = null;
121             try {
122                 parse = FORMAT.parse(string);
123             } catch (ParseException e) {
124                 e.printStackTrace();
125             }
126             return parse;
127         }
128
129         /**
130          * 解析日志的行记录
131          *
132          * @param line
133          * @return 数组含有5个元素，分别是ip、时间、url、状态、流量
134          */
135         public String[] parse(String line) {
136             String ip = parseIP(line);
137             String time = parseTime(line);
138             String url = parseURL(line);
139             String status = parseStatus(line);
140             String traffic = parseTraffic(line);
141
142             return new String[] { ip, time, url, status, traffic };
143         }
144
145         private String parseTraffic(String line) {
146             final String trim = line.substring(line.lastIndexOf("\"") + 1)
147                     .trim();
148             String traffic = trim.split(" ")[1];
149             return traffic;
150         }
151
152         private String parseStatus(String line) {
153             final String trim = line.substring(line.lastIndexOf("\"") + 1)
154                     .trim();
155             String status = trim.split(" ")[0];
156             return status;
157         }
158
159         private String parseURL(String line) {
160             final int first = line.indexOf("\"");
161             final int last = line.lastIndexOf("\"");
162             String url = line.substring(first + 1, last);
163             return url;
164         }
165
166         private String parseTime(String line) {
167             final int first = line.indexOf("[");
168             final int last = line.indexOf("+0800]");
169             String time = line.substring(first + 1, last).trim();
170             Date date = parseDateFormat(time);
171             return dateformat1.format(date);
172         }
173
174         private String parseIP(String line) {
175             String ip = line.split("- -")[0].trim();
176             return ip;
177         }
178     }
179
180 }

vi upload_to_hdfs.sh
　　　　　　　　#!/bin/sh

　　　　　　　　#get yesterday format string
　　　　　　　　#yesterday=`date --date='1 days ago' +%Y_%m_%d`

　　　　　　　　#testing cleaning data

　　　　　　　　 yesterday=$1

　　　　　　　　#upload logs to hdfs
　　　　　　　　hadoop fs -put /apache_logs/access_${yesterday}.log /hmbbs_logs

　　　　　　　　#cleanning data
　　　　　　　　hadoop jar cleaned.jar /hmbbs_logs/access_${yesterday}.log /hmbbs_cleaned/${yesterday}
权限chmod u+x upload_to_hdfs.sh
执行upload_to_hdfs.sh 2013_05_30
然后在浏览器中hadoop0：50070中就能观察到上传到HDFS中的清洗过后的数据了。

3、使用hive对清洗后的数据进行统计。
建立一个外部分区表，脚本如下
CREATE EXTERNAL TABLE hmbbs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION '/hmbbs_cleaned';

增加分区，脚本如下
ALTER TABLE hmbbs ADD PARTITION(logdate='2013_05_30') LOCATION '/hmbbs_cleaned/2013_05_30';

把代码增加到upload_to_hdfs.sh中，内容如下（每天产生一个分区）
#alter hive table and then add partition to existed table
hive -e "ALTER TABLE hmbbs ADD PARTITION(logdate='${yesterday}') LOCATION '/hmbbs_cleaned/${yesterday}';"

------hive -e "执行语句；" hive -e的作用就是不用在hive命令行下，可以在外面执行。

可以在外面执行hive -e "ALTER TABLE hmbbs ADD PARTITION(logdate='2013_05_31') LOCATION '/hmbbs_cleaned/2013_05_31';"

这样在/hmbbs表下面就多了一个2013_05_31文件
select count(1) form hmbbs -----通过观察数字大小变化，就可判断出是否添加成功。

统计每日的pv，代码如下
CREATE TABLE hmbbs_pv_2013_05_30 AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='2013_05_30';
执行hive -e "SELECT COUNT(1) FROM hmbbs WHERE logdate='2013_05_30';" 得到表中的数据大小，待后面验证用。
执行hive -e "CREATE TABLE hmbbs_pv_2013_05_30 AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='2013_05_30';" 将查询到的PV（别名）数据存到表hmbbs_pv_2013_05_30中。
验证表中是否添加成功了数据：hive -e "select * from hmbbs_pv_2013_05_30;"

统计每日的注册用户数，代码如下
CREATE TABLE hmbbs_reguser_2013_05_30 AS SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='2013_05_30' AND INSTR(url,'member.php?mod=register')>0;
INSTR(url,'member.php?mod=register')是一个函数，用来判断url字符串中所包含的子串member.php?mod=register的个数
执行hive -e "SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='2013_05_30' AND INSTR(url,'member.php?mod=register')>0;" 可以统计出其中一天的用户注册数。这个数字肯定比之前的pv数小！

统计每日的独立ip（去重），代码如下
CREATE TABLE hmbbs_ip_2013_05_30 AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';
在hive中查询有多少个独立ip：SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';
执行hive -e "CREATE TABLE hmbbs_ip_2013_05_30 AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='2013_05_30';"

统计每日的跳出用户，代码如下
CREATE TABLE hmbbs_jumper_2013_05_30 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e;
在hive下查询登录次数只有一次的ip有哪些：SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e; ---e是别名
执行hive -e "CREATE TABLE hmbbs_jumper_2013_05_30 AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='2013_05_30' GROUP BY ip HAVING times=1) e;"

把每天统计的数据放入一张表（表连接）
CREATE TABLE hmbbs_2013_05_30 AS SELECT '2013_05_30', a.pv, b.reguser, c.ip, d.jumper FROM hmbbs_pv_2013_05_30 a JOIN hmbbs_reguser_2013_05_30 b ON 1=1 JOIN hmbbs_ip_2013_05_30 c ON 1=1 JOIN hmbbs_jumper_2013_05_30 d ON 1=1 ;
创建完了,查看一下：
show tables;
select * from hmbbs_2013_05_30 ;

使用sqoop把hmbbs_2013_05_30表中数据导出到mysql中。（数据导出成功了以后，就可以删除掉之前的5个表了）
在MySQL第三方工具上连接hadoop0，在里面创建一个数据库hmbbs，再创建一个表hmbbs_logs_stat，表中有导出数据的5个字段：logdate varchar 非空 ,pv int, reguser int, ip int, jumper int

注意：创建数据库时，出现错误：远程登录权限问题！

sqoop export --connect jdbc:mysql://hadoop0:3306/hmbbs --username root --password admin --table hmbbs_logs_stat --fields-terminated-by '\001'--export-dir ‘/hive/hmbbs_2013_05_30’
----'\001'是默认的列分隔符 /user/hive/warehouse/hmbbs_2013_05_30这个目录根据自己的设置，不一定都是这样的！
导出成功以后，可以在工具中刷新表，就能观察到表中的数据了。

统计数据和导出操作也都应该放在脚本文件中：
vi upload_to_hdfs.sh
#create hive table everyday
hive -e "CREATE TABLE hmbbs_pv_${yesterday} AS SELECT COUNT(1) AS PV FROM hmbbs WHERE logdate='${yesterday}';"
hive -e "SELECT COUNT(1) AS REGUSER FROM hmbbs WHERE logdate='${yesterday}' AND INSTR(url,'member.php?mod=register')>0;"
hive -e "CREATE TABLE hmbbs_ip_${yesterday} AS SELECT COUNT(DISTINCT ip) AS IP FROM hmbbs WHERE logdate='${yesterday}';"
hive -e "CREATE TABLE hmbbs_jumper_${yesterday} AS SELECT COUNT(1) AS jumper FROM (SELECT COUNT(ip) AS times FROM hmbbs WHERE logdate='${yesterday}' GROUP BY ip HAVING times=1) e;"
hive -e "CREATE TABLE hmbbs_${yesterday} AS SELECT '${yesterday}', a.pv, b.reguser, c.ip, d.jumper FROM hmbbs_pv_${yesterday} a JOIN hmbbs_reguser_${yesterday} b ON 1=1 JOIN hmbbs_ip_${yesterday} c ON 1=1 JOIN hmbbs_jumper_${yesterday} d ON 1=1 ;"
#delete hive tables
hive -e "drop table hmbbs_pv_${yesterday}"
hive -e "drop table hmbbs_reguser_${yesterday}"
hive -e "drop table hmbbs_ip_${yesterday}"
hive -e "drop table hmbbs_jumper_${yesterday}"
#sqoop export to mysql
sqoop export --connect jdbc:mysql://hadoop0:3306/hmbbs --username root --password admin --table hmbbs_logs_stat --fields-terminated-by '\001'--export-dir ‘/hive/hmbbs_${yesterday}’
#delete hive tables
hive -e "drop table hmbbs_${yesterday}"

完善执行的shell脚本：
1、初始化数据的脚本（历史数据）
2、每日执行的脚本
mv upload_to_hdfs.sh hmbbs_core.sh
vi hmbbs_daily.sh
　　#!/bin/sh
　　yesterday=`date --date='1 days ago' +%Y_%m_%d`
　　hmbbs_core.sh $yesterday
chmod u+x hmbbs_daily.sh
crontab -e
　　* 1 * * * /apache_logs/hmbbs_daily.sh
vi hmbbs_init.sh
　　#!/bin/sh
　　#hive -e "CREATE EXTERNAL TABLE hmbbs(ip string, atime string, url string) PARTITIONED BY (logdate string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION 　　'/hmbbs_cleaned';"
　　s1=`date --date="$1" +%s`
　　s2=`date +%s`
　　s3=$(((s2-s1)/3600/24))

　　for ((i=$s3;i>0;i--))
　　do
　　　　tmp=`date --date="$i days ago" +%Y_%m_%d`
　　　　echo $tmp
　　done

转载于:https://www.cnblogs.com/ahu-lichang/p/6696827.html

hadoop日志数据分析开发步骤及代码相关推荐

大数据入门第一课 Hadoop基础知识与电商网站日志数据分析
大数据入门第一课 Hadoop基础知识与电商网站日志数据分析本课程从Hadoop核心技术入手,以电商项目为依托,带领你从0基础开始上手,逐步掌握大数据核心技术(如:HDFS.YARN.MapRedu ...
VBA+批处理实现WORD转EXCEL数据分析开发日志
VBA+批处理实现WORD转EXCEL数据分析开发日志 WORD程序转EXCEL并处理数据项目目的开发日志2020-09-01(批处理) 开发日志V1.2.1 2020-09-05 业务流程分以下 ...
Hadoop离线_网站流量日志数据分析系统_概述
流量日志数据分析系统 1.点击流数据模型 2.网站流量模型分析 3.流量常见分析角度和指标分类 4.流量日志分析网站整体架构模块 1.点击流数据模型 1.1点击流概念: 点击流(Click Strea ...
大数据开发：基于Hadoop的数据分析平台
互联网的发展,带来了各种数据的爆发式增长,所以接入互联网的相关操作行为,都化为虚拟的数据被记录了下来.大数据时代的带来,一个明显的变化就是全样本数据分析,面对TB/PB级及以上的数据规模,Hadoop ...
Hadoop之网站流量日志数据分析
网站流量日志数据分析系统点击流数据模型点击流是指用户在网站上持续访问的轨迹,按照时间来进行先后区分,基本上所有大型网站都有日志埋点.通过js的方式,可以获得用户在网站上所访问的内容,包括url.埋 ...
网站流量日志数据分析系统（1）
1．点击流数据模型 1.1．点击流概念点击流(Click Stream)是指用户在网站上持续访问的轨迹.这个概念更注重用户浏览网站的整个流程.用户对网站的每次访问包含了一系列的点击动作行为,这些 ...
大数据产品开发流程规范_大数据开发步骤和流程
大数据项目开发步骤: 第一步:需求:数据的输入和数据的产出: 第二步:数据量.处理效率.可靠性.可维护性.简洁性: 第三步:数据建模: 第四步:架构设计:数据怎么进来,输出怎么展示,最最重要的是处理流 ...
大数据产品开发流程规范_大数据系统开发步骤流程是怎样的
大数据系统开发步骤流程是怎样的呢?下面来为大家介绍大数据项目开发步骤: 第一步:需求:数据的输入和数据的产出: 第二步:数据量.处理效率.可靠性.可维护性.简洁性: 第三步:数据建模: 第四步:架构 ...
网站点击流日志数据分析
网站点击流日志数据分析点击流数据:关注的是用户访问网站的轨迹,按照时间来进行先后区分基本上所有的大型网站都有日志埋点通过js的方式,可以获取到你再网站上面点击的所有的链接,按钮,商品,等等,包括 ...

hadoop日志数据分析开发步骤及代码

hadoop日志数据分析开发步骤及代码相关推荐

最新文章

热门文章