2016年大数据Spark“蘑菇云”行动代码学习之AdClickedStreamingStats模块分析

系统背景：用户使用终端设备（IPAD、手机、浏览器）等登录系统，系统采用js脚本发送用户信息和广告点击信息到后台日志，进入flume监控，通过kafka消息中间件传输数据，由Spark Streaming消费后将信息存储到后台。本模块主要就是实现将kafka发送的信息进行过滤，动态更新黑名单，生成有效的广告点击数据，形成广告点击趋势，将相关信息通过数据库连接池写入数据库MySql。

实现思路：由于kafka传输的广告点击数据中有一些是无效数据，需要根据一定的规则进行过滤（本方案采取简单的黑名单过滤的方式进行过滤，还可以采用机器学习的方式进行过滤——可以做一个大课题研究、大数据黄金岗位、下一步重点方向）。

在形成有效的广告点击数据后，按照天为单位，对广告点击次数进行累计，同时按照一天点击次数超过？次形成新的黑名单，持久化到后台。

对广告按照时间、省份、城市进行点击次数更新，然后插入或更新到MySql数据库。

由DataFrame的GroupBy，计算出每天每个省份的Top5排名的广告。

采用窗口函数reduceByKeyAndWindow计算过去半个小时内广告点击的趋势。

具体的流程如下：

AdClickedStreamingStats模块流程图
初始化Spark的运行环境，加载必要的JAR包
设置kafka的参数（broker地址列表、Topics）
从kafka获取数据（time+IP+UserID+AdID+province+city)
从数据库获取黑名单信息（UserID），生成黑名单RDD，格式为map(UserID,true）
将广告点击数据按（UserID,字串流）形成广告点击RDD
广告点击RDD和黑名单RDD左外连接，形成UserID,(字串流,true或者为空)的RDD
从新的RDD过滤出用户名不在黑名单上的广告点击RDD（UserID,字串流)
累加有效的广告点击次数RDD

（"time_IP_userID_adID_province_city"，long）
根据一天内的点击次数，来过滤出有效的广告点击数

（代码中一天内大于1次就过滤掉了？）
形成用户广告点击ListBuffer
插入或者更新用户广告点击数据

（当天已有记录则将广告点击数累加后更新，否则插入）
根据当天、用户、广告，获得总的点击数，

如果大于81次，形成新的黑名单
根据用户ID，进行黑名单去重操作并写入
按照日期+广告ID+省+市，形成新的广告点击RDD
updateStateByKey，更新状态？
写入或更新广告点击数据（日期+广告+省+市+点击数）
按省进行Group by，然后查询出点击排名前5的广告
将当天+广告的TOP5数据库清空，然后插入新的数据
计算过去半小时广告点击的趋势

形成（广告ID+Time)的DStream
根据滑动窗口（半小时、5分钟），计算出广告点击趋势
写入广告点击趋势数据

转载于:https://blog.51cto.com/36006798/1861261

2016年大数据Spark“蘑菇云”行动代码学习之AdClickedStreamingStats模块分析相关推荐

大数据Spark “蘑菇云”行动第103课：Hive源码大师之路第一步：Hive源码思考和解析初体验
大数据Spark "蘑菇云"行动第103课:Hive源码大师之路第一步:Hive源码思考和解析初体验老师上课使用的Hive源码下载地址:http://www-eu.apache. ...
大数据Spark “蘑菇云”行动第76课： Kafka+Spark Streaming+Redis项目实战
大数据Spark "蘑菇云"行动第76课: Kafka+Spark Streaming+Redis项目实战 jedis插件 redis <dependency> ...
大数据Spark超经典视频链接全集
论坛贴吧等信息发布参考模板 Scala.Spark史上最全面.最详细.最彻底的一整套视频全集(特别是机器学习.Spark Core解密.Spark性能优化.Spark面试宝典.Spark项目案例等). ...
光环大数据spark文档_推荐大数据Spark必读书目
我有一个非常要好的同事,无数次帮我解决了业务上的痛.技术能力很强,业务方面也精通.而且更耐得住加班,并且是自愿加班,毫无怨言.不像我,6点到准时走人了.但就是这么一位兢兢业业的技术人,却一直没有升职加 ...
【2016年第1期】CCF大专委2016年大数据发展趋势预测—— 解读和行动建议
中图分类号:TP399 文献标识码:A doi: 10.11959/j.issn.2096-0271.2016012 1 引言 2015中国大数据技术大会(BDTC)于2015年12月10日在北京召开 ...
推荐大数据Spark必读书目
点击蓝色"有关SQL"关注我哟加个"星标",天天与10000人一起快乐成长我有一个非常要好的同事,无数次帮我解决了业务上的痛.技术能力很强,业务方面也精通. ...
【BDTC 2016】大数据云服务论坛：云上的大数据探索
2016年12月8-10日,由中国计算机学会(CCF)主办,CCF大数据专家委员会承办,中国科学院计算技术研究所.中科天玑数据科技股份有限公司与CSDN共同协办,以"聚焦行业最佳实践,数据与 ...
2016 CCF大数据与计算智能大赛开源资料整理
2016 CCF大数据与计算智能大赛开源资料整理 2016 CCF 大数据与计算智能大赛已经落下帷幕,11个赛题由众多大神包揽奖项,其中有些还在赛后开源了比赛资料,现将目前已知的资料整理如下,供各位 ...
大数据Spark入门案例5–统计广告点击数量排行Top3(scala版本)
大数据Spark入门案例5–统计每广告点击数量排行Top3(scala版本) 1 数据准备链接:https://pan.baidu.com/s/1afzmL-hNsAJl1_gx_dH2ag 提取码 ...

2016年大数据Spark“蘑菇云”行动代码学习之AdClickedStreamingStats模块分析

2016年大数据Spark“蘑菇云”行动代码学习之AdClickedStreamingStats模块分析相关推荐

最新文章

热门文章