统计独立访客需求mysql_网站流量分析项目day04
1. 流量分析
a. 基础指标多维度统计分析
统计 PageView 浏览次数(pv)
select count(*) from ods_weblog_detail where datestr ="20181101" and valid = "true"; 排除静态资源
View Code
统计Unique Visitor 独立访客(UV)
select count(distinct remote_addr) as uvs from ods_weblog_detail where datestr ="20181101";
View Code
统计访问次数(VV)
select count(distinct session) as vvs from ods_click_stream_visit where datestr ="20181101";
View Code
ip
select count(distinct remote_addr) as ips from ods_weblog_detail where datestr ="20181101";
View Code
结果表
create table dw_webflow_basic_info(month string,daystring,
pvbigint,uv bigint ,ip bigint, vv bigint) partitioned by(datestr string);insert into table dw_webflow_basic_info partition(datestr="20181101")select '201811','01',a.*,b.* from(select count(*) as pv,count(distinct remote_addr) as uv,count(distinct remote_addr) asipsfromods_weblog_detailwhere datestr ='20181101') a join(select count(distinct session) as vvs from ods_click_stream_visit where datestr ="20181101") b;
View Code
多维度分析--按照时间
方式一:直接在ods_weblog_detail单表上进行查询--计算该处理批次(一天)中的各小时pvs
drop tabledw_pvs_everyhour_oneday;create table dw_pvs_everyhour_oneday(month string,day string,hour string,pvs bigint) partitioned by(datestr string);insert into table dw_pvs_everyhour_oneday partition(datestr='20130918')select a.month as month,a.day as day,a.hour as hour,count(*) as pvs fromods_weblog_detail awhere a.datestr='20130918' group by a.month,a.day,a.hour;--计算每天的pvs
drop tabledw_pvs_everyday;create table dw_pvs_everyday(pvs bigint,month string,daystring);insert into tabledw_pvs_everydayselect count(*) as pvs,a.month as month,a.day as day fromods_weblog_detail agroup by a.month,a.day;
方式二:与时间维表关联查询--维度:日
drop tabledw_pvs_everyday;create table dw_pvs_everyday(pvs bigint,month string,daystring);insert into tabledw_pvs_everydayselect count(*) as pvs,a.month as month,a.day as day from (select distinct month, day fromt_dim_time) ajoinods_weblog_detail bon a.month=b.month and a.day=b.day
group by a.month,a.day;--维度:月
drop tabledw_pvs_everymonth;create table dw_pvs_everymonth (pvs bigint,monthstring);insert into tabledw_pvs_everymonthselect count(*) as pvs,a.month from (select distinct month fromt_dim_time) ajoin ods_weblog_detail b on a.month=b.month group by a.month;--另外,也可以直接利用之前的计算结果。比如从之前算好的小时结果中统计每一天的
Insert into tabledw_pvs_everydaySelect sum(pvs) as pvs,month,day from dw_pvs_everyhour_oneday group by month,day having day='18';
View Code
按照referer、时间维度
--统计每小时各来访url产生的pv量
drop tabledw_pvs_referer_everyhour;create table dw_pvs_referer_everyhour(referer_url string,referer_host string,month string,day string,hour string,pv_referer_cnt bigint) partitioned by(datestr string);insert into table dw_pvs_referer_everyhour partition(datestr='20181101')select http_referer,ref_host,month,day,hour,count(*) aspv_referer_cntfromdw_weblog_detailgroup by http_referer,ref_host,month,day,hourhaving ref_host is not null
order by hour asc,day asc,month asc,pv_referer_cnt desc;--统计每小时各来访host的产生的pv数并排序
drop tabledw_pvs_refererhost_everyhour;create table dw_pvs_refererhost_everyhour(ref_host string,month string,day string,hour string,ref_host_cnts bigint) partitioned by(datestr string);insert into table dw_pvs_refererhost_everyhour partition(datestr='20181101')select ref_host,month,day,hour,count(*) asref_host_cntsfromods_weblog_detailgroup by ref_host,month,day,hourhaving ref_host is not null
order by hour asc,day asc,month asc,ref_host_cnts desc;
View Code
b. 复合指标分析
人均浏览网页数(平均访问深度)
drop tabledw_avgpv_user_everyday;create tabledw_avgpv_user_everyday(daystring,
avgpv string);insert into tabledw_avgpv_user_everydayselect '20130918',sum(b.pvs)/count(b.remote_addr) from(select remote_addr,count(1) as pvs from ods_weblog_detail where datestr='20130918' group byremote_addr) b;
今日所有来访者平均请求浏览的页面数。该指标可以说明网站对用户的粘性。
计算方式:总页面请求数pv/独立访客数uv
remote_addr表示不同的用户。可以先统计出不同remote_addr的pv量然后累加(sum)所有pv作为总的页面请求数,再count所有remote_addr作为总的去重总人数。
View Code
平均访问平度
select '20181101',vv/uv from dw_webflow_basic_info; --注意vv的计算采用的是点击流模型表数据 已经去除无效数据
select count(session)/ count(distinct remote_addr) from ods_click_stream_visit where datestr ="20181101"; --符合逻辑
平均每个独立访客一天内访问网站的次数(产生的session个数)。
计算方式:访问次数vv/独立访客数uv
View Code
c.分组Top的问题
统计每小时各来访host的产生的pvs数最多的前三个
--表:dw_weblog_detail--分组的字段:时间--度量值:count
select
month,day,hour,ref_host,count(1) pvsfromdw_weblog_detailgroup by month,day,hour,ref_host;selecthour,ref_host,pvs,rankfrom(selectconcat(month,day,hour) hour ,ref_host,pvs,
row_number()over(partition by concat(month,day,hour) order by pvs desc) rankfrom(select
month,day,hour,ref_host,count(1) pvsfromdw_weblog_detailgroup by month,day,hour, ref_host) t) t1 where t1.rank<=3;
View Code
2.受访分析
a. 各个页面的pv(uv,vv等)
统计各个页面的pv
表:dw_weblog_detail
分组字段:request
度量值:count
selectrequest,count(1) request_countfromdw_weblog_detailwhere valid='true'
group by request having request is not null order by request_count desc limit 20;
View Code
b. 热门网页统计
统计每日最热门的页面top10
表:dw_weblog_detail
分组:request
度量值:count
select
'20130928',request,count(1) request_countfrom dw_weblog_detail where valid='true'
group by request order by request_count desc limit 10;
View Code
3.访客分析
a. 独立访客
按照时间维度(比如小时)来统计独立访客及其产生的pv --独立访客分析
表:dw_weblog_detail
分组:hour
度量值:count
selecthour,remote_addr,count(1) pvsfromdw_weblog_detailgroup by hour,remote_addr;
View Code
b. 每日新访客
将每天的新访客统计出来。
只要遇到新旧等二元问题,创建历史表和新的表,两个表进行join操作,最好是左外或者右外,我们用新访客左外的话,如果右表数据是null的话就证明是新的访客。
创建新表和历史表--历日去重访客累积表
drop tabledw_user_dsct_history;create tabledw_user_dsct_history(daystring,
ip string
)
partitionedby(datestr string);--每日新访客表
drop tabledw_user_new_d;create tabledw_user_new_d (daystring,
ip string
)
partitionedby(datestr string);--查询当天新的数据
selectremote_addrfromdw_weblog_detailgroup byremote_addr--和历史数据join
select
count(t1.remote_addr)from(selectremote_addrfromdw_weblog_detailwhere datestr="20181101"group by remote_addr) t1 left join dw_user_dsct_history t2 on t1.remote_addr=t2.ip where t2.ip is null;--将新的数据插入的新表中
insert into table dw_user_new_d partition(datestr="20181101")selectt1.day,
t1.remote_addrfrom(selectconcat(month,day) day,remote_addrfrom dw_weblog_detail where datestr="20181101"group by concat(month,day), remote_addr) t1 left join dw_user_dsct_history t2 on t1.remote_addr=t2.ip;--将新访客放置到历史访客表中
insert into table dw_user_dsct_history partition(datestr="20181101")select day,ip from dw_user_new_d where datestr="20181101";
View Code
c. 地域分析
IP一般包含的信息:国家、区域(省/州)、城市、街道、经纬度、ISP提供商等信息。因为IP数据库随着时间经常变化(不过一段时间内变化很小),所以需要有人经常维护和更新。这个数据也不可能完全准确、也不可能覆盖全。
目前,国内用的比较有名的是“纯真IP数据库”,国外常用的是 maxmind、ip2location。IP数据库是否收费:收费、免费都有。一般有人维护的数据往往都是收费的,准确率和覆盖率会稍微高一些。
查询形式:
本地: 将IP数据库下载到本地使用,查询效率高、性能好。常用在统计分析方面。具体形式又分为:
内存查询:将全部数据直接加载到内存中,便于高性能查询。或者二进制的数据文件本身就是经过优化的索引文件,可以直接对文件做查询。
数据库查询:将数据导入到数据库,再用数据库查询。效率没有内存查询快。
远程(web service或ajax),调用远程第三方服务。查询效率自然比较低,一般用在网页应用中。查询的本质:输入一个IP,找到其所在的IP段,一般都是采用二分搜索实现的。
4. 访客visit分析
a. 回头/单次访客分析
表:ods_click_stream_visit
度量值:count分组:remote_addrselectt1.day,t1.remote_addr,t1.count
from(select
'20181101' as day,remote_addr,count(session) count
fromods_click_stream_visitgroup byremote_addr) t1where t1.count>1;
View Code
b. 人均访问频次
需求:统计出每天所有用户访问网站的平均次数(visit)
表:ods_click_stream_visit
度量值:count分组:day
select
count(session)/count(distinctremote_addr)fromods_click_stream_visitwhere datestr='20181101';
View Code
5. 关键路径转换率
--规律:如果需要当前行和上一行进行计算--我们就join自己表,根据需要找规律
首先创建总表0) 规划一条用户行为轨迹线
Step1、/item
Step2、/category
Step3、/indexStep4、/order
1) 计算在这条轨迹线当中, 每一步pv量是多少? 最终形成一张表create table dw_oute_numbs as
select 'step1' as step,count(distinct remote_addr) as numbs from ods_click_pageviews where datestr='20181103' and request like '/item%'
union all
select 'step2' as step,count(distinct remote_addr) as numbs from ods_click_pageviews where datestr='20181103' and request like '/category%'
union all
select 'step3' as step,count(distinct remote_addr) as numbs from ods_click_pageviews where datestr='20181103' and request like '/order%'
union all
select 'step4' as step,count(distinct remote_addr) as numbs from ods_click_pageviews where datestr='20181103' and request like '/index%';2) 求 每一步 和 第一步的转化率selectt2.pvs/t1.pvsfrom dw_oute_numbs t1 join dw_oute_numbs t2 where t1.step="step1";3) 求 每一步 和 上一步的转化率select(t1.pvs/t2.pvs) *100
from dw_oute_numbs t1 join dw_oute_numbs t2 where cast(substring(t1.step,5,1) as int) -1 = cast(substring(t2.step,5,1) as int);4) 合并在一起即可select abs.step,abs.numbs,abs.rate as abs_ratio,rel.rate asleakage_ratefrom(select tmp.rnstep as step,tmp.rnnumbs as numbs,tmp.rnnumbs/tmp.rrnumbs asratefrom(select rn.step as rnstep,rn.numbs as rnnumbs,rr.step as rrstep,rr.numbs as rrnumbs fromdw_oute_numbs rninner joindw_oute_numbs rr) tmpwhere tmp.rrstep='step1') abs
left outer join(select tmp.rrstep as step,tmp.rrnumbs/tmp.rnnumbs asratefrom(select rn.step as rnstep,rn.numbs as rnnumbs,rr.step as rrstep,rr.numbs as rrnumbs fromdw_oute_numbs rninner joindw_oute_numbs rr) tmpwhere cast(substr(tmp.rnstep,5,1) as int)=cast(substr(tmp.rrstep,5,1) as int)-1) relon abs.step=rel.step;
View Code
6. 模块开发_数据导出
a. 从hive表到RDBMS表直接导出
效率较高,相当于直接在Hive表与RDBMS表的进行数据更新,但无法做精细的控制。
b. 从hive到HDFS再到RDBMS表的导出
需要先将数据从Hive表导出到HDFS,再从HDFS将数据导入到RDBMS。虽然比直接导出多了一步操作,但是可以实现对数据的更精准的操作,特别是在从Hive表导出到HDFS时,可以进一步对数据进行字段筛选、字段加工、数据过滤操作,从而使得HDFS上的数据更“接近”或等于将来实际要导入RDBMS表的数据,提高导出速度。
c. 全量导出数据到mysql
hive-->HDFS
导出dw_pvs_referer_everyhour表数据到HDFS
insert overwrite directory '/weblog/export/dw_pvs_referer_everyhour'row format delimited fields terminatedby ',' STORED AStextfileselectreferer_url,hour,pv_referer_cntfromdw_pvs_referer_everyhourwhere datestr = "20181101";
View Code
d. 增量导出数据到mysql
应用场景: 将hive表中的增量记录同步到目标表中
使用技术: 使用sqoop export 中--update-mode 的allowinsert模式进行增量数据导入目标表中。该模式用于将Hive中有但目标表中无的记录同步到目标表中,但同时也会同步不一致的记录。
实现逻辑: 以dw_webflow_basic_info基础信息指标表为例进行增量导出操作
实现步骤:1) mysql手动创建目标表create tabledw_webflow_basic_info(
monthstrvarchar(20),
daystrvarchar(10),
pvbigint,
uvbigint,
ipbigint,
vvbigint)2) 先执行全量导入, 把当前的hive中20181101分区数据进行导出
bin/sqoop export \--connect jdbc:mysql://node01:3306/weblog \--username root --password 123456 \--table dw_webflow_basic_info \--fields-terminated-by '\001' \--export-dir /user/hive/warehouse/itheima_weblog.db/dw_webflow_basic_info/datestr=20181101/
3) 为了方便演示, 手动生成往hive中添加20181103的数据insert into table dw_webflow_basic_info partition(datestr="20191006") values("201910","06",14250,1341,1341,96);4) sqoop进行增量导出
bin/sqoop export \--connect jdbc:mysql://node01:3306/weblog \--username root \--password 123456 \--table dw_webflow_basic_info \--fields-terminated-by '\001' \--update-key monthstr,daystr \--update-mode allowinsert \--export-dir /user/hive/warehouse/itheima_weblog.db/dw_webflow_basic_info/datestr=20181103/
View Code
e. 定时增量导出数据
应用场景:将Hive表中的增量记录自动定时同步到目标表中
使用技术:使用sqoop expo rt 中--update-mode 的allowinsert模式进行增量数据导入目标表中。该模式用于将Hive中有但目标表中无的记录同步到目标表中,但同时也会同步不一致的记录
实现逻辑:以dw_webflow_basic_info基础信息指标表为例进行增量导出操作
#!/bin/bash
export SQOOP_HOME=/export/servers/sqoopif [ $# -eq 1]thenexecute_date=`date --date="${1}" +%Y%m%d`elseexecute_date=`date -d'-1 day' +%Y%m%d`fi
echo "execute_date:"${execute_date}
table_name="dw_webflow_basic_info"hdfs_dir=/user/hive/warehouse/itheima.db/dw_webflow_basic_info/datestr=${execute_date}
mysql_db_pwd=hadoop
mysql_db_name=rootecho 'sqoop start'$SQOOP_HOME/bin/sqoop export \--connect "jdbc:mysql://node-1:3306/weblog"\--username $mysql_db_name \--password $mysql_db_pwd \--table $table_name \--fields-terminated-by '\001'\--update-key monthstr,daystr \--update-mode allowinsert \--export-dir$hdfs_direcho 'sqoop end'
View Code
7. 模块开发_工作流调度
数据预处理模块按照数据处理过程和业务需求,可以分成3个步骤执行:数据预处理清洗、点击流模型之pageviews、点击流模型之visit。并且3个步骤之间存在着明显的依赖关系,使用azkaban定时周期性执行将会非常方便.
对之前的预处理MapReduce进行打jar包(共三个)
编写 azkaban调度job设置dependence依赖
a. 数据预处理调度
#weblog_preprocess.job
type=command
command=/export/servers/hadoop-2.6.0-cdh5.14.0/bin/hadoop jar preprocess.jar /weblog/log /weblog/out
# weblog_click_pageviews.job
type=command
dependencies=weblog_preprocess
command=/export/servers/hadoop-2.6.0-cdh5.14.0/bin/hadoop jar weblog_click_pageviews.jar /weblog/out /weblog/pageviews
# weblog_click_visit.job
type=command
dependencies=weblog_click_pageviews
command=/export/servers/hadoop-2.6.0-cdh5.14.0/bin/hadoop jar weblog_click_visit.jar /weblog/pageviews /weblog/sisit
View Code
b. 数据库定时入库
#!/bin/bash
export HIVE_HOME=/export/servers/hiveif [ $# -eq 1]thendatestr=`date --date="${1}" +%Y%m%d`elsedatestr=`date -d'-1 day' +%Y%m%d`fiHQL="load data inpath '/preprocess/' into table itheima.ods_weblog_origin partition(datestr='${datestr}')"
echo "开始执行load......"$HIVE_HOME/bin/hive -e "$HQL"
echo "执行完毕......"# load-weblog.job
type=command
command=sh load-weblog.sh
View Code
c. 数据统计计算定时
#!/bin/bash
HQL="drop tabledw_user_dstc_ip_h;create tabledw_user_dstc_ip_h(
remote_addr string,
pvsbigint,
hour string);insert into tabledw_user_dstc_ip_hselect remote_addr,count(1) as pvs,concat(month,day,hour) ashourfromods_weblog_detailWhere datestr='20181101'
group by concat(month,day,hour),remote_addr;
"
echo $HQL/export/servers/hive/bin/hive -e "$HQL"
View Code
统计独立访客需求mysql_网站流量分析项目day04相关推荐
- 网站统计中的PV(访问量):UV(独立访客):IP(独立IP)的定义与区别
--------首先来看看ip.uv和pv的定义---------- PV(访问量):即Page View, 即页面浏览量或点击量,用户每次刷新即被计算一次. UV(独立访客):即Unique Vis ...
- 网站独立访客数UV的统计--海量数据去重
问题描述:统计每一小时的网站独立访客数UV(Unique Visitor) 问题背景:这是尚硅谷大数据技术之电商用户行为数据分析的一道例题,武晟然老师讲授的方法是,自定义布隆过滤器进行UV统计.受到老 ...
- 网站统计中访客标识码有什么作用
习惯使用网站统计工具的用户都知道,用IP地址辨别访问者数量,会导致数据偏少,原因是同一个固定IP地址的设备,一天内可以有多个实际用户访问您的网站,因此通常会以UV(独立访客)量来判断实际访问者数量,而 ...
- java基础巩固-宇宙第一AiYWM:为了维持生计,做项目经验之~【多用户关注共同的参数的统计功能】开发总结、再来个独立访客(Unique Visitor,简称UV)统计番外篇~整起
实验室项目来了一个新需求:因为我们那个系统主要是人家用下位机把一些路面参数.空气湿度等参数测出来之后发送到我们阿里云服务器上的pg数据库中,然后我们对数据进行页面上的展示.然后公司那边说有个需求,就是 ...
- 百度统计:网站统计实时访客报告
百度统计:网站统计实时访客报告 后台查看 · 截图: 文档地址 · 截图: 官方文档:https://tongji.baidu.com/web/welcome/login 设置教程 · 步骤 · 使用 ...
- 【Flink】需求实现之独立访客数量的计算 和 布隆过滤器的原理及使用
文章目录 一 独立访客数量计算 二 布隆过滤器 1 什么是布隆过滤器 2 实现原理 (1)HashMap 的问题 (2)布隆过滤器数据结构 3 使用布隆过滤器去重 一 独立访客数量计算 public ...
- 【网站流量分析】某网站网站流量分析报告(CNZZ统计)
某网站流量分析报告 1思维导图 2流量分析 2.1趋势分析 2.2对比分析 2.3当前在线 3来源分析 3.1来源分类 3.2搜索引擎 3.3搜索词 3.4受访界面 4访客分析 4.1区域分布 4.2 ...
- 唯一身份访问者(独立访客)与访问次数的区别
唯一身份访问者(独立访客)与访问次数的区别 在进行网站分析前,对网站分析的基本度量的了解是非常必要的,这样才会深入理解网站分析,否则就会不知所云. 定义: 1.唯一身份访问者(Unique Visit ...
- php 开源 流量统计,5款开源的PHP网站流量统计应用程序
下面是5款开源的PHP网站流量统计应用程序. piwik Piwik 是一套基于Php+MySQL技术构建的开源网站访问统计系统,前身是phpMyVisites.Piwik可以给你详细的统计信息,比如 ...
- php开源程序 流量统计,5款开源的PHP网站流量统计应用程序 -管理资料
下面是5款开源的PHP网站流量统计应用程序, piwik Piwik 是一套基于Php+MySQL技术构建的开源网站访问统计系统,前身是phpMyVisites.Piwik可以给你详细的统计信息,比如 ...
最新文章
- 服务器查看不到集群信息,集群服务器查看内存
- media player怎么不能拖进度图mp4_榜样力量丨科研路上有难题,学长教你怎么解
- javascript返回上一页的三种写法
- 【基础中的基础】引用类型和值类型,以及引用传递和值传递
- android jxl.jar 使用,使用jxl.jar在Android中操作Excel表格——重中之重——对隐藏表的处理...
- xgboost输出特征重要性排名和权重值
- CTO 说,再用错@Autowired 和@Resource 就可以领盒饭了
- 事物级别,不可重复读和幻读的区别
- 丢失MSVCR120.dll
- ros之MarkerArray使用
- 二级建造师报考条件不符,选择代报名靠谱吗?
- linux内核是如何实现分页机制的
- CTF密码学--新手题--Normal_RSA--解题过程及总结
- python pdf open打开非常慢_openoffice打开大的word文档很慢而且兼容性极差
- 麦块我的世界怎么用java_我的世界从进入游戏到多人游戏 生存要点 Java下载一套龙教程【含麦块使用教程】...
- 计算机适应性考试题目,计算机控制考试题目整理
- [LnOI2019]东京夏日相会
- ctfshow-web入门(21-28)
- Mac彻底卸载Paragon NTFS方法
- 社区盛会 | Pulsar Summit Asia 2022 议程全览
热门文章
- PostgreSQL安装异常:Problem running post-install step。
- PyTorch | torch.manual_seed(1)是什么意思?torch随机数manual_seed(1)有什么用?如何理解torch.manual_seed(1)
- 网络知识-02 物理层
- java开发购物系统菜单_Java控制台购物系统
- 视频:这不是科幻,厉害了,用人工智能修长城
- Java网络编程笔记(三):点对点通信(Socket基于TCP协议)
- 内核手动释放内存方法
- 润乾报表V4在weblogic下部署找不到授权文件的解决方法
- 技术帖:如何把mobi文件转化成pdf
- 魑、魅、魍、魉、妖、精、鬼、怪的区别