每日top3热点搜索词统计案例
数据格式：
日期，用户，搜索词，平台，版本
需求：
1、筛选出符合条件（城市，平台，版本）的数据
2、统计每天搜索uv排名前三的搜索词
3、按照每天的top3搜索词的uv搜索总次数，倒叙排序
4、将数据保存到hive表中
思路分析
1、针对原始数据（HDFS文件），获取输入RDD
2、使用filter算法，针对输入RDD中的数据，进行数据过滤，过滤出符合条件的数据
2．1普通的算法：直接在filter算法函数中，使用外部的查询条件（map），但是，这样做的话，是不是查询条件map，会发送到每一个task上一份副本，（性能不好）
2.2优化后的做法，将查询条件，封装为broadCast广播变量，在filter算法中使用broadCast广播变量。
3、将数据转换为（日期_搜索词，用户）格式，对他进行分组。然后再次进行映射，对每天每个搜索词的搜索用户进行去重操作，并统计去重后的数据，即为每天每个搜搜词的uv，最后获得（日期_搜搜词，uv）。
4、将得到的每天每个搜索词的uvRDD，映射为元素类型的RowRDD，转换为DataFrame。
5、注册为临时表，使用SparkSQL的开窗函数，统计每天的uv数量排名前三名的搜索词，以及他的搜索nv，最后获得一个DataFrame
6、将DataFrame转换为RDD，继续操作，按照每天日期来分组，并进行映射，计算出每天的top3搜索词的uv的总数，然后将uv总数作为key，将每天的top3搜索词以及搜索次数，拼接为一个字符串
7、按照每天的top3搜索总uv，进行排序，倒序排序
8、将排好的数据，再次映射回来，变成 日期_搜索词_uv的格式
9、再次映射为DataFrame，并将数据保存到hive中。
文本：
2018-10-1:leo:water:beijing:android:1.0
2018-10-1:leo1:water:beijing:android:1.0
2018-10-1:leo2:water:beijing:android:1.0
2018-10-1:jack:water:beijing:android:1.0
2018-10-1:jack1:water:beijing:android:1.0
2018-10-1:leo:seafood:beijing:android:1.0
2018-10-1:leo1:seafood:beijing:android:1.0
2018-10-1:leo2:seafood:beijing:android:1.0
2018-10-1:leo:food:beijing:android:1.0
2018-10-1:leo1:food:beijing:android:1.0
2018-10-1:leo2:meat:beijing:android:1.0
2018-10-2:leo:water:beijing:android:1.0
2018-10-2:leo1:water:beijing:android:1.0
2018-10-2:leo2:water:beijing:android:1.0
2018-10-2:jack:water:beijing:android:1.0
2018-10-2:leo1:seafood:beijing:android:1.0
2018-10-2:leo2:seafood:beijing:android:1.0
2018-10-2:leo3:seafood:beijing:android:1.0
2018-10-2:leo1:food:beijing:android:1.0
2018-10-2:leo2:food:beijing:android:1.0
2018-10-2:leo:meat:beijing:android:1.0
代码：
package com.bynear.spark_sql;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.broadcast.Broadcast;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.hive.HiveContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import scala.Tuple2;
import java.util.*;
public class DailyTop3Keyword {public static void main(String[] args) {SparkConf conf = new SparkConf();
JavaSparkContext jsc = new JavaSparkContext(conf);
SQLContext sqlContext = new HiveContext(jsc.sc());
// 伪造数据(这些数据可以来自mysql数据库)
final HashMap<String, List<String>> queryParaMap = new HashMap<String, List<String>>();
queryParaMap.put("city", Arrays.asList("beijing"));
queryParaMap.put("platform", Arrays.asList("android"));
queryParaMap.put("version", Arrays.asList("1.0", "1.2", "2.0", "1.5"));
// 将数据进行广播
final Broadcast<HashMap<String, List<String>>> queryParamMapBroadcast = jsc.broadcast(queryParaMap);
// 读取文本
JavaRDD<String> rowRDD = jsc.textFile("hdfs://Spark01:9000/zjs/daily.txt");
// filter算子进行过滤
JavaRDD<String> filterRDD = rowRDD.filter(new Function<String, Boolean>() {@Override
public Boolean call(String log) throws Exception {String[] logSplit = log.split(":");
String city = logSplit[3];
String platform = logSplit[4];
String version = logSplit[5];
HashMap<String, List<String>> queryParamMap = queryParamMapBroadcast.value();
List<String> cities = queryParamMap.get("city");
if (!cities.contains(city) && cities.size() > 0) {return false;
}List<String> platforms = queryParamMap.get("platform");
if (!platforms.contains(platform)) {return false;
}List<String> versions = queryParamMap.get("version");
if (!versions.contains(version)) {return false;
}return true;
}});
// 过滤出来的原始日志，映射为（日期_搜索词,用户）格式
JavaPairRDD<String, String> dateKeyWordUserRDD = filterRDD.mapToPair(new PairFunction<String, String, String>() {@Override
public Tuple2<String, String> call(String log) throws Exception {String[] logSplit = log.split(":");
String date = logSplit[0];
String user = logSplit[1];
String keyword = logSplit[2];
return new Tuple2<String, String>(date + "_" + keyword, user);
}});
// 进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）
JavaPairRDD<String, Iterable<String>> dateKeywordUsersRDD = dateKeyWordUserRDD.groupByKey();
List<Tuple2<String, Iterable<String>>> collect1 = dateKeywordUsersRDD.collect();
for (Tuple2<String, Iterable<String>> tuple2 : collect1) {System.out.println("进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）" + tuple2._2);
System.out.println(tuple2);
}// 对每天每个搜索词的搜索用户 去重操作 获得前uv
JavaPairRDD<String, Long> dateKeywordUvRDD = dateKeywordUsersRDD.mapToPair(new PairFunction<Tuple2<String, Iterable<String>>, String, Long>() {@Override
public Tuple2<String, Long> call(Tuple2<String, Iterable<String>> dataKeywordUsers) throws Exception {String dateKeyword = dataKeywordUsers._1;
Iterator<String> users = dataKeywordUsers._2.iterator();
// 去重 并统计去重后的数量
List<String> distinctUsers = new ArrayList<String>();
while (users.hasNext()) {String user = users.next();
if (!distinctUsers.contains(user)) {distinctUsers.add(user);
}}
// 获取uv
long uv = distinctUsers.size();
// 日期_搜索词，用户个数
return new Tuple2<String, Long>(dateKeyword, uv);
}});
List<Tuple2<String, Long>> collect2 = dateKeywordUvRDD.collect();
for (Tuple2<String, Long> stringLongTuple2 : collect2) {System.out.println("对每天每个搜索词的搜索用户 去重操作 获得前uv");
System.out.println(stringLongTuple2);
}// 将每天每个搜索词的uv数据，转换成DataFrame
JavaRDD<Row> dateKeywordUvRowRDD = dateKeywordUvRDD.map(new Function<Tuple2<String, Long>, Row>() {@Override
public Row call(Tuple2<String, Long> dateKeywordUv) throws Exception {String date = dateKeywordUv._1.split("_")[0];
String keyword = dateKeywordUv._1.split("_")[1];
long uv = dateKeywordUv._2;
return RowFactory.create(date, keyword, uv);
}});
ArrayList<StructField> fields = new ArrayList<StructField>();
fields.add(DataTypes.createStructField("date", DataTypes.StringType, true));
fields.add(DataTypes.createStructField("keyword", DataTypes.StringType, true));
fields.add(DataTypes.createStructField("uv", DataTypes.LongType, true));
StructType structType = DataTypes.createStructType(fields);
DataFrame dateKeywordUvDF = sqlContext.createDataFrame(dateKeywordUvRowRDD, structType);
dateKeywordUvDF.registerTempTable("sales");
// 使用开窗函数，统计每天搜索uv排名前三的热点搜索词
// 日期 搜索词 人数个数 前三名
final DataFrame dailyTop3KeyWordDF = sqlContext.sql("select date,keyword,uv from (select date, keyword, uv, row_number() over (partition by date order by uv DESC ) rank from sales ) tmp_sales where rank <=3");
// 将DataFrame转换为RDD， 映射，
JavaRDD<Row> dailyTop3KeyWordRDD = dailyTop3KeyWordDF.javaRDD();
JavaPairRDD<String, String> dailyTop3KeywordRDD = dailyTop3KeyWordRDD.mapToPair(new PairFunction<Row, String, String>() {@Override
public Tuple2<String, String> call(Row row) throws Exception {String date = String.valueOf(row.get(0));
String keyword = String.valueOf(row.get(1));
String uv = String.valueOf(row.get(2));
// 映射为 日期 搜索词_总个数
return new Tuple2<String, String>(date, keyword + "_" + uv);
}});
List<Tuple2<String, String>> collect = dailyTop3KeywordRDD.collect();
for (Tuple2<String, String> stringStringTuple2 : collect) {System.out.println("开窗函数操作");
System.out.println(stringStringTuple2);
}// 根据 日期分组
JavaPairRDD<String, Iterable<String>> top3DateKeywordsRDD = dailyTop3KeywordRDD.groupByKey();
// 进行映射
JavaPairRDD<Long, String> uvDateKeywordsRDD = top3DateKeywordsRDD.mapToPair(new PairFunction<Tuple2<String, Iterable<String>>, Long, String>() {@Override
public Tuple2<Long, String> call(Tuple2<String, Iterable<String>> tuple) throws Exception {String date = tuple._1;
// 搜索词_总个数 集合
Iterator<String> KeyWordUviterator = tuple._2.iterator();
long totalUv = 0L;
String dateKeyword = date;
while (KeyWordUviterator.hasNext()) {
// 搜索词_个数
String keywoarUv = KeyWordUviterator.next();
Long uv = Long.valueOf(keywoarUv.split("_")[1]);
totalUv += uv;
dateKeyword = dateKeyword + "," + keywoarUv;
}return new Tuple2<Long, String>(totalUv, dateKeyword);
}});
JavaPairRDD<Long, String> sortedUvDateKeywordsRDD = uvDateKeywordsRDD.sortByKey(false);
List<Tuple2<Long, String>> rows = sortedUvDateKeywordsRDD.collect();
for (Tuple2<Long, String> row : rows) {System.out.println(row._2 + " " + row._1);
}// 映射
JavaRDD<Row> resultRDD = sortedUvDateKeywordsRDD.flatMap(new FlatMapFunction<Tuple2<Long, String>, Row>() {@Override
public Iterable<Row> call(Tuple2<Long, String> tuple) throws Exception {String dateKeywords = tuple._2;
String[] dateKeywordsSplit = dateKeywords.split(",");
String date = dateKeywordsSplit[0];
ArrayList<Row> rows = new ArrayList<Row>();
rows.add(RowFactory.create(date, dateKeywordsSplit[1].split("_")[0],
Long.valueOf(dateKeywordsSplit[1].split("_")[1])));
rows.add(RowFactory.create(date, dateKeywordsSplit[2].split("_")[0],
Long.valueOf(dateKeywordsSplit[2].split("_")[1])));
rows.add(RowFactory.create(date, dateKeywordsSplit[3].split("_")[0],
Long.valueOf(dateKeywordsSplit[3].split("_")[1])));
return rows;
}});
DataFrame finalDF = sqlContext.createDataFrame(resultRDD, structType);
List<Row> rows1 = finalDF.javaRDD().collect();
for (Row row : rows1) {System.out.println(row);
}jsc.stop();
}
}
注意点：
1、如果文本案例使用的是txt编辑，将文本保存ANSI格式，否则在groupByKey的时候，第一行默认会出现一个空格，分组失败。最开始使用的是UTF-8格式
2、文本的最后禁止出现空行，否则在split的时候会报错，出现数组越界的错误。
3、使用到窗口函数的时候，必须使用到HiveContext方法，HiveContext使用到的是SparkContext，使用使用jsc.sc()
运行结果：
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo]
(2018-10-2_meat,[leo])
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo, leo1, leo2, jack]
(2018-10-2_water,[leo, leo1, leo2, jack])
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo, leo1]
(2018-10-1_food,[leo, leo1])
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo1, leo2, leo3]
(2018-10-2_seafood,[leo1, leo2, leo3])
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo, leo1, leo2, jack, jack1]
(2018-10-1_water,[leo, leo1, leo2, jack, jack1])
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo2]
(2018-10-1_meat,[leo2])
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo, leo1, leo2]
(2018-10-1_seafood,[leo, leo1, leo2])
进行分组，获取每天每个搜索词，有哪些用户搜索了（没有去重）[leo1, leo2]
(2018-10-2_food,[leo1, leo2])
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-2_meat,1)
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-2_water,4)
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-1_food,2)
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-2_seafood,3)
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-1_water,5)
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-1_meat,1)
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-1_seafood,3)
对每天每个搜索词的搜索用户 去重操作 获得前uv
(2018-10-2_food,2)
窗函数操作
(2018-10-1,water_5)
开窗函数操作
(2018-10-1,seafood_3)
开窗函数操作
(2018-10-1,food_2)
开窗函数操作
(2018-10-2,water_4)
开窗函数操作
(2018-10-2,seafood_3)
开窗函数操作
(2018-10-2,food_2)
最终结果
[2018-10-1,water,5]
[2018-10-1,seafood,3]
[2018-10-1,food,2]
[2018-10-2,water,4]
[2018-10-2,seafood,3]
[2018-10-2,food,2]
每日top3热点搜索词统计案例相关推荐
- 通过Spark Streaming的window操作实战模拟热点搜索词案例实战
本博文主要内容包括: 1.在线热点搜索词实现解析 2.SparkStreaming 利用reduceByKeyAndWindow实现在线热点搜索词实战 一:在线热点搜索词实现解析 背景描述:在社交网络 ...
- reduceByKeyAndWindow基于滑动窗口的热点搜索词实时统计(Scala版本)
package SparkStreaming import org.apache.spark.SparkConf import org.apache.spark.streaming.{Seconds, ...
- 拼多多搜索词统计 API接口操作展示说明
通过次接口 item_search_data可以获取搜索词统计,同时了解到该店铺的(num_iid商品ID.title商品标题.price价格.orginal_price原价.nick卖家昵称.num ...
- 拼多多API—获取商品详情、关键词获取取商品、获得搜索词统计获得搜索词推荐
1.item_get - 根据ID取商品详情: 返回数据部分截图: 点击免费测试 2.item_search - 根据关键词取商品列表: 返回数据部分截图: 3.item_search_data - ...
- spark 项目应用-topn搜索热词统计
本文章通过spark读取hive数据,分析top热点搜索词 import java.util.ArrayList; import java.util.Arrays; import java.util. ...
- 《Spark SQL大数据实例开发》9.2 综合案例实战——电商网站搜索排名统计
<Spark SQL大数据实例开发>9.2 综合案例实战--电商网站搜索排名统计 9.2.1 案例概述 本节演示一个网站搜索综合案例:以京东为例,用户登录京东网站,在搜索栏中输入搜 ...
- 73、Spark SQL之开窗函数以及top3销售额统计案例实战
开窗函数以及top3销售额统计案例实战 Spark 1.4.x版本以后,为Spark SQL和DataFrame引入了开窗函数,比如最经典,最常用的,row_number(),可以让我们实现分组取to ...
- 百度统计出现不属于自己网站的域名搜索词及数据怎么处理
百度统计出现不属于自己网站的域名搜索词及数据怎么处理? 这种情况多半是你网站的百度统计代码别别人利用了,建议你找程序将百度统计代码加密传输这是一种解决方式 另一种设置网站黑白名单,进入百度统计管理界面 ...
- 百度统计搜索词是广告怎么办？建议设置过滤规则排除
最近经常在百度统计中看到有很多垃圾广告的搜索词,甚至连 Top 搜索词.Top 来源网站.Top 入口页面中都出现很多垃圾广告.比如老古的一个测试网站就出现这种情况,具体如下图所示: 据了解,网络上有 ...
最新文章
- 牛客网_剑指Offer_Python实现_更新中
- Matlab创建特殊数组学习
- python opencv 等比例调整（缩放）图片分辨率大小代码 cv2.resize()
- python 为什么要用astype()函数对numpy数据类型进行转换，而不直接指定其dtype？float(64) float(32) int(64) int(32)（转换为整型int）
- 广搜--（搜索的第一道题）图像有用区域
- rsync推拉模型及结合inotify实现推模型自动同步
- 普里姆从不同顶点出发_来自三个不同聚类分析的三个不同教训数据科学的顶点...
- leetcode49. 字母异位词分组
- 【kafka】kafka Producer Metadata概述及源码分析
- Alibaba Druid 源码阅读（一） 数据库连接池初步
- 关于RestTemplate的小笔记
- 可行性分析报告 模板
- 还在用 ZXing ? 试试华为统一扫码服务吧！
- 将Excel数据导入到MySQL数据库
- python导入包总是失败
- android9.0自动使用24小时制
- 安卓手机拨号键盘隐藏工程代码大全
- 在ArcGIS中快速搭建三维场景教程（从数据获取到软件制作）
- python三维图能画地图_使用Python绘制地图的三大秘密武器
- 计算机组成原理 CPU 结构和功能