二、基于hadoop的nginx访问日志分析
代码：# pv_day.py #
!/usr/bin/env python
#
coding=utf-8
from mrjob.job import MRJob
from nginx_accesslog_parser import NginxLineParser
class PvDay(MRJob):
nginx_line_parser = NginxLineParser()
def mapper(self, _, line):
self.nginx_line_parser.parse(line)
day, _ = str(self.nginx_line_parser.time_local).split()
yield day, 1 # 每一天的
def reducer(self, key, values):
yield key, sum(values)
def main():
PvDay.run()
if __name__ == '__main__':
main()
代码解释：
定义了一个集成MRJob类的job类，这个类包含定义好的steps。
一个‘step’包含一个mapper，combiner和一个reducer，这些是可选的，但是必须使用至少一个。
mapper()方法有两个参数key,value（这个例子中，key被忽略，每行日志作为一个value），并生成key-value对。
reduce()方法接受一个key和一个可迭代的values，并生成许多key-value对（这个例子中，计算每个key对应values值得和，也就是每天对应的PV）。
以不同方式执行job：
基本方式：
# python3 pv_day.py access_all.log-20161227
No configs found; falling back on auto-configuration
Creating temp directory /tmp/pv_day.root.20161228.022837.113256
Running step 1 of 1...
Streaming final output from /tmp/pv_day.root.20161228.022837.113256/output...
"2016-12-27" 47783
"2016-12-26" 299427
Removing temp directory /tmp/pv_day.root.20161228.022837.113256...
标准输入stdin方式，这种方式只接受第一个文件
# python3 pv_day.py < access_all.log-20161227
No configs found; falling back on auto-configuration
Creating temp directory /tmp/pv_day.root.20161228.024431.884434
Running step 1 of 1...
reading from STDIN
Streaming final output from /tmp/pv_day.root.20161228.024431.884434/output...
"2016-12-27" 47783
"2016-12-26" 299427
Removing temp directory /tmp/pv_day.root.20161228.024431.884434...
混合方式：
python3 pv_day.py input1.txt input2.txt - < input3.txt
分布式：
默认情况下，mrjob执行job使用单个Python进程，这里只是调试，并不是精确的分布式计算！
如果使用分布式计算，可以使用 -r/--runner选项。 使用 -r inline（默认）， -r local, -r hadoop, -r emr
# python pv_day.py -r hadoop hdfs://my_home/input.txt
另一种方法：
# cat pv_day1.py
#
!/usr/bin/env python
#
coding=utf-8
from mrjob.job import MRJob
from mrjob.step import MRStep
from nginx_accesslog_parser import NginxLineParser
class PvDay(MRJob):
nginx_line_parser = NginxLineParser()
def mapper(self, _, line):
self.nginx_line_parser.parse(line)
day, _ = str(self.nginx_line_parser.time_local).split()
yield day, 1 # 每一天的
yield 'total', 1 # 总的
def reducer_sum(self, key, values):
yield None, (sum(values), key)
def reducer_sort(self, _, values):
for count, dt in sorted(values, reverse=True):
yield dt, count
def steps(self):
return (
MRStep(mapper=self.mapper,
reducer=self.reducer_sum),
MRStep(reducer=self.reducer_sort)
)
def main():
PvDay.run()
if __name__ == '__main__':
main()
执行结果：
# python3 pv_day1.py access_all.log-20161227
No configs found; falling back on auto-configuration
Creating temp directory /tmp/pv_day1.root.20161228.061455.974823
Running step 1 of 2...
Running step 2 of 2...
Streaming final output from /tmp/pv_day1.root.20161228.061455.974823/output...
"total" 347210
"2016-12-26" 299427
"2016-12-27" 47783
Removing temp directory /tmp/pv_day1.root.20161228.061455.974823...
页:
[1]