ahua671 发表于 2019-1-30 12:25:36

spark程序

从HDFS读取日志数据文件  
将每行的第一个字段(IP地址)抽取出来
  
统计每个IP地址出现的次数
  
根据每个IP地址出现的次数进行一个降序排序
  
根据IP地址,调用GeoIP库获取IP所属国家
  
打印输出结果,每行的格式:[国家代码] IP地址 频率
  

  

  
package org.shirdrn.spark.job;
  

  
import java.io.File;
  
import java.io.IOException;
  
import java.util.Arrays;
  
import java.util.Collections;
  
import java.util.Comparator;
  
import java.util.List;
  
import java.util.regex.Pattern;
  

  
import org.apache.commons.logging.Log;
  
import org.apache.commons.logging.LogFactory;
  
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.Function2;
  
import org.apache.spark.api.java.function.PairFunction;
  
import org.shirdrn.spark.job.maxmind.Country;
  
import org.shirdrn.spark.job.maxmind.LookupService;
  

  
import scala.Serializable;
  
import scala.Tuple2;
  

  
public class IPAddressStats implements Serializable {
  

  
   private static final long serialVersionUID = 8533489548835413763L;
  
   private static final Log LOG = LogFactory.getLog(IPAddressStats.class);
  
   private static final Pattern SPACE = Pattern.compile(" ");
  
   private transient LookupService lookupService;
  
   private transient final String geoIPFile;
  

  
   public IPAddressStats(String geoIPFile) {
  
          this.geoIPFile = geoIPFile;
  
          try {
  
               // lookupService: get country code from a IP address
  
               File file = new File(this.geoIPFile);
  
               LOG.info("GeoIP file: " + file.getAbsolutePath());
  
               lookupService = new AdvancedLookupService(file, LookupService.GEOIP_MEMORY_CACHE);
  
          } catch (IOException e) {
  
               throw new RuntimeException(e);
  
          }
  
   }
  

  
   @SuppressWarnings("serial")
  
   public void stat(String[] args) {
  
          JavaSparkContext ctx = new JavaSparkContext(args, "IPAddressStats",
  
                  System.getenv("SPARK_HOME"), JavaSparkContext.jarOfClass(IPAddressStats.class));
  
          JavaRDD lines = ctx.textFile(args, 1);
  

  
          // splits and extracts ip address filed
  
          JavaRDD words = lines.flatMap(new FlatMapFunction() {
  
               @Override
  
               public Iterable call(String s) {
  
                  // 121.205.198.92 - - "GET /archives/417.html HTTP/1.1" 200 11465 "http://shiyanjun.cn/archives/417.html/" "Mozilla/5.0 (Windows NT 5.1; rv:11.0) Gecko/20100101 Firefox/11.0"
  
                  // ip address
  
                  return Arrays.asList(SPACE.split(s));
  
               }
  
          });
  

  
          // map
  
          JavaPairRDD ones = words.map(new PairFunction() {
  
               @Override
  
               public Tuple2 call(String s) {
  
                  return new Tuple2(s, 1);
  
               }
  
          });
  

  
          // reduce
  
          JavaPairRDD counts = ones.reduceByKey(new Function2() {
  
               @Override
  
               public Integer call(Integer i1, Integer i2) {
  
                  return i1 + i2;
  
               }
  
          });
  

  
          List output = counts.collect();
  

  
          // sort statistics result by value
  
          Collections.sort(output, new Comparator() {
  
               @Override
  
               public int compare(Tuple2 t1, Tuple2 t2) {
  
                  if(t1._2 < t2._2) {
  
                         return 1;
  
                  } else if(t1._2 > t2._2) {
  
                         return -1;
  
                  }
  
                  return 0;
  
               }
  
          });
  

  
          writeTo(args, output);
  

  
   }
  

  
   private void writeTo(String[] args, List output) {
  
          for (Tuple2 tuple : output) {
  
               Country country = lookupService.getCountry((String) tuple._1);
  
               LOG.info("[" + country.getCode() + "] " + tuple._1 + "\t" + tuple._2);
  
          }
  
   }
  

  
   public static void main(String[] args) {
  
          // ./bin/run-my-java-example org.shirdrn.spark.job.IPAddressStats spark://m1:7077 hdfs://m1:9000/user/shirdrn/wwwlog20140222.log /home/shirdrn/cloud/programs/spark-0.9.0-incubating-bin-hadoop1/java-examples/GeoIP_DATABASE.dat
  
          if (args.length < 3) {
  
               System.err.println("Usage: IPAddressStats   ");
  
               System.err.println("    Example: org.shirdrn.spark.job.IPAddressStats spark://m1:7077 hdfs://m1:9000/user/shirdrn/wwwlog20140222.log /home/shirdrn/cloud/programs/spark-0.9.0-incubating-bin-hadoop1/java-examples/GeoIP_DATABASE.dat");
  
               System.exit(1);
  
          }
  

  
          String geoIPFile = args;
  
          IPAddressStats stats = new IPAddressStats(geoIPFile);
  
          stats.stat(args);
  

  
          System.exit(0);
  

  
   }
  

  
}


页: [1]
查看完整版本: spark程序