网站日志统计案例分析与实现

    到这一步，若是按照前面到文章一步走来，不出意外，我想hadoop平台环境应该搭建OK了。下面我以自己工作中实际的案例来梳理一下整个流程。同时参考一些其他的文章来分析，由于很多网站的日志KPI都大同小异，故有些指标直接在文中赘述了。

1. 背景
2. 前言
3. 目录
4. 日志分析概述
5. 需求分析
6. 源码

　　从2011年开始，中国进入大数据时代如火如荼，以Hadoop为代表的套件，占据了大数据处理的广阔地盘。开源界及厂商，所有数据软件，纷纷向Hadoop靠拢。Hadoop也从小规模的试点和使用，变成了大数据开发的标准。在Hadoop原有技术基础之上，出现了Hadoop家族产品，通过大数据概念的不断创新，推进了Hadoop的发展速度。

　　如今，Hadoop2.x的出现，使很多企业纷纷主动去接受Hadoop这个平台，因此，作为IT界的开发人员，了解并掌握Hadoop的技能，成为开发人员必备的一项技能。也是今后主流的一种趋势。

　　注：Hadoop2.x的出现为何引起这么大大反响，这里不做赘述。

　　Web日志包含着网站最重要的信息，通过日志分析，我们可以知道网站的访问量，哪个网页访问人数最多，哪个网页最有价值等。一般中型的网站（10w的PV以上），每天会产生1G以上的Web日志文件。大型或超大型的网站，可能每小时就产生10G的数据量。

       对于日志的这种规模的数据，用Hadoop进行日志分析，是最合适不过了。

• Web日志分析概述
• 需求分析：KPI指标设计
• 算法模型：Hadoop并行算法
• 架构设计：日志KPI系统架构
• 项目构建：Maven构建Hadoop项目

　　Web日志由Web服务器产生，可能是Nginx，Apache，Tomcat等。从Web日志中，我们可以获取网站每类页面的PV值、独立IP数；稍微复杂一些的，可以计算得出用户所检索的关键词排行榜、用户停留时间最高的页面等；更复杂的，构建广告点击模型、分析用户行为特征等等。

　　Web日志中，每条日志通常代表着用户的一次访问行为，例如下面就是一条Nginx日志：

　　我们可以从中获取8个指标：

1. Remote_Addr：记录客户端的IP地址，222.68.172.190

2. Remote_User：记录客户端用户名称，-

3. Time_Local：记录访问时间与时区：[18/Sep/2013:06:49:57 +0000]

4. Request：记录请求的URL和HTTP协议，"GET /images/my.jpg HTTP/1.1"

5. Status：记录请求状态，成功是200，200

6. Body_Bytes_Sent：记录发送给客户端文件主体内容大小，19939

7. Http_Referer：用来记录从哪个页面链接访问过来的，http://www.angularjs.cn/A00n

8. Http_User_Agent：记录客户端浏览器的相关信息，"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36"

　　注：要更多的信息，则需要其它手段去获取，通过javascript代码单独发送请求，使用cookies记录用户访问信息。利用这些日志信息，我们可以深入挖掘网站的秘密了。

　　少量数据的情况：

　　少量数据的情况（10M，100M，1G），在单机处理尚能接受的时候，我们可以直接利用各种Unix/Linux工具，awk、grep、sort、join等都是日志分析的利器，再配合perl，python，正则表达式，基本就可以解决所有的问题。 例如，我们想从上面提到的Nginx日志中得到访问量最高前10个IP，实现很简单：

　　结果如果下：

　　数据海量的情况：

　　当数据量每天以10G、100G增长的时候，单机处理能力已经不能满足需求。我们就需要增加系统的复杂性，用计算机集群，存储阵列来解决。在Hadoop出现之前，海量数据存储和海量日志分析都是很困难的，只有少数公司，掌握着高效的并行计算，分布式计算，分布式存储的核心技术。 Hadoop的出现，大幅度的降低了海量数据处理的门槛，让小公司甚至是个人都能够处理海量数据。并且，Hadoop非常适用于日志分析系统。

　　下面我们将从一个公司案例出发来全面的诠释，如何进行海量Web日志分析，提前KPI数据。

　　某电商网站，在线团购业务。每日PV数100w，独立IP数5w；用户通常在工作日上午10:00-12:00和下午15:00-18:00访问量最大；日间主要是通过PC端浏览器访问，休息日及夜间通过移动设备访问最多。网站搜索流量占整个网站的80%，PC用户不足1%的用户会消费，移动用户有5%会消费。

　　通过简短的描述，我们可以粗略的看出这家电商网站的经营状况，并认识到愿意消费的用户是从哪里来，有哪些潜在的用户可以挖掘，网站是否存在倒闭风险等。

• PV：页面访问量统计
• IP：页面独立IP访问量统计
• Time：用户每小时PV统计
• Source：用户来源域名的统计
• Browser：用户的访问设备统计

    注：很遗憾，由于商业原因，无法提供电商网站的日志。这里我取的是某论坛的日志分析，原理都是一样的，指标也类似。

　　这里Hadoop的项目，我们采用Maven结构来构建项目，这样能够保证整个项目的清爽，对依赖包能够统一的进行管理，在项目的打包和发布上也是大有裨益。

　　注：如何创建Maven项目这里不做赘述，可以自行查找相应的资料。

　　指标我们已经分析的很明确了，下面我们来考虑如何实现这些指标，以及实现这些指标需要用到那些技术，下面我画了一个实现的流程图：

由于是在Retina屏下截取的，所以分辨率会有点高，若网络有故障，估计图会展示不了，因而，下面我也用文字描述一下整个流程。

　　首先我们需要获取这些日志文件，获取的方式有多种，这里我们只列出了比较工作中使用的2种方式，少量的日志可以直接使用脚本上传到HDFS，海量日志可以使用Flume进行上传到HDFS，然后我们将上传在HDFS到日志进行清洗（按指标清洗，去掉一些异常数据），将清洗后到数据重定向到新的HDFS目录中，接下来我们可以按指标来进行统计结果，统计的方式，这里我也列出了工作中使用的2种方式，一种是编写MR任务进行统计，另一种是使用hive来统计，最后将统计的结果使用sqoop导出到mysql或是oracle中保存（明晰存储在Hbase中）。到这里整理工作就算是结束，至于如何使用统计出来的数据，这里不是我们所考虑的范围。

　　关于源代码，目前有些部分代码要从源代码中分离出来，到时候我会把这个日志分析系统项目的代码放在Github上，整理完后链接到时候会放在这片博文的下面。另外有什么问题可以加群咨询，或发邮件给我，我会尽我所能给予帮助。与君共勉！