图计算实现ID_Mapping、Oneid打通数据孤岛

图计算实现ID_Mapping、Oneid打通数据孤岛

• ID_Mapping与Oneid的作用
• 大神告诉我们Oneid能用来做什么
• 输入数据源格式样例
• 实现原理
• 当日代码生成
• 引用jar包
• 启动命令
• 辛苦码字如有转载请标明出处谢谢！——拜耳法
• PS：我要在下一章在我心中不完美的你打一个淋漓尽致的标签

 

ID_Mapping与Oneid的作用

大神告诉我们Oneid能用来做什么

输入数据源格式样例

样例数据图1

整理后数据图2

实现原理

联通图

生成最大联通图

留下耀总的数据给大家练习了

当日代码生成

import java.util.UUID import cn.scfl.ebt.util.UtilTool import org.apache.spark.SparkContext import org.apache.spark.graphx._ import org.apache.spark.sql.SparkSession import org.spark_project.jetty.util.StringUtil /** * @Author: baierfa * @version: v1.0 * @description: id_mapping 单天实现暂时不加入多天滚动计算 多天计算需要看另一文件YeAndTodayGraphx * @Date: 2020-07-05 10:24 */ object TodayGraphx { def main(args: Array[String]): Unit = { //声明环境变量 val spark = SparkSession .builder .appName(s"${this.getClass.getName}") .master("local[*]") .getOrCreate() val sc = spark.sparkContext val todayPath = "D:\\TESTPATH\\inputpath\\today\\dt=202-07-13" val outPutPath="D:\\TESTPATH\\outtpath\\today\\dt=202-07-13" val edgeoutPutPath="D:\\TESTPATH\\edgepath\\today\\dt=202-07-13" todayIdMapping(spark,sc,todayPath,outPutPath,edgeoutPutPath) spark.close() } /** * 功能描述: <输入今天数据路径 按照文件形式输出到指定路径中 并推出今日图计算点与边集合总个数> * 〈使用今日输入数据转换成唯一数字值 图计算之后再将数值转换回明文 生成唯一uuid〉 * @Param: [spark, sc, todayPath, outPutPath, edgeoutPutPath] * @Return: void * @Author: baierfa * @Date: 2020-08-05 10:18 */ def todayIdMapping(spark:SparkSession,sc: SparkContext,todayPath: String,outPutPath:String ,edgeoutPutPath:String )={ // 一、数据加载 // 今天数据加载 val todaydf = spark.read.textFile(todayPath) // 二、处理数据为生成图做准备 // 生成今日点集合 val to_veritx = todaydf.rdd.flatMap(line => { // 将数据源进行分割 val field = line.split("\t") //把数据转换成（long，值）要想long值不重复 可以使用hashcode //本文用于生产环境 使用了md5加密 详细文件请看其他篇章 for (ele <- field if StringUtil.isNotBlank(ele)&&(!"\\N".equals(ele))) yield (UtilTool.getMD5(ele), ele) }) // 生成今日边集合 val to_edges = todaydf.rdd.flatMap(line => { // 将数据源进行分割 val field = line.split("\t") //将数据转换 将值转换成边 用于连线 连线值这边用""想更换看个人意愿 for (i <- 0 to field.length - 2 if StringUtil.isNotBlank(field(i))&&(!"\\N".equals(field(i))) ;j <- i + 1 to field.length - 1 if StringUtil.isNotBlank(field(j))&&(!"\\N".equals(field(j)))) yield Edge(UtilTool.getMD5(field(i)), UtilTool.getMD5(field(j)), "") }) // 在数据不做多次etl数据操作下可以使用共同出现次数来判定是否归并为同一个用户 // 例如 合并起来用户 mobile 与 device_id 同时出现两次以上才被记入同一个 // .map(edge => (edge, 1)) // .reduceByKey(_ + _) // .filter(tp => tp._2 > 2) // .map(tp => tp._1) // 三、汇总各个节点使用图计算生成图 // 单将数据重新赋值适用于以后多数据源合并 val veritx = to_veritx val edges = to_edges // 开始使用点集合与边集合进行图计算训练 val graph = Graph(veritx, edges) // 四、生成最大连通图 val graph2 = graph.connectedComponents() val vertices = graph2.vertices // 五、将最小图计算值替换成uuid val uidRdd = vertices.map(tp => (tp._2, tp._1)) .groupByKey() .map(tp => (StringUtil.replace(UUID.randomUUID().toString, "-", ""), tp._2)) // 对点与边进行统计作为记录输出 可以用于后期统计检查生成报表警报数据是否异常 val uu = veritx.map(lin=>("vertices",1)).union(edges.map(lin=>("edges",1))).reduceByKey(_ + _) .map(tp=>tp._1+"\t"+tp._2) // 将现有的数据转换成铭文识别后展示 // 将各个点的数据汇总到driver端 val idmpMap = veritx.collectAsMap() // 按照map方式广播出去做转换 val bc = sc.broadcast(idmpMap) // 将数据的id转换成明文 val ss = uidRdd.mapPartitions(itemap => { val vert_id_map = bc.value itemap.map(tp => { //从广播变量中获取id值的信息并转换 val t2 = for (ele <- tp._2) yield vert_id_map.get(ele).get //按照将要输出的数据格式进行排版 （uuid mobile1,mobile2,mobile3,device_id1,device_2） tp._1+"\t"+t2.mkString(",") }) }) // 数据输出 ss.saveAsTextFile(outPutPath) uu.saveAsTextFile(edgeoutPutPath) } }

引用jar包

 <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <spark.version>2.4.0</spark.version>
        <java.version>1.8</java.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-graphx_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        
        <dependency>
            <groupId>com.thoughtworks.paranamer</groupId>
            <artifactId>paranamer</artifactId>
            <version>2.8</version>
        </dependency>

    </dependencies>

启动命令

spark-submit \ --class IdMapping \ --master yarn \ --deploy-mode cluster \ --num-executors 40 \ --driver-memory 4g \ --executor-memory 6g \ --executor-cores 3 \ --conf spark.default.parallelism=400 \ --conf spark.shuffle.memoryFraction=0.3 \ ID_Mapping_Spark.jar \ hdfs://user/hive/oneid_data/data_origindata_di/dt=2020-07-13 \ hdfs://user/hive/oneid_data/data_sink_id_mapping/dt=2020-07-14 \ hdfs://user/hive/oneid_data/data_sink_edge_vertex/dt=2020-07-14

辛苦码字如有转载请标明出处谢谢！——拜耳法

都看到这里了非常感谢！
本片章暂未完结 有疑问请+vx ：baierfa

PS：我要在下一章在我心中不完美的你打一个淋漓尽致的标签

将大神挂在那片白云下: oneid与用户标签之间的相互打通 实现用户标签