網站日志統計案例分析與實現

1.概要

    到這一步，若是按照前面到文章一步走來，不出意外，我想hadoop平台環境應該搭建OK了。下面我以自己工作中實際的案例來梳理一下整個流程。同時參考一些其他的文章來分析，由於很多網站的日志KPI都大同小異，故有些指標直接在文中贅述了。

2.流程

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

2.1 背景

　　從2011年開始，中國進入大數據時代如火如荼，以Hadoop為代表的套件，占據了大數據處理的廣闊地盤。開源界及廠商，所有數據軟件，紛紛向Hadoop靠攏。Hadoop也從小規模的試點和使用，變成了大數據開發的標准。在Hadoop原有技術基礎之上，出現了Hadoop家族產品，通過大數據概念的不斷創新，推進了Hadoop的發展速度。

　　如今，Hadoop2.x的出現，使很多企業紛紛主動去接受Hadoop這個平台，因此，作為IT界的開發人員，了解並掌握Hadoop的技能，成為開發人員必備的一項技能。也是今后主流的一種趨勢。

　　注：Hadoop2.x的出現為何引起這么大大反響，這里不做贅述。

2.2 前言

　　Web日志包含着網站最重要的信息，通過日志分析，我們可以知道網站的訪問量，哪個網頁訪問人數最多，哪個網頁最有價值等。一般中型的網站（10w的PV以上），每天會產生1G以上的Web日志文件。大型或超大型的網站，可能每小時就產生10G的數據量。

       對於日志的這種規模的數據，用Hadoop進行日志分析，是最合適不過了。

2.3 目錄

• Web日志分析概述
• 需求分析：KPI指標設計
• 算法模型：Hadoop並行算法
• 架構設計：日志KPI系統架構
• 項目構建：Maven構建Hadoop項目

2.4 Web日志分析概述

　　Web日志由Web服務器產生，可能是Nginx，Apache，Tomcat等。從Web日志中，我們可以獲取網站每類頁面的PV值、獨立IP數；稍微復雜一些的，可以計算得出用戶所檢索的關鍵詞排行榜、用戶停留時間最高的頁面等；更復雜的，構建廣告點擊模型、分析用戶行為特征等等。

　　Web日志中，每條日志通常代表着用戶的一次訪問行為，例如下面就是一條Nginx日志：

222.68.172.190 - - [18/Sep/2013:06:49:57 +0000] "GET /images/my.jpg HTTP/1.1" 200 19939  "http://www.angularjs.cn/A00n" "Mozilla/5.0 (Windows NT 6.1)  AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36"

　　我們可以從中獲取8個指標：

1. Remote_Addr：記錄客戶端的IP地址，222.68.172.190

2. Remote_User：記錄客戶端用戶名稱，-

3. Time_Local：記錄訪問時間與時區：[18/Sep/2013:06:49:57 +0000]

4. Request：記錄請求的URL和HTTP協議，"GET /images/my.jpg HTTP/1.1"

5. Status：記錄請求狀態，成功是200，200

6. Body_Bytes_Sent：記錄發送給客戶端文件主體內容大小，19939

7. Http_Referer：用來記錄從哪個頁面鏈接訪問過來的，http://www.angularjs.cn/A00n

8. Http_User_Agent：記錄客戶端瀏覽器的相關信息，"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，則需要其它手段去獲取，通過javascript代碼單獨發送請求，使用cookies記錄用戶訪問信息。利用這些日志信息，我們可以深入挖掘網站的秘密了。

　　少量數據的情況：

　　少量數據的情況（10M，100M，1G），在單機處理尚能接受的時候，我們可以直接利用各種Unix/Linux工具，awk、grep、sort、join等都是日志分析的利器，再配合perl，python，正則表達式，基本就可以解決所有的問題。 例如，我們想從上面提到的Nginx日志中得到訪問量最高前10個IP，實現很簡單：

　　

~ cat access.log.10 | awk '{a[$1]++} END {for(b in a) print b"\t"a[b]}' | sort -k2 -r | head -n 10

　　結果如果下：

163.177.71.12   972 
101.226.68.137  972 
183.195.232.138 971 
50.116.27.194   97 
14.17.29.86     96 
61.135.216.104  94 
61.135.216.105  91 
61.186.190.41   9 
59.39.192.108   9 
220.181.51.212  9

　　數據海量的情況：

　　當數據量每天以10G、100G增長的時候，單機處理能力已經不能滿足需求。我們就需要增加系統的復雜性，用計算機集群，存儲陣列來解決。在Hadoop出現之前，海量數據存儲和海量日志分析都是很困難的，只有少數公司，掌握着高效的並行計算，分布式計算，分布式存儲的核心技術。 Hadoop的出現，大幅度的降低了海量數據處理的門檻，讓小公司甚至是個人都能夠處理海量數據。並且，Hadoop非常適用於日志分析系統。

2.5  KPI指標設計

　　下面我們將從一個公司案例出發來全面的詮釋，如何進行海量Web日志分析，提前KPI數據。

2.5.1  案例介紹　

　　某電商網站，在線團購業務。每日PV數100w，獨立IP數5w；用戶通常在工作日上午10:00-12:00和下午15:00-18:00訪問量最大；日間主要是通過PC端瀏覽器訪問，休息日及夜間通過移動設備訪問最多。網站搜索流量占整個網站的80%，PC用戶不足1%的用戶會消費，移動用戶有5%會消費。

　　通過簡短的描述，我們可以粗略的看出這家電商網站的經營狀況，並認識到願意消費的用戶是從哪里來，有哪些潛在的用戶可以挖掘，網站是否存在倒閉風險等。

2.5.2  KPI指標設計

• PV：頁面訪問量統計
• IP：頁面獨立IP訪問量統計
• Time：用戶每小時PV統計
• Source：用戶來源域名的統計
• Browser：用戶的訪問設備統計

    注：很遺憾，由於商業原因，無法提供電商網站的日志。這里我取的是某論壇的日志分析，原理都是一樣的，指標也類似。

2.6  項目構建

　　這里Hadoop的項目，我們采用Maven結構來構建項目，這樣能夠保證整個項目的清爽，對依賴包能夠統一的進行管理，在項目的打包和發布上也是大有裨益。

　　注：如何創建Maven項目這里不做贅述，可以自行查找相應的資料。

3.實現

　　指標我們已經分析的很明確了，下面我們來考慮如何實現這些指標，以及實現這些指標需要用到那些技術，下面我畫了一個實現的流程圖：

由於是在Retina屏下截取的，所以分辨率會有點高，若網絡有故障，估計圖會展示不了，因而，下面我也用文字描述一下整個流程。

　　首先我們需要獲取這些日志文件，獲取的方式有多種，這里我們只列出了比較工作中使用的2種方式，少量的日志可以直接使用腳本上傳到HDFS，海量日志可以使用Flume進行上傳到HDFS，然后我們將上傳在HDFS到日志進行清洗（按指標清洗，去掉一些異常數據），將清洗后到數據重定向到新的HDFS目錄中，接下來我們可以按指標來進行統計結果，統計的方式，這里我也列出了工作中使用的2種方式，一種是編寫MR任務進行統計，另一種是使用hive來統計，最后將統計的結果使用sqoop導出到mysql或是oracle中保存（明晰存儲在HBase中）。到這里整理工作就算是結束，至於如何使用統計出來的數據，這里不是我們所考慮的范圍。

4.源碼

　　關於源代碼，目前有些部分代碼要從源代碼中分離出來，到時候我會把這個日志分析系統項目的代碼放在Github上，整理完后鏈接到時候會放在這片博文的下面。另外有什么問題可以加群咨詢，或發郵件給我，我會盡我所能給予幫助。與君共勉！