内容简介:版权声明:本套技术专栏是作者(秦凯新)平时工作的总结和升华,通过从真实商业环境抽取案例进行总结和分享,并给出商业应用的调优建议和集群环境容量规划等内容,请持续关注本套博客。QQ邮箱地址:1120746959@qq.com,如有任何技术交流,可随时联系。initialize用户初始化缓存数据。比如score的缓存数据有两个:sum和count,需要初始化为sum=0.0和count=0L,第一个初始化为Double类型,第二个初始化为长整型。当有新的输入数据时,update用户更新缓存变量。比如这里当有新的
版权声明:本套技术专栏是作者(秦凯新)平时工作的总结和升华,通过从真实商业环境抽取案例进行总结和分享,并给出商业应用的调优建议和集群环境容量规划等内容,请持续关注本套博客。QQ邮箱地址:1120746959@qq.com,如有任何技术交流,可随时联系。
1 UDAF 电商业务的实现城市信息累加
-
MutableAggregationBuffer是一个数组,这里我们取 buffer.getString(0)。
-
把传进来的字符串进行追加到buffer.getString(0)中。
class GroupConcatDistinctUDAF extends UserDefinedAggregateFunction { 输入数据类型 override def inputSchema: StructType = StructType(StructField("cityInfo", StringType) :: Nil) 缓冲数据类型 override def bufferSchema: StructType = StructType(StructField("bufferCityInfo", StringType) :: Nil) 输出数据类型 override def dataType: DataType = StringType 一致性校验 override def deterministic: Boolean = true override def initialize(buffer: MutableAggregationBuffer): Unit = { buffer(0)= "" } /** * 更新 * 可以认为是,一个一个地将组内的字段值传递进来 * 实现拼接的逻辑 */ override def update(buffer: MutableAggregationBuffer, input: Row): Unit = { // 缓冲中的已经拼接过的城市信息串 var bufferCityInfo = buffer.getString(0) // 刚刚传递进来的某个城市信息 val cityInfo = input.getString(0) // 在这里要实现去重的逻辑 // 判断:之前没有拼接过某个城市信息,那么这里才可以接下去拼接新的城市信息 if(!bufferCityInfo.contains(cityInfo)) { if("".equals(bufferCityInfo)) bufferCityInfo += cityInfo else { // 比如1:北京 // 1:北京,2:上海 bufferCityInfo += "," + cityInfo } buffer.update(0, bufferCityInfo) } } override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = { var bufferCityInfo1 = buffer1.getString(0); val bufferCityInfo2 = buffer2.getString(0); for(cityInfo <- bufferCityInfo2.split(",")) { if(!bufferCityInfo1.contains(cityInfo)) { if("".equals(bufferCityInfo1)) { bufferCityInfo1 += cityInfo; } else { bufferCityInfo1 += "," + cityInfo; } } } buffer1.update(0, bufferCityInfo1); } override def evaluate(buffer: Row): Any = { buffer.getString(0) } } 复制代码
2 UDAF 无类型的用户自定于聚合函数求平均值
-
分析数据
第一列为user_id,第二列为item_id,第三列为score 0162381440670851711,4,7.0 0162381440670851711,11,4.0 0162381440670851711,32,1.0 0162381440670851711,176,27.0 0162381440670851711,183,11.0 0162381440670851711,184,5.0 0162381440670851711,207,9.0 0162381440670851711,256,3.0 0162381440670851711,258,4.0 0162381440670851711,259,16.0 0162381440670851711,260,8.0 0162381440670851711,261,18.0 0162381440670851711,301,1.0 复制代码
-
1、inputSchema
定义输入数据的Schema,要求类型是StructType,它的参数是由StructField类型构成的数组。比如这里要定义score列的Schema,首先使用StructField声明score列的名字score_column,数据类型为DoubleType。这里输入只有score这一列,所以StructField构成的数组只有一个元素。
override def inputSchema: StructType = StructType(StructField("score_column",DoubleType)::Nil) 复制代码
-
2、bufferSchema
计算score的平均值时,需要用到score的总和sum以及score的总个数count这样的中间数据,那么就使用bufferSchema来定义它们。
override def bufferSchema: StructType = StructType(StructField("sum",DoubleType)::StructField("count",LongType)::Nil) 复制代码
-
3、dataType
我们需要对自定义聚合函数的最终数据类型进行说明,使用dataType函数。比如计算出的平均score是Double类型。
override def dataType: DataType = DoubleType 复制代码
-
4、deterministic
deterministic函数用于对输入数据进行一致性检验,是一个布尔值,当为true时,表示对于同样的输入会得到同样的输出。因为对于同样的score输入,肯定要得到相同的score平均值,所以定义为true。
override def deterministic: Boolean = true 复制代码
-
5、initialize
initialize用户初始化缓存数据。比如score的缓存数据有两个:sum和count,需要初始化为sum=0.0和count=0L,第一个初始化为Double类型,第二个初始化为长整型。
override def initialize(buffer: MutableAggregationBuffer): Unit = { //sum=0.0 buffer(0)=0.0 //count=0 buffer(1)=0L } 复制代码
- 6、update
当有新的输入数据时,update用户更新缓存变量。比如这里当有新的score输入时,需要将它的值更新变量sum中,并将count加1
override def update(buffer: MutableAggregationBuffer, input: Row): Unit = { //输入非空 if(!input.isNullAt(0)){ //sum=sum+输入的score buffer(0)=buffer.getDouble(0)+input.getDouble(0) //count=count+1 buffer(1)=buffer.getLong(1)+1 } } 复制代码
-
7、merge
merge将更新的缓存变量存入到缓存中
override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = { buffer1(0)=buffer1.getDouble(0)+buffer2.getDouble(0) buffer1(1)=buffer1.getLong(1)+buffer2.getLong(1) } 复制代码
-
8、evaluate
evaluate是一个计算方法,用于计算我们的最终结果。比如这里用于计算平均得分average(score)=sum(score)/count(score)
override def evaluate(buffer: Row): Double = buffer.getDouble(0)/buffer.getLong(1) 复制代码
3 类型安全的用户自定义聚合函数(Type-Safe User-Defined Aggregate Functions)
-
Data用于存储itemdata.data数据,Average用于存储计算score平均值的中间数据,需要注意的是Average的参数sum和count都要声明为变量var。
case class Data(user_id: String, item_id: String, score: Double) case class Average(var sum: Double,var count: Long) 复制代码
-
具体源码
-
聚合函数toColumn.name("average_score")
-
使用聚合函数 dataDS.select(averageScore).show()
import org.apache.spark.sql.{Encoder, Encoders, SparkSession} import org.apache.spark.sql.expressions.Aggregator /** * 类型安全自定义聚合函数 */ object TypeSafeMyAverageTest { case class Data(user_id: String, item_id: String, score: Double) case class Average(var sum: Double,var count: Long) object SafeMyAverage extends Aggregator[Data, Average, Double] { zero相当于1中的initialize初始化函数,初始化存储中间数据的Average override def zero: Average = Average(0.0D, 0L) reduce函数相当于1中的update函数,当有新的数据a时,更新中间数据b override def reduce(b: Average, a: Data): Average = { b.sum += a.score b.count += 1L b } override def merge(b1: Average, b2: Average): Average = { b1.sum+=b2.sum b1.count+= b2.count b1 } override def finish(reduction: Average): Double = reduction.sum / reduction.count 缓冲数据编码方式 override def bufferEncoder: Encoder[Average] = Encoders.product 最终数据输出编码方式 override def outputEncoder: Encoder[Double] = Encoders.scalaDouble } def main(args: Array[String]): Unit = { //创建Spark SQL切入点 val spark = SparkSession.builder().master("local").appName("My-Average").getOrCreate() //读取HDFS文件系统数据itemdata.data生成RDD val rdd = spark.sparkContext.textFile("hdfs://192.168.189.21:8020/input/mahout-demo/itemdata.data") //RDD转化成DataSet import spark.implicits._ val dataDS =rdd.map(_.split(",")).map(d => Data(d(0), d(1), d(2).toDouble)).toDS() //自定义聚合函数 val averageScore = SafeMyAverage.toColumn.name("average_score") dataDS.select(averageScore).show() } } 复制代码
4 区域内热门商品项目实战
4.1 区域模型
- 区域内热门商品分析流程
4.2 创建Spark客户端
// 任务的执行ID,用户唯一标示运行后的结果,用在 MySQL 数据库中 val taskUUID = UUID.randomUUID().toString // 构建Spark上下文 val sparkConf = new SparkConf().setAppName("SessionAnalyzer").setMaster("local[*]") // 创建Spark客户端 val spark = SparkSession.builder().config(sparkConf).enableHiveSupport().getOrCreate() val sc = spark.sparkContext 复制代码
4.3 注册UDF函数
// 注册自定义函数 spark.udf.register("concat_long_string", (v1: Long, v2: String, split: String) => v1.toString + split + v2) spark.udf.register("get_json_object", (json: String, field: String) => { val jsonObject = JSONObject.fromObject(json); jsonObject.getString(field) }) spark.udf.register("group_concat_distinct", new GroupConcatDistinctUDAF()) // 获取任务日期参数 val startDate = ParamUtils.getParam(taskParam, Constants.PARAM_START_DATE) val endDate = ParamUtils.getParam(taskParam, Constants.PARAM_END_DATE) 复制代码
4.4 查询用户指定日期范围内的城市粒度点击行为数据
val cityid2clickActionRDD = getcityid2ClickActionRDDByDate(spark, startDate, endDate) def getcityid2ClickActionRDDByDate(spark: SparkSession, startDate: String, endDate: String): RDD[(Long, Row)] = { // 从user_visit_action中,查询用户访问行为数据 // 第一个限定:click_product_id,限定为不为空的访问行为,那么就代表着点击行为 // 第二个限定:在用户指定的日期范围内的数据 val sql = "SELECT " + "city_id," + "click_product_id " + "FROM user_visit_action " + "WHERE click_product_id IS NOT NULL and click_product_id != -1L " + "AND date>='" + startDate + "' " + "AND date<='" + endDate + "'" val clickActionDF = spark.sql(sql) //(cityid, row) clickActionDF.rdd.map(item => (item.getAs[Long]("city_id"), item)) } 复制代码
4.5 查询城市信息
def getcityid2CityInfoRDD(spark: SparkSession): RDD[(Long, Row)] = { val cityInfo = Array((0L, "北京", "华北"), (1L, "上海", "华东"), (2L, "南京", "华东"), (3L, "广州", "华南"), (4L, "三亚", "华南"), (5L, "武汉", "华中"), (6L, "长沙", "华中"), (7L, "西安", "西北"), (8L, "成都", "西南"), (9L, "哈尔滨", "东北")) import spark.implicits._ val cityInfoDF = spark.sparkContext.makeRDD(cityInfo).toDF("city_id", "city_name", "area") cityInfoDF.rdd.map(item => (item.getAs[Long]("city_id"), item)) } // 使用(city_id , 城市信息) val cityid2cityInfoRDD = getcityid2CityInfoRDD(spark) 复制代码
4.6 生成点击商品基础信息临时表
// 将点击行为cityid2clickActionRDD和城市信息cityid2cityInfoRDD进行Join关联 // tmp_click_product_basic generateTempClickProductBasicTable(spark, cityid2clickActionRDD, cityid2cityInfoRDD) def generateTempClickProductBasicTable(spark: SparkSession, cityid2clickActionRDD: RDD[(Long, Row)], cityid2cityInfoRDD: RDD[(Long, Row)]) { // 执行join操作,进行点击行为数据和城市数据的关联 val joinedRDD = cityid2clickActionRDD.join(cityid2cityInfoRDD) // 将上面的JavaPairRDD,转换成一个JavaRDD<Row>(才能将RDD转换为DataFrame) val mappedRDD = joinedRDD.map { case (cityid, (action, cityinfo)) => val productid = action.getLong(1) //action.getAs[String]("aera") val cityName = cityinfo.getString(1) val area = cityinfo.getString(2) (cityid, cityName, area, productid) } // 1 北京 // 2 上海 // 1 北京 // group by area,product_id // 1:北京,2:上海 // 两个函数 // UDF:concat2(),将两个字段拼接起来,用指定的分隔符 // UDAF:group_concat_distinct(),将一个分组中的多个字段值,用逗号拼接起来,同时进行去重 import spark.implicits._ val df = mappedRDD.toDF("city_id", "city_name", "area", "product_id") // 为df创建临时表 df.createOrReplaceTempView("tmp_click_product_basic") 复制代码
4.7 生成各区域各商品点击次数的临时表
generateTempAreaPrdocutClickCountTable(spark) def generateTempAreaPrdocutClickCountTable(spark: SparkSession) { // 按照area和product_id两个字段进行分组 // 计算出各区域各商品的点击次数 // 可以获取到每个area下的每个product_id的城市信息拼接起来的串 val sql = "SELECT " + "area," + "product_id," + "count(*) click_count, " + "group_concat_distinct(concat_long_string(city_id,city_name,':')) city_infos " + "FROM tmp_click_product_basic " + "GROUP BY area,product_id " val df = spark.sql(sql) // 各区域各商品的点击次数(以及额外的城市列表),再次将查询出来的数据注册为一个临时表 df.createOrReplaceTempView("tmp_area_product_click_count") } 复制代码
4.8 生成包含完整商品信息的各区域各商品点击次数的临时表
generateTempAreaFullProductClickCountTable(spark) 关联tmp_area_product_click_count表与product_info表,在tmp_area_product_click_count基础上引入商品的详细信息 def generateTempAreaFullProductClickCountTable(spark: SparkSession) { // 将之前得到的各区域各商品点击次数表,product_id // 去关联商品信息表,product_id,product_name和product_status // product_status要特殊处理,0,1,分别代表了自营和第三方的商品,放在了一个json串里面 // get_json_object()函数,可以从json串中获取指定的字段的值 // if()函数,判断,如果product_status是0,那么就是自营商品;如果是1,那么就是第三方商品 // area, product_id, click_count, city_infos, product_name, product_status // 你拿到到了某个区域top3热门的商品,那么其实这个商品是自营的,还是第三方的 // 其实是很重要的一件事 // 技术点:内置if函数的使用 val sql = "SELECT " + "tapcc.area," + "tapcc.product_id," + "tapcc.click_count," + "tapcc.city_infos," + "pi.product_name," + "if(get_json_object(pi.extend_info,'product_status')='0','Self','Third Party') product_status " + "FROM tmp_area_product_click_count tapcc " + "JOIN product_info pi ON tapcc.product_id=pi.product_id " val df = spark.sql(sql) df.createOrReplaceTempView("tmp_area_fullprod_click_count") 复制代码
}
4.9 使用开窗函数获取各个区域内点击次数排名前3的热门商品
val areaTop3ProductRDD = getAreaTop3ProductRDD(taskUUID, spark) def getAreaTop3ProductRDD(taskid: String, spark: SparkSession): DataFrame = { // 华北、华东、华南、华中、西北、西南、东北 // A级:华北、华东 // B级:华南、华中 // C级:西北、西南 // D级:东北 // case when // 根据多个条件,不同的条件对应不同的值 // case when then ... when then ... else ... end val sql = "SELECT " + "area," + "CASE " + "WHEN area='China North' OR area='China East' THEN 'A Level' " + "WHEN area='China South' OR area='China Middle' THEN 'B Level' " + "WHEN area='West North' OR area='West South' THEN 'C Level' " + "ELSE 'D Level' " + "END area_level," + "product_id," + "city_infos," + "click_count," + "product_name," + "product_status " + "FROM (" + "SELECT " + "area," + "product_id," + "click_count," + "city_infos," + "product_name," + "product_status," + "row_number() OVER (PARTITION BY area ORDER BY click_count DESC) rank " + "FROM tmp_area_fullprod_click_count " + ") t " + "WHERE rank<=3" spark.sql(sql) } 复制代码
4.10 保存到数据库
import spark.implicits._ val areaTop3ProductDF = areaTop3ProductRDD.rdd.map(row => AreaTop3Product(taskUUID, row.getAs[String]("area"), row.getAs[String]("area_level"), row.getAs[Long]("product_id"), row.getAs[String]("city_infos"), row.getAs[Long]("click_count"), row.getAs[String]("product_name"), row.getAs[String]("product_status")) ).toDS areaTop3ProductDF.write .format("jdbc") .option("url", ConfigurationManager.config.getString(Constants.JDBC_URL)) .option("dbtable", "area_top3_product") .option("user", ConfigurationManager.config.getString(Constants.JDBC_USER)) .option("password", ConfigurationManager.config.getString(Constants.JDBC_PASSWORD)) .mode(SaveMode.Append) .save() 复制代码
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- Spark综合使用及电商案例页面转化率统计分析实战-Spark商业应用实战
- Spark综合使用及电商案例广告点击量实时统计分析实战-Spark商业应用实战
- 在命令行进行简单的统计分析
- R 语言 3.5.3 发布,统计分析语言
- Nginx Access Log日志统计分析常用命令
- OLAP 分析引擎,基于 Druid 组件数据统计分析
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
算法技术手册(影印版第2版)(英文版)
(美)乔治·T·海涅曼//加里·波利斯//斯坦利·塞克欧 / 东南大学 / 2017-10-01 / 96.0
一起来看看 《算法技术手册(影印版第2版)(英文版)》 这本书的介绍吧!