综合案例 第80课：Spark SQL网站搜索综合案例实战 以京东找出搜索平台上用户每天搜索排名5名的产品，The hottest！

* * *王家林老师授课http://weibo.com/ilovepains */  每天晚上20：00YY频道现场授课频道68917580

 

/**

 *@author DT大数据梦工厂

 * 新浪微博：http://weibo.com/ilovepains/

 *Created by hp on 2016/4/1.

 *      项目：以京东找出搜索平台上用户每天搜索排名5名的产品，Thehottest！

 *     元数据：Date、UserID、Item、City、Device；

 *     总体思路：混合使用了Spark SQL和Spark Core的内容

 *     第一步：原始的ETL，过滤数据后产生目标，在实际企业中可能过滤条件非常复杂（进行广播），使用RDD的filter等进行操作；

 *     第二步：对过滤后的目标数据进行指定条件的查询，查询条件有可能非常复杂（进行广播），使用RDD的filter算子；

 *     第三步：由于商品是分为种类的，我们在得出最终结果的之前，首先会基于商品进行UV（当然你也可以对用户访问商品的PV进行分析）；

 *      此时我们要对商品进行UV计算的话，必须构建K-V的RDD，例如过程成为 (date#Item,userID)以方便进行groupByKey操作

 *      在调用了groupByKey之后对user进行去重，并计算出每一天每一种商品的UV,最终计算出来的结果的数据类型(date#Item,UV)

 *     第四步：使用开窗函数row_number统计出每日商品UV前5名的内容，

 *  row_number() OVER (PARTITION BY date ORDER BY UV DESC) rank   

 *      此时会产生以date、item、uv为Row的DataFrame

 *     第五步：DataFrame转成RDD,根据日期进行分组并分析出每天排名前5为的热搜索Item；

 *     第六步:进行Key-Value交换，然后进行调用sortByKey进行点击热度排名；

 *     第七步：再次进行Key-Value交换，得出目标数据为(date#Item,UV)的格式；

 *     第八步：通过RDD直接操作Mysql等把结果放入生产系统中的DB中，在通过Java EE等Server技术可视化结果以供市场

 *      营销人员、仓库调度系统、快递系统、管理决策人员使用数据创造价值；

 *      当然也可以放在Hive中，Java EE等技术通过JDBC等连接访问Hive；

 *      当然也可以就放在Spark SQL中，通过Thrift技术供Jave EE使用等；

 *      当时，如果是像双十一等时候，一般首选放在Redis中，这样可以实现类似秒杀系统的响应速度！

 */

 

 

 

 

 

 

运行结果！

 

 

 

 

 

 综合作业 第80课Spark SQL网站搜索综合案例实战
以京东为例找出搜索平台上用户每天搜索排名5名的产品，The hottest！
  用户登录京东网站，在搜索栏搜索的时候，将用户每天搜索排名前5名的商品列出来。
 
 
一：生成模拟京东用户搜索的测试数据。
 SparkSQLUserlogsHottest.log测试数据文件包括时间、用户id、商品、地点、设备信息 10000条数据
 
二：根据测试数据实现搜索平台上用户每天搜索排名5名的产品。
 创建JavaSparkContext及HiveContext
 sc.textFile读入测试数据文件，生成JavaRDD类型的数据集合line0。
 sc.broadcast定义广播变量，用于测试数据的查询及过滤。
 lines0.filter使用匿名接口函数Function的call方法过滤出包含广播变量的数据，生成JavaRDD 类型的数据集合lines。
 测试验证点：
测试数据广播变量的过滤是否成功？打印出lines的数据验证。
 
 lines.mapToPair 使用匿名接口函数PairFunction的call方法对lines中的数据按"\t"进行分割，分割以后将(date#Item#userID)三个字段合并为Key, 将 Value值设置为1，形成   K，V键值对。返回的结果pairs类型为JavaPairRDD。相当于hadoop mapreduce中的map，将某天某用户点击某商品的次数计数为1。
 测试验证点：
测试(date#Item#userID)三个字段合并为Key成功了吗？k，v是否符合预期？
 
 pairs.reduceByKey使用匿名接口函数Function2的call方法对pairs中数据进行reduce汇总，将pairs具有相同key值的数据，累加统计数值，返回的结果reduceedPairs 的类型为JavaPairRDD。相当于hadoop mapreduce中的reduce，将某天某用户点击某商品的所有点击次数累加汇总。
 测试验证点：
测试(date#Item#userID) k，v的reduce统计是否成功？
将reduceedRow中的每行数据拆分，reduceedRow的key值分割为三个字段：时间、用户id、商品，将reduceedRow的商品累计点击数值value记为count，然后将这四个字段时间、用户id、商品、count再拼接成json格式放到peopleInformations列表里面，打印输出。peopleInformations类型为List，为json格式。
 
 sc.parallelize(peopleInformations)将scala空间的变量peopleInformations转换为Spark RDD空间的变量peopleInformationsRDD，类型为JavaRDD
 sqlContext.read().json(peopleInformationsRDD)通过内容为JSON的RDD来构造peopleInformationsDF，类型为DataFrame
 DataFrame注册成为临时表
peopleInformationsDF.registerTempTable("peopleInformations")
 窗口函数：使用子查询的方式完成目标数据的提取，在目标数据内幕使用窗口函数row_number来进行分组排序， PARTITION BY :指定窗口函数分组的Key， ORDER BY：分组后进行排序；
        String sqlText = "SELECT UserID,Item, count "
           + "FROM ("
             + "SELECT "
             + "UserID,Item, count,"
           + "row_number() OVER (PARTITION BY UserID ORDER BY count DESC) rank"
               +" FROM peopleInformations "
           + ") sub_peopleInformations "
           + "WHERE rank <= 3 " ;
   Sql查询语句：
 使用窗口函数，查询peopleInformations表，按照用户分组，将同一用户的每天的点击的商品数排名，形成一张子表sub_peopleInformations。
 然后从排名后的子表sub_peopleInformations中，查询出前三名的用户点击的商品和计数。
 测试验证点：
验证窗口函数sql语句执行是否成功？
sqlContext.sql(sqlText)执行sql查询，execellentNameAgeDF.show()显示sql查询结果。
 
 将execellentNameAgeDF的结果保存为json文件格式
execellentNameAgeDF.write().format("json").save(）;
三：源代码SparkSQLUserlogsHottestDataManually.java和SparkSQLUserlogsHottest.java

 

 

 

packagecom.dt.imf.zuoye001;

 

importjava.util.ArrayList;

importjava.util.Arrays;

importjava.util.Iterator;

importjava.util.List;

 

importorg.apache.hadoop.hive.ql.parse.HiveParser_IdentifiersParser.function_return;

importorg.apache.hadoop.io.IntWritable;

importorg.apache.spark.SparkConf;

importorg.apache.spark.api.java.JavaPairRDD;

importorg.apache.spark.api.java.JavaRDD;

importorg.apache.spark.api.java.JavaSparkContext;

importorg.apache.spark.api.java.function.Function;

importorg.apache.spark.api.java.function.Function2;

importorg.apache.spark.api.java.function.PairFunction;

importorg.apache.spark.api.java.function.VoidFunction;

importorg.apache.spark.broadcast.Broadcast;

importorg.apache.spark.sql.DataFrame;

importorg.apache.spark.sql.Row;

importorg.apache.spark.sql.RowFactory;

importorg.apache.spark.sql.SQLContext;

importorg.apache.spark.sql.types.DataTypes;

importorg.apache.spark.sql.types.StructField;

importorg.apache.spark.sql.types.StructType;

importorg.apache.spark.sql.hive.HiveContext;

 

import scala.Tuple2;

 

public classSparkSQLUserlogsHottest {

 

       public static void main(String[] args) {

              SparkConf conf = newSparkConf().setMaster("local").setAppName("SparkSQLUserlogsHottest");

              JavaSparkContext sc = newJavaSparkContext(conf);

              SQLContext sqlContext = newHiveContext(sc);

 

              JavaRDD lines0 =sc.textFile("G:\\IMFBigDataSpark2016\\tesdata\\SparkSQLUserlogsHottest\\SparkSQLUserlogsHottest.test.log");

               

              /*元数据：Date、UserID、Item、City、Device；

          (date#Item#userID)

              */

                           

              //定义广播变量

               String  devicebd="iphone";

               final Broadcast  broadcastdevice =sc.broadcast(devicebd);  

              // 过滤

             

              // lines.filter();

               JavaRDD lines =lines0.filter(new Function() {

                    

                     @Override

                     public Boolean call(Strings) throws Exception {

                            returns.contains(broadcastdevice.value());

                     }

              });

               

               // 验证

               List  listRow000 =lines.collect();

                                   for(  String row : listRow000){

                                          System.out.println(row);

                                   }

     

               

               //组拼字符串(date#Item#userID)  构建KV(date#Item#userID，1)

               JavaPairRDD pairs =lines.mapToPair(new PairFunction() {

                      private static final longserialVersionUID =1L ;               

                      @Override                            

                            publicTuple2 call(String line) throws Exception {

                                   String[]splitedLine =line.split("\t");

                             int one = 1;

                                   Stringdataanditemanduserid = splitedLine[0] +"#"+splitedLine[2]+"#"+String.valueOf(splitedLine[1]);

                                   return newTuple2(String.valueOf(dataanditemanduserid),Integer.valueOf(one));

                                  

                            }

                     });

               

               //  验证

                 List> listRow = pairs.collect();

                                   for(Tuple2row : listRow){

                                          System.out.println(row._1);

                                          System.out.println(row._2);

                                   }

       

                               

                      //reducebykey，统计计数

                                  

             JavaPairRDD reduceedPairs =pairs.reduceByKey(new Function2() {

                    

                     @Override

                     public Integer call(Integerv1, Integer v2) throws Exception {

                            return v1 + v2 ;

                     }

              });

                                       

                               

             List>  reduceedRow = reduceedPairs.collect();

             

              //动态组拼出JSON

                     ListpeopleInformations = new ArrayList();

                    

                    

                     for(Tuple2row : reduceedRow){

                            //拆分三个字段

                         String[] rowSplitedLine=row._1.split("#");

                            String rowuserID =rowSplitedLine[2];

                            String rowitemID =rowSplitedLine[1];

                            String rowdateID =rowSplitedLine[0];

                    

                     //拼接json  元数据：Date、UserID、Item、City、Device      

                            String jsonzip=     "{\"Date\":\""+rowdateID 

                                         +"\",\"UserID\":\""+ rowuserID 

                                         +"\",\"Username\":\""+ rowuserID

                                         +"\",\"Item\":\""+ rowitemID 

                                         +"\",\"count\":"+ row._2 +" }";

                        peopleInformations.add(jsonzip);

                           

                     }     

                                     

                     //打印验证peopleInformations

                                 

                     for(String row :peopleInformations){

                            System.out.println(row.toString());

                            //System.out.println(row._2);

                     }

                    

                     //通过内容为JSON的RDD来构造DataFrame

                     JavaRDDpeopleInformationsRDD = sc.parallelize(peopleInformations);

                     DataFramepeopleInformationsDF = sqlContext.read().json(peopleInformationsRDD);

                    

                     //注册成为临时表

                     peopleInformationsDF.registerTempTable("peopleInformations");

                           

                    

                       /* 使用子查询的方式完成目标数据的提取，在目标数据内幕使用窗口函数row_number来进行分组排序：

                    * PARTITION BY :指定窗口函数分组的Key；

                    * ORDER BY：分组后进行排序；

                    */

               

        String sqlText = "SELECTUserID,Item, count "

                       + "FROM ("

                         + "SELECT "

                           + "UserID,Item, count,"

                           + "row_number() OVER(PARTITION BY UserID ORDER BY count DESC) rank"

                           +" FROM peopleInformations"

                       + ") sub_peopleInformations"

                       + "WHERE rank <= 3 " ;

      

      

           

                     DataFrameexecellentNameAgeDF = sqlContext.sql(sqlText);

                     execellentNameAgeDF.show();

              execellentNameAgeDF.write().format("json").save("G:\\IMFBigDataSpark2016\\tesdata\\SparkSQLUserlogsHottest\\Result20140419_2");

             

       }

 

}