本期课程内容：

  • 在线黑名单过滤实现解析

  • SparkStreaming实现在线黑名单过滤 


　　广告计费系统，是电商必不可少的一个功能点。为了防止恶意的广告点击(假设商户A和B同时在某电商做了广告，A和B为竞争对手，那么如果A使用点击机器人进行对B的广告的恶意点击，那么B的广告费用将很快被用完)，必须对广告点击进行黑名单过滤。

　　可以使用leftOuterJoin对目标数据和黑名单数据进行关联，将命中黑名单的数据过滤掉。


　　本文主要介绍的是DStream的transform函数的使用


SparkStreaming代码实现

package com.dt.spark.sparkapps.streaming

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
 * 使用Scala开发集群运行的Spark 在线黑名单过滤程序
 * Created by Limaoran on 2016/5/2.
 * 新浪微博：http://weibo.com/ilovepains/
 *
 * 背景描述：在广告点击计费系统中，我们在线过滤掉黑名单的点击，进而保护广告商的利益，
 * 只进行有效的广告点击计费或者在防刷评分（或者流量）系统，过滤掉无效的投票或者评分或者流量；
 * 实现技术：使用transform Api直接基于RDD编程，进行join操作
 */
object OnlineBlackListFilter {
  def main(args: Array[String]) {
    /**
     * 第1步：创建Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息。
     * 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置
     * 为local，则代表Spark程序在本地运行，特别适合于机器配置条件非常差（例如
     * 只有1G的内存）的初学者      
     */
    val conf = new SparkConf()  //创建SparkConf对象
    conf.setAppName("OnlineBlackListFilter")  //设置应用程序的名称，在程序运行的监控界面可以看到名称
    conf.setMaster("spark://Master:7077") //此时，程序在Spark集群

    val ssc = new StreamingContext(conf,Seconds(30))

    /**
     * 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中，黑名单的生成往往有复杂的业务
     * 逻辑，具体情况算法不同，但是在Spark Streaming进行处理的时候每次都能工访问完整的信息
     */
    val blackList = Array(("hadoop",true),("mahout",true))
    val blackListRDD = ssc.sparkContext.parallelize(blackList,8)

    val adsClickStream = ssc.socketTextStream("Master" ,9999)
    /**
     * 此处模拟的广告点击的每条数据的格式为：time、name
     * 此处map操作的结果是name、（time，name）的格式
     */
    val adsClientStreamFormated = adsClickStream.map(ads=>(ads.split(" ")(1),ads))
    adsClientStreamFormated.transform(userClickRDD => {
      //通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，又获得了相应点击内容是否在黑名单中
      val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD)
      /**
       * 进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)）
       * 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在在值
       * 如果存在的话，表面当前广告点击是黑名单，需要过滤掉，否则的话则是有效点击内容；
       */
      val validClicked = joinedBlackListRDD.filter(joinedItem=>{
        if(joinedItem._2._2.getOrElse(false)){
          false
        }else{
          true
        }
      })
      validClicked.map(validClick => {validClick._2._1})
    }).print()
    /**
     * 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费
     */
    ssc.start()
    ssc.awaitTermination()
  }
}

将程序打包，并上传至spark集群


在spark-master节点，启动nc

root@spark-master:~# nc -lk 9999

运行OnlineBlacklistFilter程序

root@spark-master:~# /usr/local/spark-1.6.0/bin/spark-submit --class com.dt.spark.sparkapps.streaming.OnlineBlackListFilter --master spark://Master:7077 ./sparkApps.jar

在nc端输入数据

root@spark-master:~# nc -lk 9999
22555 spark
124321 hadoop
5555 Flink
6666 HDFS
2222 Kafka
572231 Java
66662 mahout

SparkStreaming运行结果：

16/05/02 08:28:00 INFO MapPartitionsRDD: Removing RDD 8 from persistence list
-------------------------------------------
5555 Flink
6666 HDFS
572231 Java
22555 spark
2222 Kafka

可见，结果已经将黑名单设置的hadoop和mathou过滤掉了。


在此程序的基础上，可以添加更复杂的业务逻辑规则，以满足企业的需求。

备注：

1、DT大数据梦工厂微信公众号DT_Spark 
2、IMF晚8点大数据实战YY直播频道号：68917580
3、新浪微博: http://www.weibo.com/ilovepains