1.背景介绍
PV/UV统计是流式分析一个常见的场景。通过PV可以对访问的网站做流量或热点分析，例如广告主可以通过PV值预估投放广告网页所带来的流量以及广告收入。另外一些场景需要对访问的用户作分析，比如分析用户的网页点击行为，此时就需要对UV做统计。
使用Spark Streaming SQL，并结合Redis可以很方便进行PV/UV的统计。本文将介绍通过Streaming SQL消费Loghub中存储的用户访问信息，对过去1分钟内的数据进行PV/UV统计，将结果存入Redis中。
2.准备工作
- 创建E-MapReduce 3.23.0以上版本的Hadoop集群。
- 下载并编译E-MapReduce-SDK包
- git clone git@github.com:aliyun/aliyun-emapreduce-sdk.git
- cd aliyun-emapreduce-sdk
- git checkout -b master-2.x origin/master-2.x
- mvn clean package -DskipTests
编译完后, assembly/target目录下会生成emr-datasources_shaded_${version}.jar，其中${version}为sdk的版本。
数据源
本文采用Loghub作为数据源，有关日志采集、日志解析请参考日志服务。
3.统计PV/UV
一般场景下需要将统计出的PV/UV以及相应的统计时间存入Redis。其他一些业务场景中，也会只保存最新结果，用新的结果不断覆盖更新旧的数据。以下首先介绍第一种情况的操作流程。
3.1启动客户端
命令行启动streaming-sql客户端
- streaming-sql --master yarn-client --num-executors 2 --executor-memory 2g --executor-cores 2 --jars emr-datasources_shaded_2.11-${version}.jar --driver-class-path emr-datasources_shaded_2.11-${version}.jar
也可以创建SQL语句文件，通过streaming-sql -f的方式运行。
3.1定义数据表
数据源表定义如下
- CREATE TABLE loghub_source(user_ip STRING, __time__ TIMESTAMP)
- USING loghub
- OPTIONS(
- sls.project=${sls.project},
- sls.store=${sls.store},
- access.key.id=${access.key.id},
- access.key.secret=${access.key.secret},
- endpoint=${endpoint});
其中，数据源表包含user_ip和__time__两个字段，分别代表用户的IP地址和loghub上的时间列。OPTIONS中配置项的值根据实际配置。
结果表定义如下
- CREATE TABLE redis_sink
- USING redis
- OPTIONS(
- table='statistic_info',
- host=${redis_host},
- key.column='interval');
其中，statistic_info为Redis存储结果的表名，interval对应统计结果中的interval字段;配置项${redis_host}的值根据实际配置。
3.2创建流作业
- CREATE SCAN loghub_scan
- ON loghub_source
- USING STREAM
- OPTIONS(
- watermark.column='__time__',
- watermark.delayThreshold='10 second');
- CREATE STREAM job
- OPTIONS(
- checkpointLocation=${checkpoint_location})
- INSERT INTO redis_sink
- SELECT COUNT(user_ip) AS pv, approx_count_distinct( user_ip) AS uv, window.end AS interval
- FROM loghub_scan
- GROUP BY TUMBLING(__time__, interval 1 minute), window;
4.3查看统计结果
最终的统计结果如下图所示
可以看到，每隔一分钟都会生成一条数据，key的形式为表名:interval，value为pv和uv的值。
3.4实现覆盖更新
将结果表的配置项key.column修改为一个固定的值，例如定义如下
- CREATE TABLE redis_sink
- USING redis
- OPTIONS(
- table='statistic_info',
- host=${redis_host},
- key.column='statistic_type');
创建流作业的SQL改为
- CREATE STREAM job
- OPTIONS(
- checkpointLocation='/tmp/spark-test/checkpoint')
- INSERT INTO redis_sink
- SELECT "PV_UV" as statistic_type,COUNT(user_ip) AS pv, approx_count_distinct( user_ip) AS uv, window.end AS interval
- FROM loghub_scan
- GROUP BY TUMBLING(__time__, interval 1 minute), window;
最终的统计结果如下图所示
可以看到，Redis中值保留了一个值，这个值每分钟都被更新，value包含pv、uv和interval的值。
4.总结
本文简要介绍了使用Streaming SQL结合Redis实现流式处理中统计PV/UV的需求。后续文章，我将介绍Spark Streaming SQL的更多内容。
