【Spark实战】慕课网日志分析（一）：数据初步清洗

笔记目录：
【Spark实战】慕课网日志分析（一）：数据初步清洗
 【Spark实战】慕课网日志分析（二）：数据二次清洗之日志解析
 【Spark实战】慕课网日志分析（三）：清理后数据的存储、统计和入库
 【Spark实战】慕课网日志分析（四）：将数据清洗的作业提交到YARN上运行
 【Spark实战】慕课网日志分析（五）：将数据统计和入库的作业提交到YARN上运行

本节目标

输入：原始数据10000_access.log，点击下载
【Spark实战】慕课网日志分析（一）：数据初步清洗

输出：初步清洗后的数据（访问时间、访问url、耗费的流量、访问ip）
【Spark实战】慕课网日志分析（一）：数据初步清洗

第一步：查看原始数据

object SparkStatFormatJob {
  def main(args: Array[String]) {
    val spark = SparkSession.builder().appName("SparkStatFormatJob")
      .master("local[2]").getOrCreate()

    val acccess = spark.sparkContext.textFile("D://10000_access.log")

    acccess.take(10).foreach(println)
    spark.stop()
  }
}

运行结果：
【Spark实战】慕课网日志分析（一）：数据初步清洗

第二步：获取ip地址：

object SparkStatFormatJob {

  def main(args: Array[String]) {

    val spark = SparkSession.builder().appName("SparkStatFormatJob")
      .master("local[2]").getOrCreate()

    val acccess = spark.sparkContext.textFile("D://10000_access.log")

    acccess.take(10).foreach(println)
    
    acccess.map(line => {
      val splits = line.split(" ")
      splits(0)
    }).take(10).foreach(println)
    spark.stop()
  }
}

运行结果：
【Spark实战】慕课网日志分析（一）：数据初步清洗

第三步：获取时间日期，并转换格式

...
    acccess.map(line => {
      val splits = line.split(" ")
      val ip = splits(0)
      val time = splits(3) + " " + splits(4)

      (ip, DateUtils.parse(time))
    }).take(10).foreach(println)
...

第四步：获取url和流量

...
    acccess.map(line => {
      val splits = line.split(" ")
      val ip = splits(0)
      val time = splits(3) + " " + splits(4)
      val url = splits(11).replaceAll("\"","")
      val traffic = splits(9)

      DateUtils.parse(time) + "\t" + url + "\t" + traffic + "\t" + ip
    }).take(10).foreach(println)
...

第五步：输出保存到本地文件

   acccess.map(line => {
      val splits = line.split(" ")
      val ip = splits(0)
      val time = splits(3) + " " + splits(4)
      val url = splits(11).replaceAll("\"","")
      val traffic = splits(9)

      DateUtils.parse(time) + "\t" + url + "\t" + traffic + "\t" + ip
    }).saveAsTextFile(".//output")

之前，为了在Windows系统上使用IDEA基于maven运行Spark程序，下载了Hadoop的winutils，也设置了环境变量，解决了NullPointerException的报错，具体排错方法记录在了这篇文章。

刚刚上面第四步的直接打印输出是正常的，但调用saveAsTextFile()保存到本地文件会报错：java.lang.ArrayIndexOutOfBoundsException。

然后，参考了这篇文章在dependency里面增加了一项的方法，然而并没有用。

于是换成Mac环境中使用IDEA，发现问题直接粗暴地解决了。

文件输出结果：
【Spark实战】慕课网日志分析（一）：数据初步清洗
不过，输出不出来也没关系，之后直接使用另外一个清洗出来的文件：access.log，里面的数据是2017年5月份的日志：