《大數(shù)據(jù)導論》課件-第7章 日志分析實戰(zhàn)

大數(shù)據(jù)導論1.日志生成目錄01概述02日志生成必要性03日志分析日志在計算機系統(tǒng)中是一個非常廣泛的概念，任何程序都有可能輸出日志：操作系統(tǒng)內(nèi)核、各種應用服務(wù)器等等。日志的內(nèi)容、規(guī)模和用途也各不相同，很難一概而論。本文討論的日志處理方法中的日志，僅指Web日志。其實并沒有精確的定義，可能包括但不限于各種前端Web服務(wù)器——apache、lighttpd、tomcat等產(chǎn)生的用戶訪問日志，以及各種Web應用程序自己輸出的日志。在Web日志中，每條日志通常代表著用戶的一次訪問行為。從日志中，我們可以得到很多有用的信息，例如訪問者的IP、訪問的時間、訪問的目標網(wǎng)頁、來源的地址以及訪問者所使用的客戶端的UserAgent信息等。如果需要更多的信息，則要用其它手段去獲?。豪缦氲玫接脩羝聊坏姆直媛剩话阈枰褂胘s代碼單獨發(fā)送請求；而如果想得到諸如用戶訪問的具體新聞標題等信息，則可能需要Web應用程序在自己的代碼里輸出。日志生成必要性毫無疑問，Web日志中包含了大量人們——主要是產(chǎn)品分析人員會感興趣的信息，最簡單的，我們可以從中獲取網(wǎng)站每類頁面的PV值（PageView，頁面訪問量）、獨立IP數(shù)（即去重之后的IP數(shù)量）等；稍微復雜一些的，可以計算得出用戶所檢索的關(guān)鍵詞排行榜、用戶停留時間最高的頁面等；更復雜的，構(gòu)建廣告點擊模型、分析用戶行為特征等等。既然這些數(shù)據(jù)是如此的有用，那么當然已經(jīng)有無數(shù)現(xiàn)成的工具可以幫助我們來分析它們，例如awstats、Webalizer，都是專門用于統(tǒng)計分析Web服務(wù)器日志的免費程序。另外還有一類產(chǎn)品，它們不分析直接日志，而是通過讓用戶在頁面中嵌入js代碼的方式來直接進行數(shù)據(jù)統(tǒng)計，或者說我們可以認為它是直接讓日志輸出到了它們的服務(wù)器。典型的代表產(chǎn)品——大名鼎鼎的GoogleAnalytics，另外還有國內(nèi)的cnzz、百度統(tǒng)計等。很多人可能會說，既然如此，我們?yōu)槭裁催€需要自己來分析日志，有必要嗎？當然有。我們的用戶（產(chǎn)品分析人員）需求是無窮盡的，上面說的這幾類工具雖然很好很強大，但顯然沒辦法滿足全部的需求。日志要求怎么進行日志分析：這并不是一個簡單的問題。即使我們把“日志”限定為Web日志，依然包含了成千上萬種可能的格式和數(shù)據(jù)，而是“分析”更是難以定義，也許是簡單的統(tǒng)計值的計算，也許是復雜的數(shù)據(jù)挖掘算法。下面并不打算討論這些復雜的問題，而只是籠統(tǒng)的討論如何構(gòu)建進行日志分析工作的基礎(chǔ)。有了這些基礎(chǔ)會讓基于日志的簡單統(tǒng)計分析變得很簡單，并讓復雜的分析挖掘等變得可行。少量數(shù)據(jù)的情況：先考慮最簡單的情況，在數(shù)據(jù)規(guī)模比較小的時候，也許是幾十MB、幾百MB或者幾十GB，總之就是在單機處理尚能忍受的時候。一切都很好辦，現(xiàn)成的各種Unix/Linux工具——awk、grep、sort、join等都是日志分析的利器，如果僅僅是想知道某個頁面的PV，一個wc+grep就能搞定。如果有稍復雜的邏輯，那就使用各種腳本語言，尤其是perl，配合偉大的正則表達式，基本就可以解決所有的問題。日志分析大數(shù)據(jù)導論2.日志格式介紹目錄01日志簡介03日志舉例02日志要求04json格式日志日志（Log）

日志（Log）是系統(tǒng)在運行過程中變化的一種抽象，其內(nèi)容為指定對象的某些操作和其操作結(jié)果按時間的有序集合。文件日志（LogFile）、事件（Event）、數(shù)據(jù)庫日志（BinLog）、度量（Metric）數(shù)據(jù)都是日志的不同載體。在文件日志中，每個日志文件由一條或多條日志組成，每條日志描述了一次單獨的系統(tǒng)事件，是日志服務(wù)中處理的最小數(shù)據(jù)單元。日志簡介日志服務(wù)采用半結(jié)構(gòu)數(shù)據(jù)模式定義一條日志。該模式中包含主題（Topic）、時間（Time）、內(nèi)容（Content）、來源（Source）和標簽（Tags）五個數(shù)據(jù)域。日志要求日志服務(wù)對日志各字段的格式有不同要求，具體如下表所示：數(shù)據(jù)域含義格式主題（Topic）用戶自定義字段，用以標記一批日志。例如訪問日志可根據(jù)不同站點進行標記。包括空字符串在內(nèi)的任意字符串，長度不超過128字節(jié)。默認情況下，該字段為空字符串。時間（Time）日志中的保留字段，用以表示日志產(chǎn)生的時間，一般由日志中的時間信息直接提取生成。整型，Unix標準時間格式。單位為秒，表示從1970-1-100:00:00UTC計算起的秒數(shù)。內(nèi)容（Content）用以記錄日志的具體內(nèi)容。內(nèi)容部分由一個或多個內(nèi)容項組成，每一個內(nèi)容項為一個Key-Value對。Key為UTF-8編碼字符串，包含字母、下劃線和數(shù)字，且不以數(shù)字開頭。長度不超過128字節(jié)。不可以使用如下關(guān)鍵字：__time____source____topic____partition_time___extract_others___extract_others__Value為任意字符串，長度不超過1024*1024字節(jié)。來源（Source）日志的來源地，例如產(chǎn)生該日志機器的IP地址。任意字符串，長度不超過128字節(jié)。默認情況下該字段為空。標簽（Tags）日志的標簽，包括：用戶自定義標簽：您通過APIPutLogs寫入數(shù)據(jù)時添加的標簽。字典格式，Key和Value均為字符串類型。在控制臺查詢?nèi)罩緯r，以__tag__:為前綴展示。日志要求實際使用場景中，日志的格式多樣。為了幫助理解，以下以一條nginx原始訪問日志如何映射到日志服務(wù)日志數(shù)據(jù)模型為例說明。假設(shè)用戶nginx服務(wù)器的IP地址為17，以下為該服務(wù)器的一條原始日志：92--[01/Mar/2012:18:12:07+0800]"GET/Send?AccessKeyId=8225105404HTTP/1.1"2005"-""Mozilla/5.0(X11;Linuxi686onx86_64;rv:10.0.2)Gecko/20100101Firefox/10.0.2"日志舉例把該條原始日志映射到日志服務(wù)日志數(shù)據(jù)模型，如下：數(shù)據(jù)域內(nèi)容說明Topic“”沿用默認值，即空字符串。Time1331588527日志產(chǎn)生的精確時間，表示從1970-1-100:00:00UTC計算起的秒數(shù)。從原始日志中的時間轉(zhuǎn)換為時間戳。ContentKey-Value對日志具體內(nèi)容。Source“12.249.221.107”使用服務(wù)器IP地址作為日志源。Tags無由用戶添加或者服務(wù)端添加。日志舉例用戶可以自己決定如何提取日志原始內(nèi)容并組合成Key-Value對，例如下表：keyvalueip93methodGETstatus200length5ref_url-browserMozilla/5.0(X11;Linuxi686onx86_64;rv:10.0.2)Gecko/20100101Firefox/10.0.2日志舉例JSON(JavaScriptObjectNotation,JS對象簡譜)是一種輕量級的數(shù)據(jù)交換格式。它基于ECMAScript(歐洲計算機協(xié)會制定的js規(guī)范)的一個子集，采用完全獨立于編程語言的文本格式來存儲和表示數(shù)據(jù)。簡潔和清晰的層次結(jié)構(gòu)使得JSON成為理想的數(shù)據(jù)交換語言。易于人閱讀和編寫，同時也易于機器解析和生成，并有效地提升網(wǎng)絡(luò)傳輸效率。一段json格式的日志:{"name":"李四","sex":"女","年齡":20,"生日":"2016-01-0223:12:13"}json格式日志大數(shù)據(jù)導論3.回流用戶分析教學設(shè)計

教育培訓

信息化

微課目錄01回流用戶定義02回流用戶分析回流用戶定義01回流用戶：相當于回頭客，以前用過某物，過一段時間再次使用某物，這樣的用戶