技术标签: 大数据
/**
*思想逻辑:(必须整明白!!!)
* 我们是要考虑第二天的数据进来了
* 在拿去跟第一天的数据一起进行计算
* 我们需要改的地方就是在构造图的地方添加昨天的点集合和边集合
*
* 1.将昨天的字典解析成点集合,边集合,
* 2.将今天的点集合,边集合union到昨天的点边集合
* 3.用union之后的点边集合构造最大连同子图
* 4.调整结果
* 今天有一套结果,昨天也有一套结果,
* 虽然两套结果都对,但是总有可能今天的结果新生成的guid和昨天的有一点点小误差,
* 为了方便日后留存查询,我们将今天有小误差的guid改成昨天的
* 只有这样才能保证今天生成的guid和昨天生的guid以及以后所有的guid才能使同一个人
* 这样我们以后查询当月的人流量才能确定是同一个人,避免泡沫数据和虚假数据!!!!
* 步骤实现:
* 4.1:我们将今天guid的行组合在一起,将昨天的字典搞成一个hashmap进行广播
* 4.1:拿今天字典的点集合和昨天的额点集合求交集取到谁今天的guid就换成昨天的guid
*
*/
object idmapping_nextday {
def main(args: Array[String]): Unit = {
//1.1.创建spark环境
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName)
.master("local[*]")
.getOrCreate()
//将rdd变成df
import spark.implicits._
//2.导入数据
val applog: Dataset[String] = spark.read.textFile("F:\\yiee_logs\\2020-01-11\\app\\doit.mall.access.log.8")
//3.处理数据
//构造一个点集合
val data: RDD[Array[String]] = applog.rdd.map(line => {
//将每行数据解析成json对象
val jsonObj = JSON.parseObject(line)
// 从json对象中取user对象
val userObj = jsonObj.getJSONObject("user")
val uid = userObj.getString("uid")
// 从user对象中取phone对象
val phoneObj = userObj.getJSONObject("phone")
val imei = phoneObj.getString("imei")
val mac = phoneObj.getString("mac")
val imsi = phoneObj.getString("imsi")
val androidId = phoneObj.getString("androidId")
val deviceId = phoneObj.getString("deviceId")
val uuid = phoneObj.getString("uuid")
Array(uid, imei, mac, imsi, androidId, deviceId, uuid).filter(StringUtils.isNotBlank(_))
})
//构造一个点集合
// 将每一个元素和他的hashcode组合成对偶元组
val vertices: RDD[(Long, String)] = data.flatMap(arr => {
for (biaoshi <- arr) yield (biaoshi.hashCode.toLong, biaoshi)
})
//构造图计算的边集合
// Edge参数一:第一个点.参数二:下一个点.参数三:边的数据或者边的属性,这里我们用空串表示
//将两个点连接起来
val edges: RDD[Edge[String]] = data.flatMap(arr => {
//用双重for循环的方法让数组中所有的两两组合成边
for (i <- 0 to arr.length - 2; j <- i + 1 to arr.length - 1) yield Edge(arr(i).hashCode.toLong, arr(j).hashCode.toLong, "")
})
//然后在统计每一条边出现的次数
.map(edge => (edge, 1)).reduceByKey(_ + _)
//过滤将重复次数<5(经验阈值)的边去掉,
.filter(tp => tp._2 > 2)
.map(x => x._1)
edges
// 五、将上一日的idmp映射字典,解析成点、边集合
val schema = new StructType()
.add("biaoshi_hashcode",DataTypes.LongType)
.add("guid",DataTypes.LongType)
//新0将昨天的节过读出来
val preDayIdmp: DataFrame = spark.read.parquet("data/dict/idmapping_dict/2020-02-15")
//新1.读取昨天的字典解析成点集合
val preDayIdmpVertices = preDayIdmp.rdd.map({
case Row(idFlag: VertexId, guid: VertexId) =>
(idFlag, "")
})
//新2.读取昨天的字典解析成边集合
val preDayEdges = preDayIdmp.rdd.map(row => {
val idFlag = row.getAs[VertexId]("biaoshi_hashcode")
val guid = row.getAs[VertexId]("guid")
Edge(idFlag, guid, "")
})
//新3.用 点集合 和 边集合 构造一张图 使用Graph算法和昨天的结果union在一起
val graph = Graph(vertices.union(preDayIdmpVertices),edges.union(preDayEdges))
//并调用最大连同子图算法VertexRDD[VertexId] ==>rdd 里面装的元组(Long值,组中最小值)
val res_tuples: VertexRDD[VertexId] = graph.connectedComponents().vertices
//最终我们要输出的文件是parquet的文件
// 最后的调整结果、将结果跟上日的映射字典做对比,调整guid
// 1.将上日的idmp映射结果字典收集到driver端,并广播
val idMap = preDayIdmp.rdd.map(row => {
val idFlag = row.getAs[VertexId]("biaoshi_hashcode")
val guid = row.getAs[VertexId]("guid")
(idFlag, guid)
}).collectAsMap()
val bc = spark.sparkContext.broadcast(idMap)
// 2.将今日的图计算结果按照guid分组,然后去跟上日的映射字典进行对比
val todayIdmpResult: RDD[(VertexId, VertexId)] = res_tuples.map(tp => (tp._2, tp._1))
.groupByKey()
.mapPartitions(iter=>{
// 从广播变量中取出上日的idmp映射字典
val idmpMap = bc.value
iter.map(tp => {
// 当日的guid计算结果
var todayGuid = tp._1
// 这一组中的所有id标识
val ids = tp._2
// 遍历这一组id,挨个去上日的idmp映射字典中查找
var find = false
for (elem <- ids if !find) {
val maybeGuid: Option[Long] = idmpMap.get(elem)
// 如果这个id在昨天的映射字典中找到了,那么就用昨天的guid替换掉今天这一组的guid
if (maybeGuid.isDefined) {
todayGuid = maybeGuid.get
find = true
}
}
(todayGuid,ids)
})
})
.flatMap(tp=>{
val ids = tp._2
val guid = tp._1
for (elem <- ids) yield (elem,guid)
})
// 可以直接用图计算所产生的结果中的组最小值,作为这一组的guid(当然,也可以自己另外生成一个UUID来作为GUID)
import spark.implicits._
// 保存结果
todayIdmpResult.coalesce(1).toDF("biaoshi_hashcode", "guid").write.parquet("data/dict/idmapping_dict/2020-02-16")
spark.stop()
}
}
文章浏览阅读3.8k次,点赞9次,收藏28次。直接上一个工作中碰到的问题,另外一个系统开启多线程调用我这边的接口,然后我这边会开启多线程批量查询第三方接口并且返回给调用方。使用的是两三年前别人遗留下来的方法,放到线上后发现确实是可以正常取到结果,但是一旦调用,CPU占用就直接100%(部署环境是win server服务器)。因此查看了下相关的老代码并使用JProfiler查看发现是在某个while循环的时候有问题。具体项目代码就不贴了,类似于下面这段代码。while(flag) {//your code;}这里的flag._main函数使用while(1)循环cpu占用99
文章浏览阅读347次。idea shift f6 快捷键无效_idea shift +f6快捷键不生效
文章浏览阅读135次。Ecmacript 中没有DOM 和 BOM核心模块Node为JavaScript提供了很多服务器级别,这些API绝大多数都被包装到了一个具名和核心模块中了,例如文件操作的 fs 核心模块 ,http服务构建的http 模块 path 路径操作模块 os 操作系统信息模块// 用来获取机器信息的var os = require('os')// 用来操作路径的var path = require('path')// 获取当前机器的 CPU 信息console.log(os.cpus._node模块中有很多核心模块,以下不属于核心模块,使用时需下载的是
文章浏览阅读10w+次,点赞435次,收藏3.4k次。SPSS 22 下载安装过程7.6 方差分析与回归分析的SPSS实现7.6.1 SPSS软件概述1 SPSS版本与安装2 SPSS界面3 SPSS特点4 SPSS数据7.6.2 SPSS与方差分析1 单因素方差分析2 双因素方差分析7.6.3 SPSS与回归分析SPSS回归分析过程牙膏价格问题的回归分析_化工数学模型数据回归软件
文章浏览阅读7.5k次。如何利用hutool工具包实现邮件发送功能呢?1、首先引入hutool依赖<dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.7.19</version></dependency>2、编写邮件发送工具类package com.pc.c..._hutool发送邮件
文章浏览阅读867次,点赞2次,收藏2次。docker安装elasticsearch,elasticsearch-head,kibana,ik分词器安装方式基本有两种,一种是pull的方式,一种是Dockerfile的方式,由于pull的方式pull下来后还需配置许多东西且不便于复用,个人比较喜欢使用Dockerfile的方式所有docker支持的镜像基本都在https://hub.docker.com/docker的官网上能找到合..._docker安装kibana连接elasticsearch并且elasticsearch有密码
文章浏览阅读1.3w次,点赞57次,收藏92次。整理 | 郑丽媛出品 | CSDN(ID:CSDNnews)近年来,随着机器学习的兴起,有一门编程语言逐渐变得火热——Python。得益于其针对机器学习提供了大量开源框架和第三方模块,内置..._beeware
文章浏览阅读7.9k次。//// ViewController.swift// Day_10_Timer//// Created by dongqiangfei on 2018/10/15.// Copyright 2018年 飞飞. All rights reserved.//import UIKitclass ViewController: UIViewController { ..._swift timer 暂停
文章浏览阅读986次,点赞2次,收藏2次。1.硬性等待让当前线程暂停执行,应用场景:代码执行速度太快了,但是UI元素没有立马加载出来,造成两者不同步,这时候就可以让代码等待一下,再去执行找元素的动作线程休眠,强制等待 Thread.sleep(long mills)package com.example.demo;import org.junit.jupiter.api.Test;import org.openqa.selenium.By;import org.openqa.selenium.firefox.Firefox.._元素三大等待
文章浏览阅读3k次,点赞4次,收藏14次。Java软件工程师职位分析_java岗位分析
文章浏览阅读2k次。Java:Unreachable code的解决方法_java unreachable code
文章浏览阅读1w次。1、html中设置标签data-*的值 标题 11111 222222、点击获取当前标签的data-url的值$('dd').on('click', function() { var urlVal = $(this).data('ur_如何根据data-*属性获取对应的标签对象