安裝
首先需要安裝好Java和Scala，然后下載Spark安裝，確保PATH 和JAVA_HOME 已經設置，然后需要使用Scala的SBT 構建Spark如下：
構建時間比較長。構建完成后，通過運行下面命令確證安裝成功：
scala> val textFile = sc.textFile("README.md") // 創建一個指向 README.md 引用
scala> textFile.count // 對這個文件內容行數進行計數
scala> textFile.first // 打印出第一行
Apache訪問日志分析器
首先我們需要使用Scala編寫一個對Apache訪問日志的分析器，所幸已經有人編寫完成，下載Apache logfile parser code。使用SBT進行編譯打包：
sbt compile
sbt test
sbt package
打包名稱假設為AlsApacheLogParser.jar。
然后在Linux命令行啟動Spark：
// this works
$ MASTER=local[4] SPARK_CLASSPATH=AlsApacheLogParser.jar ./bin/spark-shell
對于Spark 0.9，有些方式并不起效：
// does not work
$ MASTER=local[4] ADD_JARS=AlsApacheLogParser.jar ./bin/spark-shell
// does not work
spark> :cp AlsApacheLogParser.jar
上傳成功后，在Spark REPL創建AccessLogParser 實例：
import com.alvinalexander.accesslogparser._
val p = new AccessLogParser
現在就可以像之前讀取readme.cmd一樣讀取apache訪問日志accesslog.small：
scala> val log = sc.textFile("accesslog.small")
14/03/09 11:25:23 INFO MemoryStore: ensureFreeSpace(32856) called with curMem=0, maxMem=309225062
14/03/09 11:25:23 INFO MemoryStore: Block broadcast_0 stored as values to memory (estimated size 32.1 KB, free 294.9 MB)
log: org.apache.spark.rdd.RDD[String] = MappedRDD[1] at textFile at <console>:15
scala> log.count
(a lot of output here)
res0: Long = 100000
分析Apache日志
我們可以分析Apache日志中404有多少個，創建方法如下：
def getStatusCode(line: Option[AccessLogRecord]) = {
line match {
case Some(l) => l.httpStatusCode
case None => "0"
}
}
其中Option[AccessLogRecord]是分析器的返回值。
然后在Spark命令行使用如下：
log.filter(line => getStatusCode(p.parseRecord(line)) == "404").count
這個統計將返回httpStatusCode是404的行數。
深入挖掘
下面如果我們想知道哪些URL是有問題的，比如URL中有一個空格等導致404錯誤，顯然需要下面步驟：
- 過濾出所有 404 記錄
- 從每個404記錄得到request字段(分析器請求的URL字符串是否有空格等)
- 不要返回重復的記錄
創建下面方法：
// get the `request` field from an access log record
def getRequest(rawAccessLogString: String): Option[String] = {
val accessLogRecordOption = p.parseRecord(rawAccessLogString)
accessLogRecordOption match {
case Some(rec) => Some(rec.request)
case None => None
}
}
將這些代碼貼入Spark REPL，再運行如下代碼：
log.filter(line => getStatusCode(p.parseRecord(line)) == "404").map(getRequest(_)).count
val recs = log.filter(line => getStatusCode(p.parseRecord(line)) == "404").map(getRequest(_))
val distinctRecs = log.filter(line => getStatusCode(p.parseRecord(line)) == "404").map(getRequest(_)).distinct
distinctRecs.foreach(println)
總結
對于訪問日志簡單分析當然是要grep比較好，但是更復雜的查詢就需要Spark了。很難判斷 Spark在單個系統上的性能。這是因為Spark是針對分布式系統大文件。
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
