Spark综合使用及用户行为案例区域内热门商品统计分析实战-Spark商业应用实战...-白红宇

1 UDAF 电商业务的实现城市信息累加

MutableAggregationBuffer是一个数组，这里我们取 buffer.getString(0)。

把传进来的字符串进行追加到buffer.getString(0)中。

class GroupConcatDistinctUDAF extends UserDefinedAggregateFunction {     输入数据类型   override def inputSchema: StructType = StructType(StructField("cityInfo", StringType) :: Nil)     缓冲数据类型   override def bufferSchema: StructType = StructType(StructField("bufferCityInfo", StringType) :: Nil)     输出数据类型   override def dataType: DataType = StringType     一致性校验   override def deterministic: Boolean = true     override def initialize(buffer: MutableAggregationBuffer): Unit = {      buffer(0)= ""   }      /**      * 更新      * 可以认为是，一个一个地将组内的字段值传递进来      * 实现拼接的逻辑      */    override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {      // 缓冲中的已经拼接过的城市信息串      var bufferCityInfo = buffer.getString(0)      // 刚刚传递进来的某个城市信息      val cityInfo = input.getString(0)        // 在这里要实现去重的逻辑      // 判断：之前没有拼接过某个城市信息，那么这里才可以接下去拼接新的城市信息      if(!bufferCityInfo.contains(cityInfo)) {        if("".equals(bufferCityInfo))          bufferCityInfo += cityInfo        else {          // 比如1:北京          // 1:北京,2:上海          bufferCityInfo += "," + cityInfo        }          buffer.update(0, bufferCityInfo)      }    }      override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {          var bufferCityInfo1 = buffer1.getString(0);      val bufferCityInfo2 = buffer2.getString(0);        for(cityInfo <- bufferCityInfo2.split(",")) {        if(!bufferCityInfo1.contains(cityInfo)) {          if("".equals(bufferCityInfo1)) {            bufferCityInfo1 += cityInfo;          } else {            bufferCityInfo1 += "," + cityInfo;          }        }      }        buffer1.update(0, bufferCityInfo1);    }      override def evaluate(buffer: Row): Any = {      buffer.getString(0)    }    }复制代码

2 UDAF 无类型的用户自定于聚合函数求平均值

分析数据

第一列为user_id，第二列为item_id，第三列为score  0162381440670851711,4,7.0  0162381440670851711,11,4.0  0162381440670851711,32,1.0  0162381440670851711,176,27.0  0162381440670851711,183,11.0  0162381440670851711,184,5.0  0162381440670851711,207,9.0  0162381440670851711,256,3.0  0162381440670851711,258,4.0  0162381440670851711,259,16.0  0162381440670851711,260,8.0  0162381440670851711,261,18.0  0162381440670851711,301,1.0复制代码

1、inputSchema

定义输入数据的Schema，要求类型是StructType，它的参数是由StructField类型构成的数组。比如这里要定义score列的Schema，首先使用StructField声明score列的名字score_column，数据类型为DoubleType。这里输入只有score这一列，所以StructField构成的数组只有一个元素。
```
override def inputSchema: StructType = StructType(StructField("score_column",DoubleType)::Nil)复制代码
```

2、bufferSchema

计算score的平均值时，需要用到score的总和sum以及score的总个数count这样的中间数据，那么就使用bufferSchema来定义它们。
```
override def bufferSchema: StructType = StructType(StructField("sum",DoubleType)::StructField("count",LongType)::Nil)复制代码
```

3、dataType

我们需要对自定义聚合函数的最终数据类型进行说明，使用dataType函数。比如计算出的平均score是Double类型。
```
override def dataType: DataType = DoubleType复制代码
```

4、deterministic

deterministic函数用于对输入数据进行一致性检验，是一个布尔值，当为true时，表示对于同样的输入会得到同样的输出。因为对于同样的score输入，肯定要得到相同的score平均值，所以定义为true。
```
override def deterministic: Boolean = true复制代码
```

5、initialize

initialize用户初始化缓存数据。比如score的缓存数据有两个：sum和count，需要初始化为sum=0.0和count=0L，第一个初始化为Double类型，第二个初始化为长整型。

override def initialize(buffer: MutableAggregationBuffer): Unit = {          //sum=0.0          buffer(0)=0.0          //count=0          buffer(1)=0L        }复制代码

6、update

当有新的输入数据时，update用户更新缓存变量。比如这里当有新的score输入时，需要将它的值更新变量sum中，并将count加1

override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {          //输入非空          if(!input.isNullAt(0)){            //sum=sum+输入的score            buffer(0)=buffer.getDouble(0)+input.getDouble(0)            //count=count+1            buffer(1)=buffer.getLong(1)+1          }        }复制代码

7、merge

merge将更新的缓存变量存入到缓存中

override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {        buffer1(0)=buffer1.getDouble(0)+buffer2.getDouble(0)        buffer1(1)=buffer1.getLong(1)+buffer2.getLong(1)      }复制代码

8、evaluate

evaluate是一个计算方法，用于计算我们的最终结果。比如这里用于计算平均得分average(score)=sum(score)/count(score)
```
override def evaluate(buffer: Row): Double = buffer.getDouble(0)/buffer.getLong(1)复制代码
```

3 类型安全的用户自定义聚合函数（Type-Safe User-Defined Aggregate Functions）

Data用于存储itemdata.data数据，Average用于存储计算score平均值的中间数据，需要注意的是Average的参数sum和count都要声明为变量var。
```
case class Data(user_id: String, item_id: String, score: Double)  case class Average(var sum: Double,var count: Long)复制代码
```

具体源码

聚合函数 ("average_score")

使用聚合函数 dataDS.select(averageScore).show()

import org.apache.spark.sql.{Encoder, Encoders, SparkSession}  import org.apache.spark.sql.expressions.Aggregator        /**    * 类型安全自定义聚合函数    */  object TypeSafeMyAverageTest {      case class Data(user_id: String, item_id: String, score: Double)    case class Average(var sum: Double,var count: Long)       object SafeMyAverage extends Aggregator[Data, Average, Double] {            zero相当于1中的initialize初始化函数，初始化存储中间数据的Average        override def zero: Average = Average(0.0D, 0L)               reduce函数相当于1中的update函数，当有新的数据a时，更新中间数据b        override def reduce(b: Average, a: Data): Average = {            b.sum += a.score            b.count += 1L            b          }                 override def merge(b1: Average, b2: Average): Average = {            b1.sum+=b2.sum            b1.count+= b2.count            b1          }                 override def finish(reduction: Average): Double = reduction.sum / reduction.count                 缓冲数据编码方式          override def bufferEncoder: Encoder[Average] = Encoders.product                 最终数据输出编码方式          override def outputEncoder: Encoder[Double] = Encoders.scalaDouble        }               def main(args: Array[String]): Unit = {          //创建Spark SQL切入点          val spark = SparkSession.builder().master("local").appName("My-Average").getOrCreate()          //读取HDFS文件系统数据itemdata.data生成RDD          val rdd = spark.sparkContext.textFile("hdfs://192.168.189.21:8020/input/mahout-demo/itemdata.data")          //RDD转化成DataSet          import spark.implicits._          val dataDS =rdd.map(_.split(",")).map(d => Data(d(0), d(1), d(2).toDouble)).toDS()          //自定义聚合函数          val averageScore = SafeMyAverage.toColumn.name("average_score")          dataDS.select(averageScore).show()        }  }复制代码

4 区域内热门商品项目实战

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。QQ邮箱地址：1120746959@qq.com，如有任何技术交流，可随时联系。

4.1 区域模型

区域内热门商品分析流程

4.2 创建Spark客户端

// 任务的执行ID，用户唯一标示运行后的结果，用在MySQL数据库中val taskUUID = UUID.randomUUID().toString// 构建Spark上下文val sparkConf = new SparkConf().setAppName("SessionAnalyzer").setMaster("local[*]")// 创建Spark客户端val spark = SparkSession.builder().config(sparkConf).enableHiveSupport().getOrCreate()val sc = spark.sparkContext复制代码

4.3 注册UDF函数

// 注册自定义函数    spark.udf.register("concat_long_string", (v1: Long, v2: String, split: String) => v1.toString + split + v2)        spark.udf.register("get_json_object", (json: String, field: String) => {      val jsonObject = JSONObject.fromObject(json);      jsonObject.getString(field)    })    spark.udf.register("group_concat_distinct", new GroupConcatDistinctUDAF())    // 获取任务日期参数    val startDate = ParamUtils.getParam(taskParam, Constants.PARAM_START_DATE)    val endDate = ParamUtils.getParam(taskParam, Constants.PARAM_END_DATE)复制代码

4.4 查询用户指定日期范围内的城市粒度点击行为数据

val cityid2clickActionRDD = getcityid2ClickActionRDDByDate(spark, startDate, endDate)def getcityid2ClickActionRDDByDate(spark: SparkSession, startDate: String, endDate: String): RDD[(Long, Row)] = {    // 从user_visit_action中，查询用户访问行为数据    // 第一个限定：click_product_id，限定为不为空的访问行为，那么就代表着点击行为    // 第二个限定：在用户指定的日期范围内的数据    val sql =      "SELECT " +          "city_id," +          "click_product_id " +        "FROM user_visit_action " +        "WHERE click_product_id IS NOT NULL and click_product_id != -1L " +          "AND date>='" + startDate + "' " +          "AND date<='" + endDate + "'"    val clickActionDF = spark.sql(sql)    //(cityid, row)    clickActionDF.rdd.map(item => (item.getAs[Long]("city_id"), item))  }复制代码

4.5 查询城市信息

def getcityid2CityInfoRDD(spark: SparkSession): RDD[(Long, Row)] = {    val cityInfo = Array((0L, "北京", "华北"), (1L, "上海", "华东"), (2L, "南京", "华东"), (3L, "广州", "华南"), (4L, "三亚", "华南"), (5L, "武汉", "华中"), (6L, "长沙", "华中"), (7L, "西安", "西北"), (8L, "成都", "西南"), (9L, "哈尔滨", "东北"))    import spark.implicits._    val cityInfoDF = spark.sparkContext.makeRDD(cityInfo).toDF("city_id", "city_name", "area")    cityInfoDF.rdd.map(item => (item.getAs[Long]("city_id"), item))  }// 使用(city_id , 城市信息)val cityid2cityInfoRDD = getcityid2CityInfoRDD(spark)复制代码

4.6 生成点击商品基础信息临时表

// 将点击行为cityid2clickActionRDD和城市信息cityid2cityInfoRDD进行Join关联// tmp_click_product_basicgenerateTempClickProductBasicTable(spark, cityid2clickActionRDD, cityid2cityInfoRDD)def generateTempClickProductBasicTable(spark: SparkSession, cityid2clickActionRDD: RDD[(Long, Row)], cityid2cityInfoRDD: RDD[(Long, Row)]) {    // 执行join操作，进行点击行为数据和城市数据的关联    val joinedRDD = cityid2clickActionRDD.join(cityid2cityInfoRDD)    // 将上面的JavaPairRDD，转换成一个JavaRDD
    
     （才能将RDD转换为DataFrame）    val mappedRDD = joinedRDD.map { case (cityid, (action, cityinfo)) =>      val productid = action.getLong(1)      //action.getAs[String]("aera")      val cityName = cityinfo.getString(1)      val area = cityinfo.getString(2)      (cityid, cityName, area, productid)    }    // 1 北京    // 2 上海    // 1 北京    // group by area,product_id    // 1:北京,2:上海    // 两个函数    // UDF：concat2()，将两个字段拼接起来，用指定的分隔符    // UDAF：group_concat_distinct()，将一个分组中的多个字段值，用逗号拼接起来，同时进行去重    import spark.implicits._    val df = mappedRDD.toDF("city_id", "city_name", "area", "product_id")    // 为df创建临时表    df.createOrReplaceTempView("tmp_click_product_basic")复制代码

4.7 生成各区域各商品点击次数的临时表

generateTempAreaPrdocutClickCountTable(spark)        def generateTempAreaPrdocutClickCountTable(spark: SparkSession) {        // 按照area和product_id两个字段进行分组        // 计算出各区域各商品的点击次数        // 可以获取到每个area下的每个product_id的城市信息拼接起来的串        val sql = "SELECT " +            "area," +            "product_id," +            "count(*) click_count, " +            "group_concat_distinct(concat_long_string(city_id,city_name,':')) city_infos " +          "FROM tmp_click_product_basic " +          "GROUP BY area,product_id "            val df = spark.sql(sql)            // 各区域各商品的点击次数（以及额外的城市列表）,再次将查询出来的数据注册为一个临时表        df.createOrReplaceTempView("tmp_area_product_click_count")  }复制代码

4.8 生成包含完整商品信息的各区域各商品点击次数的临时表

generateTempAreaFullProductClickCountTable(spark)关联tmp_area_product_click_count表与product_info表，在tmp_area_product_click_count基础上引入商品的详细信息def generateTempAreaFullProductClickCountTable(spark: SparkSession) {// 将之前得到的各区域各商品点击次数表，product_id// 去关联商品信息表，product_id，product_name和product_status// product_status要特殊处理，0，1，分别代表了自营和第三方的商品，放在了一个json串里面// get_json_object()函数，可以从json串中获取指定的字段的值// if()函数，判断，如果product_status是0，那么就是自营商品；如果是1，那么就是第三方商品// area, product_id, click_count, city_infos, product_name, product_status// 你拿到到了某个区域top3热门的商品，那么其实这个商品是自营的，还是第三方的// 其实是很重要的一件事// 技术点：内置if函数的使用val sql = "SELECT " +    "tapcc.area," +    "tapcc.product_id," +    "tapcc.click_count," +    "tapcc.city_infos," +    "pi.product_name," +    "if(get_json_object(pi.extend_info,'product_status')='0','Self','Third Party') product_status " +  "FROM tmp_area_product_click_count tapcc " +    "JOIN product_info pi ON tapcc.product_id=pi.product_id "val df = spark.sql(sql)df.createOrReplaceTempView("tmp_area_fullprod_click_count")复制代码

}

4.9 使用开窗函数获取各个区域内点击次数排名前3的热门商品

val areaTop3ProductRDD = getAreaTop3ProductRDD(taskUUID, spark)    def getAreaTop3ProductRDD(taskid: String, spark: SparkSession): DataFrame = {    // 华北、华东、华南、华中、西北、西南、东北    // A级：华北、华东    // B级：华南、华中    // C级：西北、西南    // D级：东北    // case when    // 根据多个条件，不同的条件对应不同的值    // case when then ... when then ... else ... end    val sql = "SELECT " +        "area," +        "CASE " +          "WHEN area='China North' OR area='China East' THEN 'A Level' " +          "WHEN area='China South' OR area='China Middle' THEN 'B Level' " +          "WHEN area='West North' OR area='West South' THEN 'C Level' " +          "ELSE 'D Level' " +        "END area_level," +        "product_id," +        "city_infos," +        "click_count," +        "product_name," +        "product_status " +      "FROM (" +        "SELECT " +          "area," +          "product_id," +          "click_count," +          "city_infos," +          "product_name," +          "product_status," +          "row_number() OVER (PARTITION BY area ORDER BY click_count DESC) rank " +        "FROM tmp_area_fullprod_click_count " +        ") t " +      "WHERE rank<=3"    spark.sql(sql)  }复制代码

4.10 保存到数据库

import spark.implicits._val areaTop3ProductDF = areaTop3ProductRDD.rdd.map(row =>  AreaTop3Product(taskUUID, row.getAs[String]("area"), row.getAs[String]("area_level"), row.getAs[Long]("product_id"), row.getAs[String]("city_infos"), row.getAs[Long]("click_count"), row.getAs[String]("product_name"), row.getAs[String]("product_status"))).toDSareaTop3ProductDF.write  .format("jdbc")  .option("url", ConfigurationManager.config.getString(Constants.JDBC_URL))  .option("dbtable", "area_top3_product")  .option("user", ConfigurationManager.config.getString(Constants.JDBC_USER))  .option("password", ConfigurationManager.config.getString(Constants.JDBC_PASSWORD))  .mode(SaveMode.Append)  .save()复制代码

5 总结

温故而知新，本文为了综合复习，进行代码总结，内容粗鄙，勿怪

秦凯新于深圳