Spark API编程动手实战-06-对搜狗日志文件深入实战操作

本节中所用到的内容是来自搜狗实验室，网址为：http://www.sogou.com/labs/dl/q.html

我们使用的是迷你版本的tar.gz格式的文件，其大小为87K，下载后如下所示：

上传到服务器后，解压并查看：

查看Sogou文件内容：

该文件的格式如下所示：

访问时间 \t 用户ID \t 查询词 \t 该URL在返回结果中的排名 \ t用户点击的顺序号 \t 用户点击的URL

把解压后的文件上传到hdfs的data目录下：

查看web控制台：

大功告成，文件上传hdfs成功

接下来 我们使用Spark获得搜索结果排名第一同时点击结果排名也是第一的数据量，也就是第四列值为1同时第五列的值也为1的总共的记录的个数。

先读取SogouQ.mini文件：

count操作后：

count之后有2000条记录

首先过滤出有效的数据：

可以发现该文件中的数据都是有效数据。

下面使用spark获得搜索结果排名第一同时点击结果排名也是第一的数据量：

可以发现搜索结果排名第一同时点击结果排名也是第一的数据量为794条；

使用toDebugString查看一下其lineage：

HadoopRDD->MappedRDD->MappedRDD->FilteredRDD->FilteredRDD->FilteredRDD

下面看用户ID查询次数排行榜：

对sortedSogouQRdd进行collect操作：（不要乱collect 会出现OOM的）

结果：

把结果保存在hdfs上：

hdfs命令行查询：

part-0000：

part-00001：

web控制台查询：

我们通过hadoop命令把上述两个文件的内容合并起来：

查看一下合并后的本地文件：

使用head命令查看其具体内容：