用户查询日志(SogouQ)之查询词WordCount

输入数据来源, 用户查询日志(SogouQ), 感谢搜狗实验室! 这次选择的是精简版(一天数据, 63MB, 解压后145MB), 

PS1: 日志原格式是GB2312编码, 必定要记得转成UTF-8

PS2: 日志格式和格式说明:    // 搜狗实验室的官方说明

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, 

这个格式有坑, 深坑:

"该URL在返回结果中的排名\t用户点击的顺序号"这两个字段之间的分割符并不是制表符\t, 而是空格

val sogouQRdd = sc.textFile("hdfs://node1:9000/sogouQ/input")
sogouQRdd.cache    # 在下一次Action操做时, 将日志文件缓存到内存中

实现普通的 WordCount, 但结果不会像 MapReduce 那样按 Key(word) 排序

sogouQRdd.filter(_.split('\t').length == 5): 有两个搜索关键字的字符串(为何只是两个,别问我是怎么知道的), 竟然有制表符\t, 必定要记得过滤掉

val wcWithoutSortRdd = sogouQRdd.filter(_.split('\t').length == 5).map(_.split('\t')(2))
.map((_, 1)).reduceByKey(_ + _)

wcWithoutSortRdd.saveAsTextFile("hdfs://node1:9000/sogouQ/output/wc1")

wcWithoutSortRdd的输出结果Top10

([中天ZT1818评论+site:www.pcpop.com|product.pcpop.com|channel.pcpop.com|pop.pcpop.com],1)
([三一重工+筑路机械],1)
([最快的视频网站],1)
([zhutan],3)
([氟康],3)
([石家庄战役],2)
([国外女子监狱],1)
([A42B331参数],1)
([78bar],1)
([临沂麦可斯],2)

实现按 Value(count) 排序(降序)的 WordCount

思路: 在 wcRdd 的基础上, 先把K(word), V(count)反转, 此时对Key(count)进行排序, 最后再反转回去

val wcSortByCountRdd = wcWithoutSortRdd.map(x => (x._2, x._1)).sortByKey(false).
map(x => (x._2, x._1))

wcSortByCountRdd.saveAsTextFile("hdfs://node1:9000/sogouQ/output/wc2")

思路2: 直接使用 sortBy() 操做

// _._2 : 元组的第2项, 就是 count; false : 按降序排序
val wcSortByCountRdd = wcWithoutSortRdd.sortBy(_._2, false)

wcSortByCountRdd.saveAsTextFile("hdfs://node1:9000/sogouQ/output/wc2")

wcSortByCountRdd的输出结果Top10

([哄抢救灾物资],66906)
([汶川地震缘由],58766)
([封杀莎朗斯通],12649)
([一个暗娼的自述],9758)
([广州军区司令员],8661)
([暗娼李湘],8584)
([成都警方扫黄现场],5371)
([百度],4958)    // 用搜狗搜百度, 好像在黑百度, 嘿嘿嘿
([尼泊尔地图],4886)
([现役解放军中将名单],4721)

再次感谢搜狗实验室! 但愿有更多的日志文件公布