Flink实战，实时流量统计 TOPN访问URL

时间 2021-01-04

标签 css java nginx web sql apache windows api 服务器 app 栏目 HTTP/TCP 繁體版

原文原文链接

跟 http://www.javashuo.com/article/p-xszcshqv-ny.html 相似场景，来从Nginx、Apache等web服务器的日志中读取数据，实时统计出来访问热度最高的TOPN访问URL，而且要确保数据乱序的处理，lag等状况下，还要确认数据的准确性css

目标：

从log文件中读取数据（也能够参考上一篇从kakfa中），取http 的method为get的请求，而且把静态文件访问过滤掉，进行实时统计
    实现：
    一、读取文件
    二、作过滤，method=get  url不为静态信息
    三、生成一个滑动窗口，大小10分钟，每次滑动5s，watermask 5s（为了保险容许数据延迟，allowedLateness 1分钟）
    四、进行聚合统计分析排序输出

准备日志文件：

在resource目录下生成一个nginx.log里面内容：
1.1.1.1 - - 23/03/2020:05:06:03 GET /mapengfei/2580330
1.1.1.1 - - 23/03/2020:05:06:05 GET /mapengfei/2572888
1.1.1.3 - - 24/03/2020:05:06:05 GET /mapengfei/2572888

代码：

新建一个HotUrlAnalysis.scal的object文件java

/*
 *
 * @author mafei
 * @date 2021/1/3
*/
package com.mafei.hotUrlAnalysis

import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.state.{ListState, ListStateDescriptor}
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.scala.function.WindowFunction
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.util.Collector

import java.sql.Timestamp
import java.text.SimpleDateFormat
import scala.collection.mutable.ListBuffer

// 定义要提取的数据格式
case class NginxLog(clientIp: String, userId: String,ts:Long,method:String,url:String)
// 定义窗口聚合结果样例类
case class UrlViewCount(url: String, windowEnd: Long, count: Long)

object HotUrlAnalysis {
  def main(args: Array[String]): Unit = {
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) //定义取事件时间
    env.setParallelism(1) //防止乱序
    //一、从文件中读取数据
    val inputStream = env.readTextFile("/opt/java2020_study/UserBehaviorAnalysis/HotUrlAnalysis/src/main/resources/nginx.log")
    val dataStream = inputStream
      .map(data=>{
        val splitResult = data.split(" ") //由于日志格式是以空格分隔的

        //由于日志中格式是字符串的，咱们须要的是13位毫秒的时间戳，因此须要转换下
        val dateFormatConvert = new SimpleDateFormat("dd/MM/yyyy:HH:mm:ss") // 格式： 天/月/年:时:分:秒
        val ts = dateFormatConvert.parse(splitResult(3)).getTime
        NginxLog(splitResult(0), splitResult(1),ts,splitResult(4), splitResult(5))
      })
      .assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[NginxLog](Time.seconds(5)) {  //这里设置watermark延迟5秒
        override def extractTimestamp(t: NginxLog): Long = t.ts   //指定时间事件的时间戳
      })

    //开窗聚合，排序输出
    var aggStream = dataStream
      .filter(_.method == "GET")//过滤下，只要method是get请求的数据
      .filter(data=>{
        val pattern= "^((?!\\.(css|js)$).)*$".r
        (pattern findFirstIn data.url).nonEmpty
      }) //再过滤下，像css/js之类的url不算
//      .keyBy("url") //这样子写返回的是个元组类型
      .keyBy(_.url)
      .timeWindow(Time.minutes(10), Time.seconds(5))
      .allowedLateness(Time.minutes(1)) //能够watermark时间设置小一点，到时间先输出，可是窗口先不关，等到allowedLateness的时间了再关
      .sideOutputLateData(new OutputTag[NginxLog]("late")) //加一个侧输出流，为了防止数据的乱序超过了1分钟
      .aggregate(new PageCountAgg(),new PageViewCountResult())
    val resultStream = aggStream
      .keyBy(_.windowEnd) //按照结束时间进行分组，收集当前窗口内的，取必定时间内的数据
      .process(new TopUrl(10))

    resultStream.print()

    aggStream.getSideOutput(new OutputTag[NginxLog]("late")).print("这是1分钟以后的延迟数据。。。。")
    env.execute("执行热门url访问统计")

  }

}

class PageCountAgg() extends AggregateFunction[NginxLog,Long,Long]{
  override def createAccumulator(): Long = 0L

  override def add(in: NginxLog, acc: Long): Long = acc +1

  override def getResult(acc: Long): Long = acc

  override def merge(acc: Long, acc1: Long): Long = acc+acc1
}

class PageViewCountResult() extends WindowFunction[Long,UrlViewCount,String,TimeWindow]{
  override def apply(key: String, window: TimeWindow, input: Iterable[Long], out: Collector[UrlViewCount]): Unit = {

    out.collect(UrlViewCount(key,window.getEnd,input.iterator.next()))
  }
}

/**
 * 输入参数
 * K: 排序的字段类型，这里是WindowEnd时间戳，因此是Long类型
 * I： 输入的数据，是上一步PageViewCountResult输出的类型，因此是UrlViewCount
 * O： 输出的类型，这个本身定义，看实际状况，这里直接打印了，因此String
 */
class TopUrl(topN:Int) extends KeyedProcessFunction[Long,UrlViewCount,String]{
  lazy val urlViewCountListState: ListState[UrlViewCount] = getRuntimeContext.getListState(new ListStateDescriptor[UrlViewCount]("urlViewCountList", classOf[UrlViewCount]))
  override def processElement(i: UrlViewCount, context: KeyedProcessFunction[Long, UrlViewCount, String]#Context, collector: Collector[String]): Unit = {
    urlViewCountListState.add(i)  //把每次的结果都加到自定义的list里头，方便后边作排序
    context.timerService().registerEventTimeTimer(i.windowEnd) //注册一个定时器，在窗口关闭的时候触发
  }

  override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[Long, UrlViewCount, String]#OnTimerContext, out: Collector[String]): Unit = {
    //为了方便排序，定义另外一个ListBuffer，保存ListState的全部数据
    val allPageListBuffer: ListBuffer[UrlViewCount] = ListBuffer()
    val iter = urlViewCountListState.get().iterator()
    while (iter.hasNext){
      allPageListBuffer += iter.next()
    }

    //清空ListState的数据，已经放到urlViewCountListState 准备计算了，等下次触发就应该是新的了
    urlViewCountListState.clear()

    // 先按照count，从大到小排序，而后再取前N个
    val sortItemViewCounts = allPageListBuffer.sortBy(_.count)(Ordering.Long.reverse).take(topN)

    //格式化输出数据：
    val result : StringBuilder = new StringBuilder
    result.append("当前窗口的结束时间：\t").append(new Timestamp(timestamp)).append("\n")

    //遍历结果列表中的每一个ItemViewCount , 输出到一行
    for(i <- sortItemViewCounts.indices){
      val currentItemViewCount = sortItemViewCounts(i)
      result.append("Top").append(i+1).append("\t")
        .append("URL = ").append(currentItemViewCount.url).append("\t")
        .append("访问量： ").append(currentItemViewCount.count).append("\n")
    }

    result.append("---------------------------------------\n\n\n")
    Thread.sleep(1000)
    out.collect(result.toString())

  }
}

代码结构及输出效果：

问题点

在数据乱序的状况下，虽然能所有输出，但有2个问题点上面的代码，
一个是在TopUrl 中保存数据用的是list，在滑动窗口先到达，延迟数据过会儿到达的时候，数据会重复输出，也就是url会出现2次
第二个问题是在第二次延迟输出的时候，原本应该加上以前的数据，可是没有，而是从新从0开始计算
最终效果：nginx

URL	出现次数	出现缘由
/a	3	在5秒内统计数据输出的
/a	1	allowedLateness延迟数据达到产生的

解决办法：

从list改成map，而且由于以前每次都会清空list，能够改成等真正的窗口结束后再清空就能够了web

主要改动的地方：
processElement 和onTimer这2个方法sql

/*
 *
 * @author mafei
 * @date 2021/1/3
*/
package com.mafei.hotUrlAnalysis

import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.state.{ListState, ListStateDescriptor, MapState, MapStateDescriptor}
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.scala.function.WindowFunction
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.util.Collector

import java.sql.Timestamp
import java.text.SimpleDateFormat
import scala.collection.mutable.ListBuffer

/**
 * import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.api.common.state.{ListState, ListStateDescriptor}
import org.apache.flink.api.java.tuple.{Tuple, Tuple1}
import org.apache.flink.configuration.Configuration
import org.apache.flink.streaming.api.TimeCharacteristic
import org.apache.flink.streaming.api.functions.KeyedProcessFunction
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.scala.function.WindowFunction
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer
import org.apache.flink.util.Collector

import java.sql.Timestamp
import java.util.Properties
import scala.collection.mutable.ListBuffer
 * @param clientIp
 * @param userId
 * @param ts
 * @param method
 * @param url
 */
// 定义要提取的数据格式
case class NginxLog2(clientIp: String, userId: String,ts:Long,method:String,url:String)
// 定义窗口聚合结果样例类
case class UrlViewCount2(url: String, windowEnd: Long, count: Long)

object HotUrlAnalysis2 {
  def main(args: Array[String]): Unit = {
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) //定义取事件时间
    env.setParallelism(1) //防止乱序
    //一、从文件中读取数据
    val inputStream = env.readTextFile("/opt/java2020_study/UserBehaviorAnalysis/HotUrlAnalysis/src/main/resources/nginx.log")
    val dataStream = inputStream
      .map(data=>{
        val splitResult = data.split(" ") //由于日志格式是以空格分隔的

        //由于日志中格式是字符串的，咱们须要的是13位毫秒的时间戳，因此须要转换下
        val dateFormatConvert = new SimpleDateFormat("dd/MM/yyyy:HH:mm:ss") // 格式： 天/月/年:时:分:秒
        val ts = dateFormatConvert.parse(splitResult(3)).getTime
        NginxLog2(splitResult(0), splitResult(1),ts,splitResult(4), splitResult(5))
      })
      .assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[NginxLog2](Time.seconds(5)) {  //这里设置watermark延迟5秒
        override def extractTimestamp(t: NginxLog2): Long = t.ts   //指定时间事件的时间戳
      })

    //开窗聚合，排序输出
    var aggStream = dataStream
      .filter(_.method == "GET")//过滤下，只要method是get请求的数据
      .filter(data=>{
        val pattern= "^((?!\\.(css|js)$).)*$".r
        (pattern findFirstIn data.url).nonEmpty
      }) //再过滤下，像css/js之类的url不算
//      .keyBy("url") //这样子写返回的是个元组类型
      .keyBy(_.url)
      .timeWindow(Time.minutes(10), Time.seconds(5))
      .allowedLateness(Time.minutes(1)) //能够watermark时间设置小一点，到时间先输出，可是窗口先不关，等到allowedLateness的时间了再关
      .sideOutputLateData(new OutputTag[NginxLog2]("late")) //加一个侧输出流，为了防止数据的乱序超过了1分钟
      .aggregate(new PageCountAgg2(),new PageViewCountResult2())
    val resultStream = aggStream
      .keyBy(_.windowEnd) //按照结束时间进行分组，收集当前窗口内的，取必定时间内的数据
      .process(new TopUrl2(10))

    resultStream.print()

    aggStream.getSideOutput(new OutputTag[NginxLog2]("late")).print("这是1分钟以后的延迟数据。。。。")
    env.execute("执行热门url访问统计")

  }

}

class PageCountAgg2() extends AggregateFunction[NginxLog2,Long,Long]{
  override def createAccumulator(): Long = 0L

  override def add(in: NginxLog2, acc: Long): Long = acc +1

  override def getResult(acc: Long): Long = acc

  override def merge(acc: Long, acc1: Long): Long = acc+acc1
}

class PageViewCountResult2() extends WindowFunction[Long,UrlViewCount2,String,TimeWindow]{
  override def apply(key: String, window: TimeWindow, input: Iterable[Long], out: Collector[UrlViewCount2]): Unit = {

    out.collect(UrlViewCount2(key,window.getEnd,input.iterator.next()))
  }
}

/**
 * 输入参数
 * K: 排序的字段类型，这里是WindowEnd时间戳，因此是Long类型
 * I： 输入的数据，是上一步PageViewCountResult2输出的类型，因此是UrlViewCount2
 * O： 输出的类型，这个本身定义，看实际状况，这里直接打印了，因此String
 */
class TopUrl2(topN:Int) extends KeyedProcessFunction[Long,UrlViewCount2,String]{
  lazy val UrlViewCount2MapState: MapState[String,Long] = getRuntimeContext.getMapState(new MapStateDescriptor[String,Long]("UrlViewCount2Map",classOf[String],classOf[Long]))

  override def processElement(i: UrlViewCount2, context: KeyedProcessFunction[Long, UrlViewCount2, String]#Context, collector: Collector[String]): Unit = {
    UrlViewCount2MapState.put(i.url,i.count)
    context.timerService().registerEventTimeTimer(i.windowEnd) //注册一个定时器，在窗口关闭的时候触发
  //再另外注册一个定时器，1分钟以后触发，这时窗口已经完全关闭，再也不有聚合结果输出，能够清空状态
    context.timerService().registerEventTimeTimer(i.windowEnd + 60000L)
  }

  override def onTimer(timestamp: Long, ctx: KeyedProcessFunction[Long, UrlViewCount2, String]#OnTimerContext, out: Collector[String]): Unit = {

    /**
     * 使用mapState的方式
     */
      //判判定时器触发时间，若是已是窗口结束时间1分钟以后，那么直接清空状态
      if(timestamp == ctx.getCurrentKey+60000L){
        UrlViewCount2MapState.clear()
        return
      }
    val allUrlViewCount2sBuffer: ListBuffer[(String,Long)] = ListBuffer()

    val iter = UrlViewCount2MapState.entries().iterator()
    while (iter.hasNext){
      val entry = iter.next()
      allUrlViewCount2sBuffer += ((entry.getKey, entry.getValue))
    }

        // 先按照count，从大到小排序，而后再取前N个
        val sortItemViewCounts = allUrlViewCount2sBuffer.sortBy(_._2)(Ordering.Long.reverse).take(topN)

        //格式化输出数据：
        val result : StringBuilder = new StringBuilder
        result.append("当前窗口的结束时间：\t").append(new Timestamp(timestamp)).append("\n")

        //遍历结果列表中的每一个ItemViewCount , 输出到一行
        for(i <- sortItemViewCounts.indices){
          val currentItemViewCount = sortItemViewCounts(i)
          result.append("Top").append(i+1).append("\t")
            .append("URL = ").append(currentItemViewCount._1).append("\t")
            .append("访问量： ").append(currentItemViewCount._2).append("\n")
        }

    result.append("---------------------------------------\n\n\n")
    Thread.sleep(1000)
    out.collect(result.toString())

  }
}