web-analyze/2-9.py

import re
from pyspark import SparkContext
import matplotlib.pyplot as plt

# 初始化 SparkContext
sc = SparkContext.getOrCreate()

# 日志匹配的正则表达式
LOG_PATTERN = re.compile(
    r'^(\S+) (\S+) (\S+) \[([\w:/]+\s[+-]\d{4})\] "(\S+) (\S+)\s*(\S*)\s?" (\d{3}) (\S+)'
)

# 解析日志的函数
def parse_log_line(line):
    match = LOG_PATTERN.match(line)
    if not match:
        return None

    content_size_str = match.group(9)
    content_size = int(content_size_str) if content_size_str.isdigit() else 0

    return {
        'ip': match.group(1),
        'user_identity': match.group(2),
        'user_id': match.group(3),
        'timestamp': match.group(4),
        'method': match.group(5),
        'endpoint': match.group(6),
        'protocol': match.group(7),
        'status_code': int(match.group(8)),
        'content_size': content_size
    }

# 提取小时
def extract_hour(log):
    timestamp = log['timestamp']
    hour = timestamp.split(":")[1]  # 从时间戳中提取小时
    return hour

if __name__ == "__main__":
    # 加载日志文件
    logFile = "hdfs://master:9000/user/root/apache.access.log.PROJECT"
    raw_logs = sc.textFile(logFile)

    # 解析并过滤有效日志
    access_logs = raw_logs.map(parse_log_line).filter(lambda x: x is not None).cache()

    # 只保留 404 响应代码的日志
    bad_records = access_logs.filter(lambda log: log['status_code'] == 404).cache()

    # 提取每小时的 404 错误记录
    hourly_404_counts = bad_records.map(lambda log: (extract_hour(log), 1)) \
                                   .reduceByKey(lambda a, b: a + b) \
                                   .sortByKey()  # 按小时排序

    # 将结果转换为列表
    hourly_404_counts_list = hourly_404_counts.collect()

    # 提取小时和对应的 404 次数
    hours = [hour for hour, count in hourly_404_counts_list]
    counts = [count for hour, count in hourly_404_counts_list]

    # 使用 matplotlib 绘制条形图
    plt.figure(figsize=(10, 6))
    plt.bar(hours, counts, color='blue')
    plt.title('每小时404响应代码数量')
    plt.xlabel('小时')
    plt.ylabel('404响应次数')
    plt.xticks(rotation=45)  # 将小时标签旋转 45 度
    plt.tight_layout()
    plt.show()

    # 停止 Spark
    sc.stop()