web-analyze/2-7.py

import re
from pyspark import SparkContext

# 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
    }

def extract_day(log):
    # 时间格式为：10/Oct/2000:13:55:36 -0700
    full_date = log['timestamp']
    day = full_date.split('/')[0]  # 只提取日
    return day

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()

    # 过滤 404 状态码的日志
    error_404_logs = access_logs.filter(lambda log: log['status_code'] == 404).cache()

    # 每日 404 次数统计
    errDateSorted = (
        error_404_logs
        .map(lambda log: (extract_day(log), 1))
        .reduceByKey(lambda a, b: a + b)
        .sortBy(lambda x: x[1], ascending=False)  # 按次数降序排序
        .cache()
    )

    # 获取最多的五天
    top_5_days = errDateSorted.take(5)

    # 输出前五天及其 404 错误记录
    print("404 错误记录最多的五天及对应次数：")
    for i, (day, count) in enumerate(top_5_days):
        print("第 {} 天: {} => {} 次 404 错误".format(i + 1, day, count))

    # 停止 Spark
    sc.stop()