feat:绘制每小时404响应代码数量的条形图

- 使用 Spark 读取和处理日志数据
- 提取每小时的 404 错误记录
- 使用 matplotlib 绘制条形图
- 展示每小时的 404 响应次数

2-9.py

@@ -0,0 +1,74 @@
+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()