feat: 实现日志解析和 404 错误分析

- 添加日志解析函数，使用正则表达式解析 Apache 日志
- 通过 Spark 读取和处理日志数据
- 实现 404 错误日志的过滤和统计- 获取并打印前 25 个产生 404错误最多的主机

2-3.py

@@ -0,0 +1,58 @@
+import re
+from pyspark import SparkContext
+
+# 初始化 SparkContext
+sc = SparkContext.getOrCreate()
+
+# 日志正则表达式
+LOG_PATTERN = re.compile(
+    r'^(\S+) (\S+) (\S+) \[([\w:/]+\s[+-]\d{4})\] "(\S+) (\S+)\s*(\S*)\s?" (\d{3}) (\S+)'
+)
+
+# 日志解析函数
+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
+    }
+
+if __name__ == "__main__":
+    # 加载日志文件
+    logFile = "hdfs://master:9000/user/root/apache.access.log.PROJECT"
+    raw_logs = sc.textFile(logFile)
+
+    # 解析日志
+    access_logs = raw_logs.map(parse_log_line).filter(lambda x: x is not None).cache()
+
+    # 获取 404 错误日志
+    error_404_logs = access_logs.filter(lambda log: log['status_code'] == 404).cache()
+
+    # 获取前 25 个产生 404 错误最多的主机
+    top_25_404_hosts = (
+        error_404_logs
+        .map(lambda log: (log['ip'], 1))
+        .reduceByKey(lambda a, b: a + b)
+        .takeOrdered(25, key=lambda x: -x[1])
+    )
+
+    # 打印结果
+    print("前 25 个产生 404 错误最多的主机：")
+    for i, (host, count) in enumerate(top_25_404_hosts):
+        print("{}: {} 次 404 错误".format(i + 1, host, count))
+
+    # 停止 Spark
+    sc.stop()