feat:统计每日 404 错误记录数量- 新增 2-5.py 文件，实现 Apache 日志解析和 404 错误统计功能

- 使用 Spark 计算框架处理大规模日志数据
- 提取日志中的日期信息，统计每日 404 错误次数
- 结果按日期排序并输出

2-5.py

@@ -0,0 +1,61 @@
+import re
+from pyspark import SparkContext
+
+sc = SparkContext.getOrCreate()
+
+LOG_PATTERN = re.compile(
+    r'^(\S+) (\S+) (\S+) \[([\w:/]+\s[+-]\d{4})\] "(\S+) (\S+)\s*(\S*)\s?" (\d{3}) (\S+)'
+)
+
+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__":
+    logFile = "hdfs://master:9000/user/root/apache.access.log.PROJECT"
+    raw_logs = sc.textFile(logFile)
+
+    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)
+        .sortByKey(True)
+        .cache()
+    )
+
+    # 收集结果
+    daily_404_stats = errDateSorted.collect()
+
+    print("每天 404 错误记录数量：")
+    for day, count in daily_404_stats:
+        print("Day {}: {} 次 404 错误".format(day, count))
+
+    sc.stop()