feat: 添加日志解析和404 错误统计功能

- 新增日志解析函数 parse_log_line，用于解析 Apache 日志
- 添加过滤 404 错误的函数 filter_404
- 实现从 HDFS 读取日志、解析、过滤和统计 404 错误的完整流程- 打印 404 错误记录的数量

2-2.py

@@ -0,0 +1,54 @@
+import re
+from pyspark import SparkContext
+
+# 初始化 SparkContext
+sc = SparkContext.getOrCreate()
+
+# 正则表达式匹配日志格式
+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__":
+    # 读取日志文件
+    logFile = "hdfs://master:9000/user/root/apache.access.log.PROJECT"
+    raw_logs = sc.textFile(logFile)
+
+    # 解析日志并过滤掉解析失败的记录
+    access_logs = raw_logs.map(parse_log_line).filter(lambda x: x is not None).cache()
+
+    # 创建只包含 404 错误日志的 RDD
+    error_404_logs = access_logs.filter(lambda log: log['status_code'] == 404).cache()
+
+    # 获取最多 40 个不同的 endpoint
+    unique_404_endpoints = error_404_logs.map(lambda log: log['endpoint']).distinct()
+    top_40_endpoints = unique_404_endpoints.take(40)
+
+    # 输出结果
+    print("最多 40 个不同的 404 错误端点：")
+    for i, ep in enumerate(top_40_endpoints):
+        print("{}: {}".format(i + 1, ep))
+
+    # 停止 SparkContext
+    sc.stop()