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

2-1.py

@@ -0,0 +1,47 @@
+import re
+from pyspark import SparkContext
+
+sc = SparkContext.getOrCreate()
+
+logFile = "hdfs://master:9000/user/root/apache.access.log.PROJECT"
+raw_logs = sc.textFile(logFile)
+
+# 日志模式
+LOG_PATTERN = re.compile(r'^(\S+) (\S+) (\S+) \[([\w:/]+\s[+-]\d{4})\] "(\S+) (\S+)\s*(\S*)\s?" (\d{3}) (\S+)')
+
+# 解析日志
+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
+    }
+
+# 过滤出包含 404 响应代码的日志
+def filter_404(log):
+    return log['status_code'] == 404
+
+# 解析并过滤日志
+parsed_logs = raw_logs.map(parse_log_line).filter(lambda x: x is not None)
+
+# 过滤出 404 错误记录
+error_404_logs = parsed_logs.filter(filter_404).cache()
+
+# 统计 404 错误的数量
+count_404 = error_404_logs.count()
+
+# 打印 404 错误记录数量
+print(f"日志中共有 {count_404} 条 404 响应代码记录。")
+
+sc.stop()