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 错误记录并缓存
error_404_logs = parsed_logs.filter(filter_404).cache()

# 统计 404 错误数量
count_404 = error_404_logs.count()

# 打印结果（使用 .format 替代 f-string）
print("日志中共有 {} 条 404 响应代码记录。".format(count_404))

sc.stop()