fly6516
1512ab8eeb
- 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
59 lines
1.7 KiB
Python
59 lines
1.7 KiB
Python
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()
|