fly6516
d0d58e7d4b
- 新增 2-8.py 文件，实现从日志文件中解析和统计每小时的 404 错误数量 - 使用 Spark 进行日志处理和分析 - 添加日志解析函数和提取小时函数 - 实现从 HDFS 读取日志数据并进行过滤和聚合 - 最后输出每小时的 404 错误数量
67 lines
1.9 KiB
Python
67 lines
1.9 KiB
Python
import re
|
||
from pyspark import SparkContext
|
||
|
||
# 初始化 SparkContext
|
||
sc = SparkContext.getOrCreate()
|
||
|
||
# 日志匹配的正则表达式
|
||
LOG_PATTERN = re.compile(
|
||
r'^(\S+) (\S+) (\S+) \[([\w:/]+\s[+-]\d{4})\] "(\S+) (\S+)\s*(\S*)\s?" (\d{3}) (\S+)'
|
||
)
|
||
|
||
# 解析日志的函数
|
||
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
|
||
}
|
||
|
||
def extract_hour(log):
|
||
# 时间格式为：10/Oct/2000:13:55:36 -0700
|
||
full_date = log['timestamp']
|
||
hour = full_date.split(':')[1] # 提取小时
|
||
return hour
|
||
|
||
if __name__ == "__main__":
|
||
# 加载日志文件
|
||
logFile = "hdfs://master:9000/user/root/apache.access.log.PROJECT"
|
||
raw_logs = sc.textFile(logFile)
|
||
|
||
# 解析并过滤有效日志
|
||
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
|
||
badRecords = access_logs.filter(lambda log: log['status_code'] == 404).cache()
|
||
|
||
# 每小时 404 错误次数统计
|
||
hourRecorded = (
|
||
badRecords
|
||
.map(lambda log: (extract_hour(log), 1))
|
||
.reduceByKey(lambda a, b: a + b)
|
||
.sortByKey() # 按小时顺序排序
|
||
.cache()
|
||
)
|
||
|
||
# 获取结果并打印
|
||
result = hourRecorded.collect()
|
||
print("每小时的 404 错误数量：")
|
||
for hour, count in result:
|
||
print("小时 {}: {} 次 404 错误".format(hour, count))
|
||
|
||
# 停止 Spark
|
||
sc.stop()
|