web-analyze/1-2.py
fly6516 bed459e4c5 feat:统计 HDFS 日志中的唯一主机数量
- 添加 Spark 代码以读取 HDFS 上的日志文件
- 实现日志行解析函数以提取 IP 地址
- 使用 RDD操作过滤并计算唯一主机数量- 打印结果并停止 SparkContext
2025-04-14 01:58:03 +08:00

31 lines
751 B
Python

import re
from pyspark import SparkContext
sc = SparkContext.getOrCreate()
LOG_PATTERN = re.compile(r'^(\S+) (\S+) (\S+) \[([\w:/]+\s[+-]\d{4})\] "(\S+) (\S+)\s*(\S*)\s?" (\d{3}) (\S+)')
def parse_log_line(line):
match = LOG_PATTERN.match(line)
if not match:
return None
return {
'ip': match.group(1)
}
logFile = "hdfs://master:9000/user/root/apache.access.log.PROJECT"
raw_logs = sc.textFile(logFile)
parsed_logs = raw_logs.map(parse_log_line).filter(lambda x: x is not None)
# 提取 IP 地址并统计唯一主机数量
unique_hosts = parsed_logs.map(lambda log: log['ip']).distinct()
unique_host_count = unique_hosts.count()
print("Total number of unique hosts: {0}".format(unique_host_count))
sc.stop()