详解如何使用Spark和Scala分析Apache访问日志

安装

首先需要安装好Java和Scala，然后下载Spark安装，确保PATH 和JAVA_HOME 已经设置，然后需要使用Scala的SBT 构建Spark如下：

$ sbt/sbt assembly

构建时间比较长。构建完成后，通过运行下面命令确证安装成功：

$ ./bin/spark-shell

scala> val textFile = sc.textFile("README.md") // 创建一个指向 README.md 引用scala> textFile.count // 对这个文件内容行数进行计数scala> textFile.first // 打印出第一行

Apache访问日志分析器

首先我们需要使用Scala编写一个对Apache访问日志的分析器，所幸已经有人编写完成，下载Apache logfile parser code。使用SBT进行编译打包：

sbt compilesbt testsbt package

打包名称假设为AlsApacheLogParser.jar。
然后在Linux命令行启动Spark：

// this works$ MASTER=local[4] SPARK_CLASSPATH=AlsApacheLogParser.jar ./bin/spark-shell

对于Spark 0.9，有些方式并不起效：

// does not work$ MASTER=local[4] ADD_JARS=AlsApacheLogParser.jar ./bin/spark-shell// does not workspark> :cp AlsApacheLogParser.jar

上传成功后，在Spark REPL创建AccessLogParser 实例：

import com.alvinalexander.accesslogparser._val p = new AccessLogParser

现在就可以像之前读取readme.cmd一样读取apache访问日志accesslog.small：

scala> val log = sc.textFile("accesslog.small")14/03/09 11:25:23 INFO MemoryStore: ensureFreeSpace(32856) called with curMem=0, maxMem=30922506214/03/09 11:25:23 INFO MemoryStore: Block broadcast_0 stored as values to memory (estimated size 32.1 KB, free 294.9 MB)log: org.apache.spark.rdd.RDD[String] = MappedRDD[1] at textFile at <console>:15scala> log.count(a lot of output here)res0: Long = 100000

分析Apache日志

我们可以分析Apache日志中404有多少个，创建方法如下：

def getStatusCode(line: Option[AccessLogRecord]) = { line match {  case Some(l) => l.httpStatusCode  case None => "0" }}

其中Option[AccessLogRecord]是分析器的返回值。

然后在Spark命令行使用如下：

log.filter(line => getStatusCode(p.parseRecord(line)) == "404").count

这个统计将返回httpStatusCode是404的行数。

深入挖掘

下面如果我们想知道哪些URL是有问题的，比如URL中有一个空格等导致404错误，显然需要下面步骤：

过滤出所有 404 记录 从每个404记录得到request字段(分析器请求的URL字符串是否有空格等) 不要返回重复的记录

创建下面方法：