使用Spark进行搜狗日志分析实例——统计每个小时的搜索量

package sogolog

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
  * 统计每小时搜索次数
  */
/*
搜狗日志示例
访问时间(时：分：秒)    用户ID                [查询词]        该URL在返回结果中的排名    用户点击的顺序号    用户点击的URL
00:00:00    2982199073774412    [360安全卫士]    8 3    download.it.com.cn/softweb/software/firewall/antivirus/20067/17938.html
00:00:00    07594220010824798    [哄抢救灾物资]    1 1    news.21cn.com/social/daqian/2008/05/29/4777194_1.shtml
00:00:00    5228056822071097    [75810部队]    14 5    www.greatoo.com/greatoo_cn/list.asp?link_id=276&title=%BE%DE%C2%D6%D0%C2%CE%C5
00:00:00    6140463203615646    [绳艺]    62 36    www.jd-cd.com/jd_opus/xx/200607/706.html
*/
object CountByHours {
  def main(args: Array[String]): Unit = {

    //1、启动spark上下文、读取文件
    val conf = new SparkConf().setAppName("sougo count by hours").setMaster("local")
    val sc = new SparkContext(conf)
    var orgRdd = sc.textFile("C:\\Users\\KING\\Desktop\\SogouQ.reduced\\SogouQ.reduced")
    println("总行数："+orgRdd.count())

    //2、map操作,遍历处理每一行数据
    var map:RDD[(String,Integer)] = orgRdd.map(line=>{
        //拿到小时
        var h:String = line.substring(0,2)
        (h,1)
    })

    //3、reduce操作，将上面的 map结果按KEY进行合并、叠加
    var reduce:RDD[(String,Integer)] = map.reduceByKey((x,y)=>{
      x+y
    })

    //打印出按小时排序后的统计结果
    reduce.sortByKey().collect().map(println)
  }
}

 

运行结果：

 

 

 搜狗日志下载地址：http://www.sogou.com/labs/resource/q.php