大数据workshop：《云数据·大计算：海量日志数据分析与应用》之《数据加工：用户画像》篇

2021-11-04 02:16:05

阿里云MVP Meetup：《云数据·大计算：海量日志数据分析与应用》之《数据加工：用户画像》篇

实验背景介绍

本手册为阿里云MVP Meetup Workshop《云计算·大数据：海量日志数据分析与应用》的《数据加工：用户画像》篇而准备。主要阐述在使用大数据开发套件过程中如何将已经采集至MaxCompute上的日志数据进行加工并进行用户画像，学员可以根据本实验手册，去学习如何创建SQL任务、如何处理原始日志数据。

实验涉及大数据产品

大数据计算服务 MaxCompute
大数据开发套件 Data IDE

实验环境准备

必备条件：

开通大数据计算服务MaxCompute
创建大数据开发套件项目空间

进入大数据开发套件

确保阿里云账号处于登录状态。

step1：点击进入大数据开发套件项目列表。

step2：点击已经创建的项目空间名称，进入大数据开发套件。

新建数据表

若在实验《数据采集：日志数据上传》中已经新建脚本文件，可以直接切换至脚本开发tab下，双击打开create_table_ddl脚本文件。若无新建脚本文件可通过如下详细步骤进行创建脚本文件。

1.新建ods_log_info_d表

step1：点击数据开发，进入数据开发首页中点击新建脚本。

step2：配置文件名称为create_table_ddl，类型选择为ODPS SQL，点击提交。

step3：编写DDL创建表语句。

DDL建表语句如下：

CREATE TABLE ods_log_info_d (
    ip STRING COMMENT 'ip地址',
    uid STRING COMMENT '用户ID',
    time STRING COMMENT '时间yyyymmddhh:mi:ss',
    status STRING COMMENT '服务器返回状态码',
    bytes STRING COMMENT '返回给客户端的字节数',
    region STRING COMMENT '地域，根据ip得到',
    method STRING COMMENT 'http请求类型',
    url STRING COMMENT 'url',
    protocol STRING COMMENT 'http协议版本号',
    referer STRING COMMENT '来源url',
    device STRING COMMENT '终端类型 ',
    identity STRING COMMENT '访问类型 crawler feed user unknown'
)
PARTITIONED BY (
    dt STRING
);

step4：选择需要执行的SQL语句，点击运行，直至日志信息返回成功表示表创建成功。

step5：可以使用desc语法来确认创建表是否成功。

step6：点击保存，保存编写的SQL建表语句。

2.新建dw_user_info_all_d表

创建表方法同上，本小节附建表语句:

---创建dw_user_info_all_d表
drop table if exists dw_user_info_all_d;

CREATE TABLE dw_user_info_all_d (
    uid STRING COMMENT '用户ID',
    gender STRING COMMENT '性别',
    age_range STRING COMMENT '年龄段',
    zodiac STRING COMMENT '星座',
    region STRING COMMENT '地域，根据ip得到',
    device STRING COMMENT '终端类型 ',
    identity STRING COMMENT '访问类型 crawler feed user unknown',
    method STRING COMMENT 'http请求类型',
    url STRING COMMENT 'url',
    referer STRING COMMENT '来源url',
    time STRING COMMENT '时间yyyymmddhh:mi:ss'
)
PARTITIONED BY (
    dt STRING
);

3.新建rpt_user_info_d表

创建表方法同上，本小节附建表语句:

---创建rpt_user_info_d表
DROP TABLE IF EXISTS rpt_user_info_d;

CREATE TABLE rpt_user_info_d (
    uid STRING COMMENT '用户ID',
    region STRING COMMENT '地域，根据ip得到',
    device STRING COMMENT '终端类型 ',
    pv BIGINT COMMENT 'pv',
    gender STRING COMMENT '性别',
    age_range STRING COMMENT '年龄段',
    zodiac STRING COMMENT '星座'
)
PARTITIONED BY (
    dt STRING
);

上述三张表创建成功后，保存脚本文件。

工作流设计

若成功完成实验《数据采集：日志数据上传》，即可切换至任务开发tab中，双击打开workshop工作流任务。

向画布中拖入三个ODPS SQL节点，依次命名为ods_log_info_d、dw_user_info_all_d、rpt_user_info_d，并配置依赖关系如下：

若未完成实验《数据采集：日志数据上传》篇，可通过进入查看如何创建工作流任务。

创建自定义函数

step1：点击下载ip2region.jar.
step2：切换至资源管理tab页，点击上传按钮。

step3：点击选择文件，选择已经下载到本地的ip2region.jar。

step4：点击提交。
step5：切换至函数管理tab，点击创建函数按钮。

step6：资源选择ip2region.jar，其他配置项如下所示。

配置项说明如下：

函数名：getregion
类名：org.alidata.odps.udf.Ip2Region
资源：ip2region.jar
step7：点击提交。

配置ODPS SQL节点

1）配置ods_log_info_d节点：

step1：双击ods_log_info_d节点，进入节点配置界面，编写处理逻辑。

附SQL逻辑如下：

INSERT OVERWRITE TABLE ods_log_info_d PARTITION (dt=${bdp.system.bizdate})
SELECT ip
    , uid
    , time
    , status
    , bytes -- 使用自定义UDF通过ip得到地域
    , getregion(ip) AS region -- 通过正则把request差分为三个字段
    , regexp_substr(request, '(^[^ ]+ )') AS method
    , regexp_extract(request, '^[^ ]+ (.*) [^ ]+$') AS url
    , regexp_substr(request, '([^ ]+$)') AS protocol -- 通过正则清晰refer，得到更精准的url
    , regexp_extract(referer, '^[^/]+://([^/]+){1}') AS referer -- 通过agent得到终端信息和访问形式
    , CASE 
        WHEN TOLOWER(agent) RLIKE 'android' THEN 'android'
        WHEN TOLOWER(agent) RLIKE 'iphone' THEN 'iphone'
        WHEN TOLOWER(agent) RLIKE 'ipad' THEN 'ipad'
        WHEN TOLOWER(agent) RLIKE 'macintosh' THEN 'macintosh'
        WHEN TOLOWER(agent) RLIKE 'windows phone' THEN 'windows_phone'
        WHEN TOLOWER(agent) RLIKE 'windows' THEN 'windows_pc'
        ELSE 'unknown'
    END AS device
    , CASE 
        WHEN TOLOWER(agent) RLIKE '(bot|spider|crawler|slurp)' THEN 'crawler'
        WHEN TOLOWER(agent) RLIKE 'feed'
        OR regexp_extract(request, '^[^ ]+ (.*) [^ ]+$') RLIKE 'feed' THEN 'feed'
        WHEN TOLOWER(agent) NOT RLIKE '(bot|spider|crawler|feed|slurp)'
        AND agent RLIKE '^[Mozilla|Opera]'
        AND regexp_extract(request, '^[^ ]+ (.*) [^ ]+$') NOT RLIKE 'feed' THEN 'user'
        ELSE 'unknown'
    END AS identity
FROM (
    SELECT SPLIT(col, '##@@')[0] AS ip
        , SPLIT(col, '##@@')[1] AS uid
        , SPLIT(col, '##@@')[2] AS time
        , SPLIT(col, '##@@')[3] AS request
        , SPLIT(col, '##@@')[4] AS status
        , SPLIT(col, '##@@')[5] AS bytes
        , SPLIT(col, '##@@')[6] AS referer
        , SPLIT(col, '##@@')[7] AS agent
    FROM ods_raw_log_d
    WHERE dt = ${bdp.system.bizdate}
) a;

step2：点击保存。

step3：点击返回，返回至工作流开发面板。

2）配置dw_user_info_all_d节点：

step1：双击dw_user_info_all_d节点，进入节点配置界面，编写处理逻辑。

附SQL语句如下：

INSERT OVERWRITE TABLE dw_user_info_all_d PARTITION (dt='${bdp.system.bizdate}')
SELECT COALESCE(a.uid, b.uid) AS uid
    , b.gender
    , b.age_range
    , b.zodiac
    , a.region
    , a.device
    , a.identity
    , a.method
    , a.url
    , a.referer
    , a.time
FROM (
    SELECT *
    FROM ods_log_info_d
    WHERE dt = ${bdp.system.bizdate}
) a
LEFT OUTER JOIN (
    SELECT *
    FROM ods_user_info_d
    WHERE dt = ${bdp.system.bizdate}
) b
ON a.uid = b.uid;

step2：点击保存。
step3：点击返回，返回至工作流开发面板。

配置rpt_user_info_d节点

step1：双击进入rpt_user_info_d节点进入配置界面。

附SQL代码如下：

INSERT OVERWRITE TABLE rpt_user_info_d PARTITION (dt='${bdp.system.bizdate}')
SELECT uid
    , MAX(region)
    , MAX(device)
    , COUNT(0) AS pv
    , MAX(gender)
    , MAX(age_range)
    , MAX(zodiac)
FROM dw_user_info_all_d
WHERE dt = ${bdp.system.bizdate}
GROUP BY uid;

step2：点击保存。
step3：点击返回，返回至工作流开发面板。

提交工作流任务

step1：点击提交，提交已配置的工作流任务。

step2：在变更节点列表弹出框中点击确定提交。

提交成功后工作流任务处于只读状态，如下：

通过补数据功能测试新建的SQL任务

鉴于在数据采集阶段已经测试了数据同步任务，本节中直接测试下游SQL任务即可，也保证了时效性。

step1：进入运维中心 > 任务列表，找到workshop工作流任务。

step2：单击名称展开工作流。

![进入节点试图]

step3：选中ods_log_info_d节点，单击补数据。

![选择补数据节点]

step4：在补数据节点对话框中全选节点名称，选择业务日期，点击运行选中节点。

自动跳转到补数据任务实例页面。

step5：输入字母‘d’，通过过滤条件刷新，直至SQL任务都运行成功即可。

确认数据是否成功写入MaxCompute相关表

step1：返回到create_table_ddl脚本文件中。
step2：编写并执行sql语句查看rpt_user_info_d数据情况。。

附录：SQL语句如下。

---查看rpt_user_info_d数据情况
select * from rpt_user_info_d limit 10;

码农公寓