数仓day04----日志预处理2
1.详细描述idmap的整个计算方案
(1)使用SparkSession对象读取用户不同类别的埋点日志,解析并抽取出相应的标识id,使用union进行合并,得到装有汇总标识id的rdd(ids)
(2)利用ids分别构造图计算的vertex集合以及构造图计算的边集合(将出现次数小于2的边过滤掉)
(3)将上一日的idmap映射字典解析成点、边集合,并将之与当日的点边集合进行合并
(4)利用合并后的点、边集合,我们使用spark-graphx构造图,并调用连通子图算法,得到初步结果
(5)将当日的idmp与前一日的idmp做对比,调整用户统一标识(guid)
2.详细描述app埋点日志预处理的整个计算方案
1)json解析,解析成功的返回LogBean对象,解析失败的返回null(这样一来,json格式不对、不完整的脏数据就被识别出来了)
2)对上一步结果RDD[LogBean]进行过滤(清掉json不完整的脏数据,清掉不符合规则的数据)
3)数据修正(调整guid,统一命名规范、度量单位规范等)
4)对数据进行字典集成(如利用地理位置映射字典快速将经纬度转换成地区)
5)从集成后的结果中跳出无法解析的gps,写入一个待解析目录,定期通过网络请求某地图的api,得到地址后,将结果添加到本地的地理位置映射字典
6)输出最终结果保存为parquet(或ORC)文件
3.反复敲3遍-idmapping程序、预处理程序
4.为什么要地理位置geo字典?为什么要idmp字典?为什么要对app埋点日志预处理?
(1)快速获取用户的商圈信息(大致的地理位置),方便后续的地域维度分析
(2)快速判断日志数据的所属用户,以便于后续进行用户行为分析
(3)清除埋点日志中的一些废弃字段,格式不正确,以及不需要的数据,并且可以将数据处理成便于后续的数据分析的格式
最新文章
- 【总结】详细说说@Html.ActionLink()的用法
- 对SIL9022/9024的配置
- Spring事务管理
- codeforces 501 C,D,E
- 力软信息化系统快速开发框架 web端+winform端
- 打开mysql时,提示 1040,Too many connections
- android 数据存储Ⅰ
- linux系统下对网站实施负载均衡+高可用集群需要考虑的几点
- Cocos2d-JS项目之二:studio基础控件的使用
- AlloyTouch实现下拉刷新
- wireshark筛选器汇总
- CAS Tomcat实现单点登录
- C语言工具的简单辨析
- 10个利用Eclipse调试Java的常见技巧
- session 共享
- alpha冲刺第三天
- mysql 查询导出(txt,csv,xls)
- java解压多层目录中多个压缩文件和处理压缩文件中有内层目录的情况
- go build 和 go run区别
- JavaScript 中的匿名函数((function() {})();)与变量的作用域
热门文章
- 跟着老猫来搞GO,集跬步而致千里
- 解决create-react-app 后 npm start or yarn start 中出现 的webpack版本问题
- K8S发布策略,无损发布
- 监控框架 - prometheus - 参数指标
- java.lang.NoSuchFieldError: REFLECTION
- c++学习笔记6(结构化程序设计)
- SpringCloud升级之路2020.0.x版-35. 验证线程隔离正确性
- ubuntu更換清華軟件源
- myeclipse重写快捷键
- [cf1479E]School Clubs