技术标签: 大数据
/**
*思想逻辑:(必须整明白!!!)
* 我们是要考虑第二天的数据进来了
* 在拿去跟第一天的数据一起进行计算
* 我们需要改的地方就是在构造图的地方添加昨天的点集合和边集合
*
* 1.将昨天的字典解析成点集合,边集合,
* 2.将今天的点集合,边集合union到昨天的点边集合
* 3.用union之后的点边集合构造最大连同子图
* 4.调整结果
* 今天有一套结果,昨天也有一套结果,
* 虽然两套结果都对,但是总有可能今天的结果新生成的guid和昨天的有一点点小误差,
* 为了方便日后留存查询,我们将今天有小误差的guid改成昨天的
* 只有这样才能保证今天生成的guid和昨天生的guid以及以后所有的guid才能使同一个人
* 这样我们以后查询当月的人流量才能确定是同一个人,避免泡沫数据和虚假数据!!!!
* 步骤实现:
* 4.1:我们将今天guid的行组合在一起,将昨天的字典搞成一个hashmap进行广播
* 4.1:拿今天字典的点集合和昨天的额点集合求交集取到谁今天的guid就换成昨天的guid
*
*/
object idmapping_nextday {
def main(args: Array[String]): Unit = {
//1.1.创建spark环境
val spark: SparkSession = SparkSession.builder()
.appName(this.getClass.getSimpleName)
.master("local[*]")
.getOrCreate()
//将rdd变成df
import spark.implicits._
//2.导入数据
val applog: Dataset[String] = spark.read.textFile("F:\\yiee_logs\\2020-01-11\\app\\doit.mall.access.log.8")
//3.处理数据
//构造一个点集合
val data: RDD[Array[String]] = applog.rdd.map(line => {
//将每行数据解析成json对象
val jsonObj = JSON.parseObject(line)
// 从json对象中取user对象
val userObj = jsonObj.getJSONObject("user")
val uid = userObj.getString("uid")
// 从user对象中取phone对象
val phoneObj = userObj.getJSONObject("phone")
val imei = phoneObj.getString("imei")
val mac = phoneObj.getString("mac")
val imsi = phoneObj.getString("imsi")
val androidId = phoneObj.getString("androidId")
val deviceId = phoneObj.getString("deviceId")
val uuid = phoneObj.getString("uuid")
Array(uid, imei, mac, imsi, androidId, deviceId, uuid).filter(StringUtils.isNotBlank(_))
})
//构造一个点集合
// 将每一个元素和他的hashcode组合成对偶元组
val vertices: RDD[(Long, String)] = data.flatMap(arr => {
for (biaoshi <- arr) yield (biaoshi.hashCode.toLong, biaoshi)
})
//构造图计算的边集合
// Edge参数一:第一个点.参数二:下一个点.参数三:边的数据或者边的属性,这里我们用空串表示
//将两个点连接起来
val edges: RDD[Edge[String]] = data.flatMap(arr => {
//用双重for循环的方法让数组中所有的两两组合成边
for (i <- 0 to arr.length - 2; j <- i + 1 to arr.length - 1) yield Edge(arr(i).hashCode.toLong, arr(j).hashCode.toLong, "")
})
//然后在统计每一条边出现的次数
.map(edge => (edge, 1)).reduceByKey(_ + _)
//过滤将重复次数<5(经验阈值)的边去掉,
.filter(tp => tp._2 > 2)
.map(x => x._1)
edges
// 五、将上一日的idmp映射字典,解析成点、边集合
val schema = new StructType()
.add("biaoshi_hashcode",DataTypes.LongType)
.add("guid",DataTypes.LongType)
//新0将昨天的节过读出来
val preDayIdmp: DataFrame = spark.read.parquet("data/dict/idmapping_dict/2020-02-15")
//新1.读取昨天的字典解析成点集合
val preDayIdmpVertices = preDayIdmp.rdd.map({
case Row(idFlag: VertexId, guid: VertexId) =>
(idFlag, "")
})
//新2.读取昨天的字典解析成边集合
val preDayEdges = preDayIdmp.rdd.map(row => {
val idFlag = row.getAs[VertexId]("biaoshi_hashcode")
val guid = row.getAs[VertexId]("guid")
Edge(idFlag, guid, "")
})
//新3.用 点集合 和 边集合 构造一张图 使用Graph算法和昨天的结果union在一起
val graph = Graph(vertices.union(preDayIdmpVertices),edges.union(preDayEdges))
//并调用最大连同子图算法VertexRDD[VertexId] ==>rdd 里面装的元组(Long值,组中最小值)
val res_tuples: VertexRDD[VertexId] = graph.connectedComponents().vertices
//最终我们要输出的文件是parquet的文件
// 最后的调整结果、将结果跟上日的映射字典做对比,调整guid
// 1.将上日的idmp映射结果字典收集到driver端,并广播
val idMap = preDayIdmp.rdd.map(row => {
val idFlag = row.getAs[VertexId]("biaoshi_hashcode")
val guid = row.getAs[VertexId]("guid")
(idFlag, guid)
}).collectAsMap()
val bc = spark.sparkContext.broadcast(idMap)
// 2.将今日的图计算结果按照guid分组,然后去跟上日的映射字典进行对比
val todayIdmpResult: RDD[(VertexId, VertexId)] = res_tuples.map(tp => (tp._2, tp._1))
.groupByKey()
.mapPartitions(iter=>{
// 从广播变量中取出上日的idmp映射字典
val idmpMap = bc.value
iter.map(tp => {
// 当日的guid计算结果
var todayGuid = tp._1
// 这一组中的所有id标识
val ids = tp._2
// 遍历这一组id,挨个去上日的idmp映射字典中查找
var find = false
for (elem <- ids if !find) {
val maybeGuid: Option[Long] = idmpMap.get(elem)
// 如果这个id在昨天的映射字典中找到了,那么就用昨天的guid替换掉今天这一组的guid
if (maybeGuid.isDefined) {
todayGuid = maybeGuid.get
find = true
}
}
(todayGuid,ids)
})
})
.flatMap(tp=>{
val ids = tp._2
val guid = tp._1
for (elem <- ids) yield (elem,guid)
})
// 可以直接用图计算所产生的结果中的组最小值,作为这一组的guid(当然,也可以自己另外生成一个UUID来作为GUID)
import spark.implicits._
// 保存结果
todayIdmpResult.coalesce(1).toDF("biaoshi_hashcode", "guid").write.parquet("data/dict/idmapping_dict/2020-02-16")
spark.stop()
}
}
文章浏览阅读4.2k次。打开src目录下的AppDelegate.cpp文件,若无修改则在第45行处找到全局声明的Size变量,修改`designResolutionSize`中的大小即可。_cocos2dx设置窗口大小
文章浏览阅读1.6k次。测试代码:@PostMapping() public void test(@RequestBody Student student){ System.out.println(student.getLover().name()); }class Student{ private Lover lover; public Lover getLover() { return lover; } public void setLover_springboot get请求怎么接收前端传递的枚举数字
文章浏览阅读1.5w次,点赞24次,收藏120次。简单来说就是去量纲后的回归(因为你要比较不同变量之间的显著性的大小,那么带着量纲怎么比,所以先把量纲去掉,然后再比较)官话:为了更为精准的研究影响评价量的重要因素(去除量纲的影响),我们可考虑使用标准化回归系数。_stata两个虚拟变量的交互项
文章浏览阅读203次。有时候安装mysql后使用mysql命令时报错 Can't connect to MySQL server on localhost (10061),或者用net start mysql 时报服务名无效,一般是因为mysql服务没有启动。这时候可以用管理身份运行cmd.exe(注意必须是管理..._c:\program files\mysql\mysql server 5.6\bin>mysqld --install install/remove
文章浏览阅读6.2k次,点赞3次,收藏44次。亚信联创科技校园招聘B 卷考试时间60_分钟 _考试方式(闭)卷(本试卷满分 100 分,答案请写在答题卡上)请不要在问卷上答题或涂改,笔试结束后请务必交回试卷部分内容分值备注一、计算机基础40分C/C++语言基础40分技能部分二、二选一JAVA 语言基础40分三、数据库20分总分100 分第一部分——计算机基础一、选择题(每题 2 分,总分 40分)1.CPU 状态分为目态和管态两种..._亚信科技java实习笔试题
文章浏览阅读1.3k次。3年对一个程序员来说是非常重要的。像我自己本身就是做程序员的,目前的薪资待遇是13K左右,虽然在我所在的公司不是最高的,但在所在的这个城市的消费水平来说,除了日常的开支,包括房租、水电、伙食、人际交往等费用之外,还能留下一部分闲钱自己存起来。不同城市的薪资待遇是不一样的,这主要是由于当地的消费水平和经济发展水平不同,所以如果你想要更高的薪资待遇,就要考虑在一线城市或者经济发达的城市工作。一个有着丰富工作经验的程序员,他的技能水平、经验和能力都比没有经验的程序员更加出色,所以他们的薪资待遇也会更高一些。_三线城市学java
文章浏览阅读418次。标签PostgreSQL , 标签 , 推荐系统 , 实时圈人 , 数组 , gin , gist , 索引 , rum , tsvector , tsquery , 万亿 , user , tag , 淘宝背景我们仅用了PostgreSQL的两个小特性,却解决了业务困扰已久的大问题。推荐系统是广告营销平台的奶牛,其核心是精准、实时、..._实时圈人
文章浏览阅读430次。软件测试风险追踪表风险追踪表 项目名称: 填制人: 编号 风险描述 影响 风险等级 发生的可能性 应对策略 状态 责任人 备注 ..._软件测试风险管理表格
文章浏览阅读1.2k次。一、AAC音频格式种类有哪些AAC音频格式是一种由MPEG-4标准定义的有损音频压缩格式。AAC包含两种格式 ADIF(Audio Data Interchange Format音频数据交换格式)和ADTS(Audio Data transport Stream音频数据传输流)。ADIF特点:可以确定的找到音视频数据的开始,不需要进行在音视频数据流中间开始的解码,它的解码必须在明确的定义开始。应用场景:常用在磁盘文件中。ADTS特点:具有同步字的比特流,解码可以在这个流中任何位置开始。类似于mp_aac adts
文章浏览阅读213次。像要使用Resouce类,必须创建一个 Resouce 文件夹,然后把需要的资源放进去,才可以在代码中设置路径进行访问_unity基本概念
文章浏览阅读2.4k次。指定自定义 CI/CD 配置文件,顾名思义就是在项目中指定文件来代替默认的.gitlab-ci.yml文件的方式来运行流水线。以往我们在使用流水线的时候,都是默认将.gitlab-ci.yml文件存在在项目的跟路径下,但是我们也可以指定备用文件名路径,或者不想在每个项目中来维护这个yml文件,那么通过自定义 CI/CD 配置文件便可以实现。_gitlab配置cicd
文章浏览阅读1w次。出现这个表示如果设置了自动增长,字段类型应该设置为int整型。_sql 错误 [1063] [42000]: incorrect column specifier for column 'id' incorrec