Spark RDD案例：统计每日新增用户

一、提出任务

	有以下用户访问历史数据，第一列为用户访问网站的日期，第二列为用户名：

2022-02-07,Mike
2022-02-07,Alice
2022-02-27,Brown
2022-04-02,Mike
2022-04-02,Alice
2022-04-02,Green
2022-07-12,Alice
2022-07-12,Smith
2022-07-12,Brian

通过上述数据统计每日新增的用户数量，得到以下统计结果：

2022-02-07新增了3个用户（分别为mike、alice、brown）

2022-04-02新增了1个用户（green）

2022-07-12新增了2个用户（分别为smith、brian）

二、实现思路

	使用倒排索引法，如果同一个用户对应多个访问日期，则最小的日期为该用户的注册日期，即新增日期，其他日期为重复访问日期，不应统计在内。因此每个用户应该只计算用户访问的最小日期即可。如下图所示，将每个用户访问的最小日期都移到第一列，第一列为有效数据，只统计第一列中每个日期的出现次数，即为对应日期的新增用户数。

• 启动集群的HDFS与Spark
  
• 在HDFS上准备数据 - users.txt
  

三、完成任务

（一）读取文件，得到RDD

val rdd1 = sc.textFile("hdfs://master:9000/input/users.txt")

（二）倒排，互换RDD中元组的元素顺序

val rdd2 = rdd1.map(
   line => {
    
     val fields = line.split(",")
      (fields(1), fields(0))
   }
)

（三）倒排后的RDD按键分组

val rdd3 = rdd2.groupByKey()

（四）取分组后的日期集合最小值，计数为1

val rdd4 = rdd3.map(line => (line._2.min, 1))

（五）按键计数，得到每日新增用户数

val result = rdd4.countByKey()

result.keys.foreach(key => println(key + "," + result(key)))

四、完成任务

（一）新建Maven项目 – CountNewUsers

将JAVA 目录改为scala

（二）添加相关依赖和构建插件

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.cb.rdd</groupId>
    <artifactId>CountNewUsers</artifactId>
    <version>1.0-SNAPSHOT</version>
    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.11.12</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>

   
</project>

• 并刷新下载依赖
  

（三）创建日志属性文件

• 在资源文件夹里创建日志属性文件 - log4j.properties

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（四）创建计算平均分单例对象

• 在net.cb.sql包里创建CountNewUsersBySQL单例对象
  

package net.cb.rdd


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

/** * 功能: 统计每日新增用户 * 作者: 陈标 * 时间: 2022年06月18日 */
object CountNewUsersBySQL {
    
  def main(args: Array[String]): Unit = {
    
    // 创建Spark conf容器
    val spark: SparkConf = new SparkConf()
      .setAppName("CalculusAverageByRDD")
      .setMaster("local[*]")
    val sc: SparkContext = new SparkContext(spark)
    val lines = sc.textFile("hdfs://master:9000/input/users.txt")
    //lines.collect.foreach(println)
    //互换RDD中的元素顺序
    val value = lines.map(
      line =>{
    
        val fields = line.split(",")
        val name = fields(1)
        val time = fields(0)
        (name,time)
      }
    )
    // 对姓名分组
    val nameGB = value.groupByKey().map(
      line => {
    
        val time = line._2.min
        val name = line._1
        (time,name)
      }
    )
    // 按键计数,得到每日新增数
    val CB = nameGB.countByKey()
    CB.keys.foreach(key => println(key + "," + CB(key)))
    // 关闭容器
    sc.stop()
  }
}

（五）本地运行程序，查看结果