记录完整spark.hive.sql处理过程

2024年1月20日 267次阅读 来源: 热血沸腾

需求：

从App启动日志中读取所需数据，用来得到用户的常用启动时间点，常活动的地理位置，并更新到用户画像表中。

背景：

device_id 设备id
start_time App启动时间
latitude 上传纬度
longitude 上传精度

实现

原始数据

DataFrame数据形式是结构化数据，如下

    device_id                                   start_time                  latitude                longitude

0   ad3bb7b86f9ad9ff4786f767094f31f4835cf167    2017-07-26 00:18:55.985     39.69992988280924       116.5083292779666
1   7e98a8401070c6bcb46a9ef32efd0e6a7066a220    2017-07-26 00:04:37.532     39.82559758010746       116.4472136767569
2   865675021801835                             2017-07-26 00:19:28.821     0.000000                0.000000

通过
schemeRdd.rdd变成普通rdd

结构变为
[(device_id,start_time,latitude,longitude),(device_id,start_time,latitude,longitude),...]

1. 经纬度处理成geohash6 合并到一起生成的RDD数据结构

    rdd.map(lambda x: (x['device_id'], x['start_time'],geohash.encode(x[lat],x[lng]))   

    得到数据结构是：
    [('device_id',start_time,geohash6)), (('device_id',start_time,geohash6))]

 
2. 拆分开成2个rdd ，分别是时间和GeoHash的，分别处理

    timerdd = rdd.map(lambda x: (x[0],x[1]))
    timerdd_group=timerdd.groupByKey()
    得到数据结构
    [('device_id1',['2017-09-01 12:34:00','2017-06-30 01:01:12']),('device_id2',['2017-09-05 11:15:32','2017-07-30 07:01:08'])]

    geohashrdd=rdd.map(lambda x: (x[0],x[2]))
    geohashrdd_group=geohashrdd.groupByKey()
    得到数据结构
    [('device_id1',['EXXEQ6','OKWQE9','SDEDD1','SDQGW2']),('device_id2',['LLSJW0','YWQDX7'])]

    2.1 得到用0-24来表示的常使用的时间点 ， 得到最近使用时间到日期  (注意时间list也许没数据，则设置默认时间)
        result_time_rdd= timerdd_group.mapValues(lambda x: use_time(x))     #该函数生成一个元祖 ('often_use_time','last_use_time')

        得到结构为
        [('device_id1',(12,'2017-09-01')),('device_id2',(9,'2017-06-05')),('device_id3',(0,'1970-01-01'))]

    2.2 得到最常去的2个geohash的值
        result_geohash_rdd = geohashrdd_group.mapValues(lambda x: activie_geohash(x) )

        得到结构为
        [('device_id1',('EWEQ1','SDWQ3'),('device_id2',('UYWIE8','']),('device_id3',['','']]
  1. 根据结果数据结构，组拼更新SQL，更新数据
    结果2个rdd

    result_time_rdd    =  [('device_id1',(12,'2017-09-01')),('device_id2',(9,'2017-06-05')),('device_id3',(0,'1970-01-01'))]

    result_geohash_rdd =  [('device_id1',('EWEQ1','SDWQ3'),('device_id2',('UYWIE8','']),('device_id3',['','']]

    通过cogroup作得到

    [('device_id1',([12,'2017-09-01'],['EWEQ1','SDWQ3']),('device_id2',['UYWIE8','POKE5']),('device_id3',['MVBD5','ZCXV4']]

更新到表中


 UPDATE recommend.user_tag SET open_app_period=x[1],open_app_last=x[2],active_loc_1=x[3],active_loc_2=x[4] WHERE device_id=%s

结束语

全文使用RDD的API来实现，RDD的API十分强大
目前建议使用DataFrame来实现

    原文作者：热血沸腾
    原文地址: https://www.jianshu.com/p/7f691bc752f3
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞