1.背景介紹

PV/UV統計是流式分析一個常見的場景。通過PV可以對訪問的網站做流量或熱點分析，例如廣告主可以通過PV值預估投放廣告網頁所帶來的流量以及廣告收入。另外一些場景需要對訪問的用戶作分析，比如分析用戶的網頁點擊行為，此時就需要對UV做統計。

使用Spark Streaming SQL，并結合Redis可以很方便進行PV/UV的統計。本文將介紹通過Streaming SQL消費Loghub中存儲的用戶訪問信息，對過去1分鐘內的數據進行PV/UV統計，將結果存入Redis中。

2.準備工作

• 創建E-MapReduce 3.23.0以上版本的Hadoop集群。
• 下載并編譯E-MapReduce-SDK包

git clone git@github.com:aliyun/aliyun-emapreduce-sdk.git 
cd aliyun-emapreduce-sdk 
git checkout -b master-2.x origin/master-2.x 
mvn clean package -DskipTests 

編譯完后, assembly/target目錄下會生成emr-datasources_shaded_${version}.jar，其中${version}為sdk的版本。

數據源

本文采用Loghub作為數據源，有關日志采集、日志解析請參考日志服務。

3.統計PV/UV

一般場景下需要將統計出的PV/UV以及相應的統計時間存入Redis。其他一些業務場景中，也會只保存最新結果，用新的結果不斷覆蓋更新舊的數據。以下首先介紹第一種情況的操作流程。

3.1啟動客戶端

命令行啟動streaming-sql客戶端

streaming-sql --master yarn-client --num-executors 2 --executor-memory 2g --executor-cores 2 --jars emr-datasources_shaded_2.11-${version}.jar --driver-class-path emr-datasources_shaded_2.11-${version}.jar 

也可以創建SQL語句文件，通過streaming-sql -f的方式運行。

3.1定義數據表

數據源表定義如下

CREATE TABLE loghub_source(user_ip STRING, __time__ TIMESTAMP)  
USING loghub  
OPTIONS( 
sls.project=${sls.project}, 
sls.store=${sls.store}, 
access.key.id=${access.key.id}, 
access.key.secret=${access.key.secret}, 
endpoint=${endpoint}); 

其中，數據源表包含user_ip和__time__兩個字段，分別代表用戶的IP地址和loghub上的時間列。OPTIONS中配置項的值根據實際配置。

結果表定義如下

CREATE TABLE redis_sink  
USING redis  
OPTIONS( 
table='statistic_info', 
host=${redis_host}, 
key.column='interval'); 

其中，statistic_info為Redis存儲結果的表名，interval對應統計結果中的interval字段;配置項${redis_host}的值根據實際配置。

3.2創建流作業

CREATE SCAN loghub_scan 
ON loghub_source 
USING STREAM 
OPTIONS( 
watermark.column='__time__', 
watermark.delayThreshold='10 second'); 
 
CREATE STREAM job 
OPTIONS( 
checkpointLocation=${checkpoint_location}) 
INSERT INTO redis_sink 
SELECT COUNT(user_ip) AS pv, approx_count_distinct( user_ip) AS uv, window.end AS interval 
FROM loghub_scan 
GROUP BY TUMBLING(__time__, interval 1 minute), window; 

4.3查看統計結果

最終的統計結果如下圖所示

可以看到，每隔一分鐘都會生成一條數據，key的形式為表名:interval，value為pv和uv的值。

3.4實現覆蓋更新

將結果表的配置項key.column修改為一個固定的值，例如定義如下

CREATE TABLE redis_sink 
USING redis  
OPTIONS( 
table='statistic_info', 
host=${redis_host}, 
key.column='statistic_type'); 

創建流作業的SQL改為

CREATE STREAM job 
OPTIONS( 
checkpointLocation='/tmp/spark-test/checkpoint') 
INSERT INTO redis_sink 
SELECT "PV_UV" as statistic_type,COUNT(user_ip) AS pv, approx_count_distinct( user_ip) AS uv, window.end AS interval 
FROM loghub_scan 
GROUP BY TUMBLING(__time__, interval 1 minute), window; 

最終的統計結果如下圖所示

可以看到，Redis中值保留了一個值，這個值每分鐘都被更新，value包含pv、uv和interval的值。

4.總結

本文簡要介紹了使用Streaming SQL結合Redis實現流式處理中統計PV/UV的需求。后續文章，我將介紹Spark Streaming SQL的更多內容。