spark+kafka+redis统计网站访问者IP

上都海奶茶馆

# coding:utf-8　　
__author__ = 'chenhuachao'
　　
'''
　　
利用pyspark连接kafka，统计访问者的IP信息，做出的一个实时的防采集
　　
'''
　　
import sys
　　
reload(sys)
　　
sys.setdefaultencoding('utf-8')
　　
import redis
　　
import datetime
　　
from pyspark.streaming.kafka import KafkaUtils
　　
from pyspark.streaming import StreamingContext
　　
from pyspark import SparkConf, SparkContext
　　
def parse(logstring):
　　
    try:
　　
        infodict =  eval(logstring.encode('utf-8'))
　　
        ip =infodict.get('ip')
　　
        assert infodict['tj-event'] == 'onload'
　　
        assert ip
　　
        return (ip)
　　
    except:
　　
        return ()
　　
def insert_redis(rdd):
　　
    '''将符合条件的结果写入到redis'''
　　
    conn = redis.Redis(host='redis的IP',port=6380)
　　
    for i,j in rdd.collect():
　　
        print i,j
　　
        if j >=3 and j != "":
　　
            conn.sadd('cheating_ip_set_{0}'.format(datetime.datetime.now().strftime("%Y%m%d")),i)
　　
            conn.expire('cheating_ip_set',86400)
　　
if __name__ == "__main__":
　　
    topic = 'statis-detailinfo-pageevent'
　　
    sc = SparkContext(appName="pyspark_kafka_streaming_chc")
　　
    ssc = StreamingContext(sc,10)
　　
    checkpointDirectory = '/tmp/checkpoint/cp3'
　　
    ssc.checkpoint(checkpointDirectory)
　　
    kvs = KafkaUtils.createDirectStream(ssc,['statis-detailinfo-pageevent'],kafkaParams={"auto.offset.reset": "largest","metadata.broker.list":"kafka-IP:9092,kafka-IP:9092"})
　　
    #kvs.map(lambda line:line[1]).map(lambda x:parse(x)).pprint()
　　
    #这里用到了一个滑动窗口的概念，需要深入了解的可以参考http://www.kancloud.cn/kancloud/spark-programming-guide/51567
　　
    #ipcount = kvs.map(lambda line: line[1]).map(lambda x:parse(x)).map(lambda ip:(ip,1)).reduceByKey(lambda ips,num:ips+num)
　　
    ipcount = kvs.map(lambda line: line[1]).map(lambda x:parse(x)).map(lambda ip:(ip,1)).reduceByKeyAndWindow(lambda ips,num:ips+num,30,10)
　　
    # 预处理，如果需要多次计算则使用缓存
　　
    # 传入rdd进行循坏，即用于foreachRdd(insertRedis)
　　
    ipcount.foreachRDD(insert_redis)
　　
    # 各节点的rdd的循坏
　　
    # wordCounts.foreachRDD(lambda rdd: rdd.foreach(sendRecord))
　　
    ssc.start()