基于Hadoop平臺的用戶行為挖掘

曾志浩+姚貝+張瓊林+孫琪

摘?要：隨著互聯(lián)網(wǎng)發(fā)展帶來的數(shù)據(jù)爆炸，使得Web日志的數(shù)據(jù)量也越來越大，如何從海量的Web日志中挖掘有價值的信息成為了目前研究的熱點。本文提出了基于Hadoop集群框架對Web日志進行挖掘。實驗結(jié)果表明，該集群系統(tǒng)既可以處理海量的web日志，同時也能夠挖掘出有價值的信息，并證實了利用sqoop在Hive倉庫和傳統(tǒng)數(shù)據(jù)庫之間數(shù)據(jù)遷移的可行性。

關(guān)鍵字：Web日志;Hadoop;Sqoop;Hive;數(shù)據(jù)遷移

中圖分類號：TP391?????????????????????????文獻標識碼：A

User?Behavior?Mining?Based?on?Hadoop?platform

Zeng?Zhihao，Yao?Bei，?Zhang?Qionglin，Sun?Qi

（School?of?Computer?and?Communication，?Hunan?University?of?Technology，?HuNan?Zhuzhou??412000，?China）

Abstract：?As?rapid?development?of?Internet?brings?the?data?explosion，make?web?log?data?is?becoming?bigger?and?bigger，?How?from?huge?amounts?of?Web?log?mining?valuable?information?become?the?focus?of?the?present?study.This?paper?presents?based?on?the?Hadoop?cluster?framework?for?Web?log?mining.Experimental?results?show?that，?this?cluster?system?can?processing?massive?web?log?data?，Also?its?can?be?mining?valuable?information.?And?confirmed?the?feasibility?the?data?migration?between?Hive?warehouse?and?traditional?database?by?use?sqoop.

Key??words?：?Web?log?;?Hadoop?;?Sqoop?;?Hive?;?Data?migration

1?引言

互聯(lián)網(wǎng)的快速發(fā)展，使得Web日志數(shù)據(jù)呈現(xiàn)出爆炸式的增長，這些海量的Web數(shù)據(jù)中蘊含了大量的信息，這些信息對企業(yè)而言是一筆巨額的財富，企業(yè)的發(fā)展需要這些數(shù)據(jù)提供更好的戰(zhàn)略決策支持，因此對這些數(shù)據(jù)具有極大地挖掘需求;這使得從海量的Web數(shù)據(jù)中挖掘有用的信息成為了目前研究的熱點，同時大規(guī)模的計算能力成為Web數(shù)據(jù)挖掘技術(shù)能否有效實現(xiàn)的外部需求[1]。

針對海量數(shù)據(jù)處理出現(xiàn)的技術(shù)問題，以Hadoop[2]為代表的新技術(shù)得到了國內(nèi)外科技工作者的極大關(guān)注;Hadoop平臺的最大優(yōu)勢是它實現(xiàn)了“計算靠近存儲”的思想[3]，此思想省去了海量數(shù)據(jù)網(wǎng)絡(luò)傳輸?shù)倪@一大開銷，大大減少了數(shù)據(jù)處理時間，同時其并行化的數(shù)據(jù)處理方式非常適用于處理海量數(shù)據(jù)。

針對Hadoop分布式處理海量數(shù)據(jù)的優(yōu)勢，國內(nèi)外一些學者紛紛對Hadoop平臺進行了相關(guān)研究，文獻[4]基于Hadoop平臺，實現(xiàn)了對Web數(shù)據(jù)的并行化處理，提高了數(shù)據(jù)運行處理時間;文獻[5]通過基于Hadoop平臺，設(shè)計了一個用于處理海量搜索日志的分析平臺;文獻[1，?6]基于Hadoop平臺進行了Web日志挖掘?qū)嶒灒⒆C實了Hadoop平臺的可用性。

本文基于Hadoop平臺首先對Web日志進行了數(shù)據(jù)清洗，根據(jù)數(shù)據(jù)挖掘的具體需要，過濾冗余、異?；蛘吲c挖掘目的無關(guān)的信息，然后通過HIVE數(shù)據(jù)倉庫分析用戶行為的關(guān)鍵指標，對Web日志數(shù)據(jù)進行用戶行為挖掘，利用MySQL進行挖掘結(jié)果展示，同時利用了sqoop[7]組件在關(guān)系型數(shù)據(jù)庫與非關(guān)系型數(shù)據(jù)庫進行了數(shù)據(jù)遷移。

2?相關(guān)技術(shù)介紹

Hadoop是Apache軟件基金會旗下的一個分布式計算平臺。以Hadoop分布式文件系統(tǒng)（Hadoop?Distributed?File?System，HDFS）和MapReduce[8]（Google?MapReduce的開源實現(xiàn)）為核心的Hadoop為用戶提供了系統(tǒng)底層細節(jié)透明的分布式基礎(chǔ)架構(gòu)[2]。

對于Hadoop的文件系統(tǒng)HDFS具有高容錯性的特點，它可以設(shè)計部署在低廉的硬件上，同時它可以通過提供高吞吐率來訪問應用程序的數(shù)據(jù)。

MapReduce是一種編程模型，用于大規(guī)模數(shù)據(jù)集的并行運算，它主要以對數(shù)據(jù)進行映射（Map）、化簡（Reduce）來實現(xiàn)計算，即MapReduce在執(zhí)行時先指定一個Map（映射）函數(shù)，把輸入鍵值對映射成一組新的鍵值對，經(jīng)過一定處理后交給Reduce，Reduce對相同Key下的所有value進行處理后再輸出鍵值對作為最終的結(jié)果。

Hive[9]是一個基于Hadoop文件系統(tǒng)之上的數(shù)據(jù)倉庫架構(gòu)，它為數(shù)據(jù)倉庫的管理提供了許多功能：數(shù)據(jù)ETL（抽取、轉(zhuǎn)換和加載）工具、數(shù)據(jù)存儲管理和大型數(shù)據(jù)集的查詢和分析能力;同時Hive定義了類SQL的語言—Hive?QL。

HBase是一種NoSQL存儲數(shù)據(jù)庫，它可以用來快速隨機讀寫大規(guī)模數(shù)據(jù)，是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統(tǒng)，利用HBase技術(shù)可在廉價機器上搭建起大規(guī)模結(jié)構(gòu)化存儲集群[10]。HBase利用HDFS作為其文件存儲系統(tǒng)，利用MapReduce來處理HBase中的海量數(shù)據(jù)，利用Zookeeper作為協(xié)調(diào)工具。

Zookeeper是Google的Chubby一個開源的實現(xiàn)，是一個為分布式應用所設(shè)計的開源協(xié)調(diào)服務(wù)，它包含一個簡單的原語集，分布式應用程序可以基于它實現(xiàn)同步服務(wù)、配置維護和命名服務(wù)等;用戶可以使用Zookeeper提供的接口方便地實現(xiàn)一致性、組管理、leader選舉及某些協(xié)議，同時Zookeeper不僅可以為單機提供服務(wù)，同時也支持多機組成集群來提供服務(wù)。

Sqoop[7]是“SQL?to?Hadoop”的縮寫，是一款用于在Hadoop系統(tǒng)和結(jié)構(gòu)化數(shù)據(jù)存儲系統(tǒng)間進行數(shù)據(jù)交換的軟件，它可以用于將傳統(tǒng)數(shù)據(jù)庫（如MySQL、Oracle）中的數(shù)據(jù)導入HDFS由MapReduce程序或Hive工具使用，并支持將處理后的結(jié)果數(shù)據(jù)導出到傳統(tǒng)關(guān)系型數(shù)據(jù)庫中[11]。

3用戶行為挖掘的關(guān)鍵指標介紹

瀏覽量PV：頁面瀏覽量即為PV（Page?View），是指所有用戶在該網(wǎng)站瀏覽頁面的總和，一個獨立用戶每打開一個頁面就被記錄1次;對于網(wǎng)站總瀏覽量，其可以作為考核用戶對于網(wǎng)站的興趣。同時對于網(wǎng)站運營者來說，更重要的是網(wǎng)站每個欄目下的瀏覽量。

注冊用戶數(shù)：每一天網(wǎng)站新注冊的用戶人數(shù);運營者通過對注冊用戶數(shù)分析可以查看出網(wǎng)站推廣狀況。

IP數(shù)：一天之內(nèi)，訪問網(wǎng)站的不同的獨立IP?個數(shù)總和;其中同一IP無論訪問了幾個頁面，獨立IP?數(shù)均為1。

跳出率：只瀏覽了一個頁面便離開了網(wǎng)站的訪問次數(shù)占總的訪問次數(shù)的百分比，即只瀏覽了一個頁面的訪問次數(shù)?/?全部的訪問次數(shù)匯總;跳出率是非常重要的訪客黏性指標，它顯示了訪客對網(wǎng)站的興趣程度，即跳出率越低說明流量質(zhì)量越好，訪客對網(wǎng)站的內(nèi)容越感興趣，這些訪客越可能是網(wǎng)站的有效用戶、忠實用戶;該指標也可以衡量網(wǎng)絡(luò)營銷的效果，指出有多少訪客被網(wǎng)絡(luò)營銷吸引到宣傳產(chǎn)品頁或網(wǎng)站上之后，又流失掉的人數(shù)。

4用戶行為挖掘的平臺設(shè)計

日志采集模塊：負責將各個前端web服務(wù)器中的日志傳送到日志接收節(jié)點上。這里可以采用每天定時的將各個服務(wù)器中的日志傳送到接收節(jié)點。對于日志服務(wù)器數(shù)據(jù)較小時，接收節(jié)點可以通過shell命令直接將日志數(shù)據(jù)上傳到HDFS中;如果日志服務(wù)器非常多，數(shù)據(jù)量大時，可使用flume進行數(shù)據(jù)處理。

日志清洗模塊：通過Hadoop的編程框架MapReduce對上傳到HDFS的原始數(shù)據(jù)進行清洗;具體工作可分為兩個階段：Map階段和Reduce階段。這兩個階段分別用兩個函數(shù)來表示，即Map函數(shù)和Reduce函數(shù)。Map函數(shù)接收一個<key，value>形式的輸入，然后產(chǎn)生同樣為<key，value>形式的中間輸出，Hadoop會負責將所有具有相同中間key值的value集合到一起傳遞給Reduce函數(shù)，Reduce函數(shù)接收一個如<key，（list?of?values）>形式的輸入，然后對這個value集合進行處理并輸出結(jié)果，Reduce的輸出也是<key，value>形式的。

分別將三個<key，value>對標記為<k1，v1>、<k2，v2>、<k3，v3>，以上數(shù)據(jù)處理流程可用圖1表示：

圖1??MapReduce程序數(shù)據(jù)變化的基本模型

查詢分析模塊：將清洗后的數(shù)據(jù)導入到Hive中，使用Hive對清洗后的數(shù)據(jù)進行多維分析;并且將Hive返回的查詢結(jié)果以某種形式表現(xiàn)出來，供用戶查看。用戶可在瀏覽器客戶端上輸入或選擇需要查詢的內(nèi)容。

結(jié)果顯示模塊：使用Sqoop將Hive中產(chǎn)生的分析結(jié)果導出到MySQL數(shù)據(jù)庫中;如果用戶需要查看詳細數(shù)據(jù)，可以使用HBase數(shù)據(jù)庫進行展示。

圖2所示的是整個系統(tǒng)的架構(gòu)圖。

圖2??系統(tǒng)架構(gòu)圖

5實驗結(jié)果分析

為了測試系統(tǒng)，我們在測試平臺上做了實驗，分別利用幾組大小不同的數(shù)據(jù)分別在單機情況下和在集群情況下進行了數(shù)據(jù)清洗時間消耗測試。

1?實驗環(huán)境。本測試平臺實驗環(huán)境中，單機配置為：處理器類型，Intel（R）?Core（TM）2?Duo?CPU?E7500?@2.93GHz，內(nèi)存容量為2GB。集群配置是由三臺與單機配置相同的服務(wù)器組成，其中，一臺服務(wù)器是主節(jié)點，另外兩臺服務(wù)器是從節(jié)點;同時使用了Zookeeper組件對集群進行了協(xié)調(diào)服務(wù)管理。在集群中所有的服務(wù)器都運行在CentOS-6.4操作系統(tǒng)上，同時每臺服務(wù)器均安裝了hadoop-1.1.2和jdk-6u24-linux-i586和zookeeper-3.4.5，在三臺服務(wù)器中，主節(jié)點安裝了Hive-0.9.0、MySQL數(shù)據(jù)庫和Sqoop-1.4.3.bin_hadoop-1.0.0。本實驗通過配置Eclipse的Hadoop應用開發(fā)環(huán)境進行程序開發(fā)的。

2?實驗數(shù)據(jù)及內(nèi)容。本實驗的數(shù)據(jù)來自于某論壇服務(wù)器上的日志數(shù)據(jù)。實驗通過對論壇日志數(shù)據(jù)處理分析，來計算論壇關(guān)鍵指標，即瀏覽量、注冊用戶數(shù)、IP數(shù)、跳出率，最后通過對關(guān)鍵指標分析，進行用戶行為挖掘，將挖掘結(jié)果提供給運營者運營決策。

實驗一 通過五組不同數(shù)據(jù)量大小的日志作為輸入，并統(tǒng)計出每組分別在Hadoop集群和傳統(tǒng)的基于單機模式下的數(shù)據(jù)清洗所消耗的時間，其結(jié)果如圖3所示。

圖3??單機與集群對比

實驗二 分別在集群計算節(jié)點為1、2、3時對同一個Web日志進行數(shù)據(jù)清洗處理，并分別統(tǒng)計數(shù)據(jù)清洗所消耗的時間;其結(jié)果如圖4所示。

圖4??節(jié)點個數(shù)不同對執(zhí)行時間的影響

3?實驗結(jié)果分析。通過實驗一結(jié)果分析，我們可以知道，如果數(shù)據(jù)量小于40M時，Hadoop集群無法發(fā)揮其分布式處理海量數(shù)據(jù)的優(yōu)勢，甚至其所消耗的時間大于單機處理所消耗的時間。但是，當要處理的日志數(shù)據(jù)達到50M以上時，Hadoop集群的并行化處理優(yōu)勢會隨著數(shù)據(jù)量的增加而顯示出來。通過實驗二結(jié)果分析可知，對于同一數(shù)據(jù)量，隨著集群中計算節(jié)點的數(shù)量增加，數(shù)據(jù)清洗所消耗的時間明顯減少。

6結(jié)論

針對目前單機環(huán)境下無法處理海量Web數(shù)據(jù)的問題，本文提出了基于Hadoop平臺的集群環(huán)境下處理海量Web數(shù)據(jù)的問題，利用Hadoop集群的并行化處理海量數(shù)據(jù)的優(yōu)勢，解決了單機模式下數(shù)據(jù)處理效率低下且無法解決海量數(shù)據(jù)的問題。本文通過利用Hadoop集群環(huán)境，對Web日志數(shù)據(jù)進行了相關(guān)數(shù)據(jù)清洗，得到運營者需求的關(guān)鍵指標;同時利用sqoop組件在Hive數(shù)據(jù)倉庫和Mysql數(shù)據(jù)庫中進行數(shù)據(jù)遷移，大幅度提高了數(shù)據(jù)遷移效率，同時對處理關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)向非關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)遷移提供了一定參考價值。

參考文獻

[1]?李彬，劉莉莉.基于?MapReduce?的?Web?日志挖掘[J].計算機工程與應用，2012，48（22）：?95-98.

[2]?陸嘉恒.?Hadoop?實戰(zhàn)[M].北京：機械工業(yè)出版社，2012：2-7.

[3]?朱湘，金松昌，賈焰.?一種基于?Hadoop?平臺的海量?Web?數(shù)據(jù)挖掘系統(tǒng)研究與實現(xiàn)[C]//張新生.中國通信學會--第九屆中國通信學會學術(shù)年會論文集.?北京：北京郵電大學出版社，2012：72-76.

[4]?顧濤.?基于?Hadoop的Web信息提取和垃圾信息過濾研究與實現(xiàn)[D].?成都：電子科技大學，2012.

[5]?趙龍.?基于hadoop的海量搜索日志分析平臺的設(shè)計和實現(xiàn)[D].?大連：大連理工大學，2013.

[6]?程苗，陳華平.基于Hadoop的Web日志挖掘[J].計算機工程，2011，37（11）：37-39.

[7]?Ting?K，?Cecho?J?J.?Apache?Sqoop?Cookbook[M].?"?O'Reilly?Media，?Inc."，?2013.

[8]?Dean?J，?Ghemawat?S.?MapReduce：?simplified?data?processing?on?large?clusters[J].?Communications?of?the?ACM?，2008，?51（1）：?107-113.

[9]?Thusoo?A，?Sarma?J?S，?Jain?N，?et?al.?Hive：?a?warehousing?solution?over?a?map-reduce?framework[J].?Proceedings?of?the?VLDB?Endowment，?2009，?2（2）：?1626-1629.

[10]?George?L.?HBase：?the?definitive?guide[M].?"?O'Reilly?Media，?Inc."，?2011.

[11]?陸嘉恒.?大數(shù)據(jù)挑戰(zhàn)與NoSQL數(shù)據(jù)庫技術(shù)[M].?北京：電子工業(yè)出版社，2013.