CDN 接口日志聚合统计
更新时间：2023-12-07
概览
用户对 CDN 接口日志进行聚合统计。
需求场景
所有的 CDN 接口调用日志通过 flume 直接推送到 百度消息服务（KAFKA）中作为流式计算 source ， 在我们 BSC 中创建 SPARK_STREAM/SQL 类型的作业用于 CDN 接口调用日志的聚合统计，并实时将聚合结果写到 百度数据仓库（Palo）当中，用户可以利用 数据可视化工具（如 Sugar BI）等调用 Palo 的 API 完成数据展示。
方案概述
服务器 → KAFKA → BSC → Palo → Sugar BI
配置步骤
一个完整的 Spark SQL 作业由 source 表、sink 表和 DML 语句构成。
定义 KAFKA Source 表
CREATE TABLE source_kafka_table (
`prefix` STRING,
`region` STRING,
`userIdSrc` STRING,
`clusterNameSrc` STRING,
`transDurationSrc` DOUBLE,
`srcDurationSrc` STRING,
`ts` BIGINT
) WITH (
'connector.type' = 'KAFKA',
'format.encode' = 'CSV',
'format.attributes.field-delimiter' = ' ', -- 分隔符为空格
'connector.topic' = 'xxxxxxxxx__bsc-source',
'connector.properties.bootstrap.servers' = 'kafka.bd.baidubce.com:9071',
'connector.properties.ssl.filename' = 'kafka-key_bd.zip'
);定义 Palo Sink 表
CREATE TABLE sink_palo_table (
`field` STRING
) WITH (
'connector.type' = 'PALO',
'format.encode' = 'TXT',
'format.attributes.field-delimiter' = ',' -- 默认分隔符为逗号
'connector.cluster-id' = 'xxxxxxxx',
'connector.username' = 'admin',
'connector.password' = 'xxxxx',
'connector.database' = 'mct',
'connector.table' = 'mct_statistics',
'connector.mysql-host' = 'xxxxxxxxx-xxxxxxx-fe.palo.bd.baidubce.com',
'connector.mysql-port' = '9030',
'connector.compute-node-host' = 'xxxxxxxxx-xxxxxxx-be.palo.bd.baidubce.com',
'connector.compute-node-port' = '8040'
);编写数据聚合DML语句
按照某些值和指定的时间进行聚合，没有使用窗口，而是定义 5 分钟的微批触发时间来完成聚合，并且聚合状态要设置为 no state
INSERT INTO
sink_palo_table outputmode append
SELECT
format_string('%s,%d,%s,%s,%s,%d,%f,%f\n',
from_unixtime(`ts`/1000-(`ts`/1000)%60,'yyyy-MM-dd HH'),
unix_timestamp(from_unixtime(`ts`/1000-(`ts`/1000)%60,'yyyy-MM-dd HH:mm'),'yyyy-MM-dd HH:mm'),
`region`,
`userIdSrc`,
`clusterNameSrc`,
count(*),
sum(if(`srcDurationSrc` != 'null', cast(`srcDurationSrc` as double), 0)/(if(`transDurationSrc` != 0, `transDurationSrc`, 0.01))),
sum(`transDurationSrc`)
)
FROM
source_kafka_table
WHERE
prefix = 'xxxxxxxx'
GROUP BY
`userIdSrc`,
`clusterNameSrc`,
`region`,
from_unixtime(`ts`/1000-(`ts`/1000)%60,'yyyy-MM-dd HH'),
unix_timestamp(from_unixtime(`ts`/1000-(`ts`/1000)%60,'yyyy-MM-dd HH:mm'),'yyyy-MM-dd HH:mm') aggregate no state; -- 聚合过程设置为无状态