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

SPARK

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

SPARK

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

SPARK

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

百度流式计算 BSC