一、提出任务

• 已知有以下用户访问历史数据，第一列为用户访问网站的日期，第二列为用户名：

2022-01-01,mike
2022-01-01,alice
2022-01-01,brown
2022-01-02,mike
2022-01-02,alice
2022-01-02,green
2022-01-03,alice
2022-01-03,smith
2022-01-03,brian

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
 

• 现需要根据上述数据统计每日新增的用户数量，期望统计结果：

2022-01-01,3
2022-01-02,1
2022-01-03,2

  

 

  
1
  
2
  
3
 

• 即2022-01-01新增了3个用户（分别为mike、alice、brown），2022-01-02新增了1个用户（green），2022-01-03新增了两个用户（分别为smith、brian）。

二、实现思路

• 使用倒排索引法，若将用户名看作关键词，访问日期看作文档ID，则用户名与访问日期的映射关系如下图所示。

• 若同一个用户对应多个访问日期，则最小的日期为该用户的注册日期，即新增日期，其他日期为重复访问日期，不应统计在内。因此每个用户应该只计算用户访问的最小日期即可。如下图所示，将每个用户访问的最小日期都移到第一列，第一列为有效数据，只统计第一列中每个日期的出现次数，即为对应日期的新增用户数。

• 预备工作：启动集群的HDFS与Spark
  
• 在HDFS上准备数据 - users.txt
  

三、完成任务

（一）读取文件，得到RDD

• 执行命令：val rdd1 = sc.textFile("hdfs://master:9000/input/users.txt")
  

（二）倒排，互换RDD中元组的元素顺序

val rdd2 = rdd1.map(
   line => {
     val fields = line.split(",")
      (fields(1), fields(0))
   }
)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

• 执行上述语句
  

（三）倒排后的RDD按键分组

• 执行命令：val rdd3 = rdd2.groupByKey()
  

（四）取分组后的日期集合最小值，计数为1

• 执行命令：val rdd4 = rdd3.map(line => (line._2.min, 1))
  

（五）按键计数，得到每日新增用户数

• 执行命令：val result = rdd4.countByKey()
• 执行命令：result.keys.foreach(key => println(key + "," + result(key)))
  

（六）让输出结果按日期升序

• 映射不能直接排序，只能让键集转成列表之后先排序，再遍历键集输出映射
• 执行命令：val keys = result.keys.toList.sorted，让键集升序排列
  

四、课后作业

• 创建Maven项目 - CountNewUsers，完成每日新增用户统计任务

文章来源: howard2005.blog.csdn.net，作者：howard2005，版权归原作者所有，如需转载，请联系作者。

原文链接：howard2005.blog.csdn.net/article/details/125329968