离线项目实践之sdk数据收集

数据收集的方案

收集的方式：通过在客户端嵌入SDK的方式收集用户行为数据（SDK：一段收集数据的代码，放到客户端）

以事件作为数据收集的最小单位，当用户在系统或者APP上触发定义的事件的时候，产生数据，SDK将产生的数据发送到Nginx服务器上(通过url发送)

js sdk的事件（模拟前端）

launch事件：标识访客第一次访问的事件

pageView事件：标识用户浏览页面的事件

event事件：包容性最强的事件

chargeRequest事件：标识订单产生事件

找到我们的项目中的文件analytics.js，阅读分析下

修改这个地址

部署启动访问

http://localhost:8080/sdk_test/

后台监控nginx的日志

点击页面

观察后台日志，有新的日志出现

java sdk的事件（模拟后端）

chargeSuccess事件：标识订单支付成功事件

chargeRefund事件：标识订单退款事件

修改机器IP

启动主方法

同样检测nginx日志，发现日志也在读取

这就是模拟前后端的日志采集，但是目前日志显示不是很清晰，这就需要我们修改nginx的日志产生格式了

修改linux中nginx日志产生的格式

$remote_addr ---- ip地址

$msec ----访问时间，时间戳，毫秒

$request_uri ---用户请求参数，从客户端捕获到的用户行为数据都会封装到这个字段里

$remote_addr^A$msec^A$request_uri

同时将下面的日志生成目录放开

access_log logs/access.log main;

sbin/nginx -t 检测nginx.conf是否配置ok

定义好后重启Nginx服务器

sbin/nginx -s reload

我们重新点击页面采集下数据

查看日志的变化

我们可以将项目部署到虚拟机中使用

我们再虚拟机中准备一个Tomcat

解压

tar -zxvf apache-tomcat-8.5.24.tar.gz -C /opt/bigdata/

将项目打包sdk_test.war

将sdk_test.war拷贝到Tomcat下webapps目录

cp sdk_test.war /opt/bigdata/apache-tomcat-8.5.24/webapps/

启动tomcat

bin/startup.sh

重新查看webapps，多了sdk_test

在浏览器访问

http://masterhbase:8080/sdk_test/demo.html

点击demo，后台日志也可以出现

数据上传

（1）shell脚本发送日志数据（日志量较小）

（2）flume上传到hdfs（日志量较大）

shell脚本发送日志数据

在nginx目录下创建一个目录：mkdir scripts

创建脚本：vim cut_nginx_log.sh

授权chmod 755 cut_nginx_log.sh

一些命令

date +"%Y%m%d" 今天的日期

date -d "1 day ago" +"%Y%m%d" 昨天的日期

date -d "-1 day" +"%Y%m%d" 昨天的日期

编写脚本

#!/bin/bash

#获取昨天日期

YESTERDAY=$(date -d "1 day ago" +"%Y%m%d")

#定义日志目录

DATALOG=/opt/bigdata/nginx-1.12.2/logs

#切割昨天的日志

/bin/mv ${DATALOG}/access.log ${DATALOG}/access_${YESTERDAY}.log

#重启Nginx服务器生产access.log文件

/opt/bigdata/nginx-1.12.2/sbin/nginx -s reload

执行下脚本，没出现问题

我们查看日志，已经被切割了

可以定义一个crontab定时任务

crontab -e

00 00 * * * /opt/bigdata/nginx-1.12.2/scripts/cut_nginx_log.sh

创建脚本：vim put_log_hdfs.sh

授权chmod 755 put_log_hdfs.sh

编写脚本

#!/bin/bash

#获取昨天日期

YESTERDAY=$(date -d "1 day ago" +"%Y%m%d")

#定义日志目录

DATALOG=/opt/bigdata/nginx-1.12.2/logs

#定义HADOOP_HOME

HADOOP_HOME=/opt/bigdata/hadoop-2.7.3

#将日志上传到hdfs

${HADOOP_HOME}/bin/hdfs dfs -put ${DATALOG}/access_${YESTERDAY}.log /nginx_log

执行脚本

查看HDFS上，数据已经上传

同样可以加入定时

定时执行crontab：crontab –e

00 01 * * * /opt/bigdata/nginx-1.12.2/scripts/put_log_hdfs.sh

这里就不写了

查看任务：crontab –l

需要重启crontab：service crond restart

flume上传到hdfs

创建flume配置文件

touch flume-nginx-hdfs.properties

# Name the components on this agent

a1.sources = r1

a1.sinks = k1

a1.channels = c1

# Describe/configure the source

a1.sources.r1.type = exec

a1.sources.r1.command = tail -f /opt/bigdata/nginx-1.12.2/logs/access_20200113.log

# Describe the sink

a1.sinks.k1.type = hdfs

a1.sinks.k1.hdfs.path = hdfs://masterhbase:8082/flume/nginxlog/roll/%y%m%d/%H

a1.sinks.k1.hdfs.rollInterval = 600

a1.sinks.k1.hdfs.rollSize = 1048576

a1.sinks.k1.hdfs.rollCount = 0

a1.sinks.k1.hdfs.minBlockReplicas = 1

a1.sinks.k1.hdfs.useLocalTimeStamp = true

a1.sinks.k1.hdfs.round = true

a1.sinks.k1.hdfs.roundValue= 1

a1.sinks.k1.hdfs.roundUnit = hour

# Use a channel which buffers events in memory

a1.channels.c1.type = memory

a1.channels.c1.capacity = 1000

a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel

a1.sources.r1.channels = c1

a1.sinks.k1.channel = c1

source类：

exec 监控文件：access.log

Spooling Directory 监控目录：spoolDir=nginx-1.12.2/logs

channel类：

memory: 比较吃内存，但是速度比较快，数据不安全

file：文件比较安全，但是传输速度较慢

sink类：

hdfs：离线分析以及数据备份

kafka：流式计算 storm/spark

执行

bin/flume-ng agent -n a1 -c conf -f conf/flume-nginx-hdfs.properties -Dflume.root.logger=INFO,console

可以看到数据已经上传了