大数据【企业级360°全方位用户画像】匹配型标签累计开发

大数据梦想家

发布于 2021-01-27 16:22:55

5800

发布于 2021-01-27 16:22:55

写在前面： 博主是一名大数据的初学者，昵称来源于《爱丽丝梦游仙境》中的Alice和自己的昵称。作为一名互联网小白，写博客一方面是为了记录自己的学习历程，一方面是希望能够帮助到很多和自己一样处于起步阶段的萌新。由于水平有限，博客中难免会有一些错误，有纰漏之处恳请各位大佬不吝赐教！个人小站:http://alices.ibilibili.xyz/ , 博客主页:https://alice.blog.csdn.net/ 尽管当前水平可能不及各位大佬，但我还是希望自己能够做得更好，因为一天的生活就是一生的缩影。我希望在最美的年华，做最好的自己！

在前面的博客中，博主已经为大家带来了关于大数据【用户画像】项目匹配型标签开发的一个步骤流程(?大数据【企业级360°全方位用户画像】匹配型标签开发)。本篇博客带来的同样是匹配型标签的开发，不同于之前的是，本次标签开发需要将最终的结果与之前的用户标签数据进行合并，而并非是覆写！

想知道如何实现的朋友可以点个关注，我们继续往下看。

匹配型标签开发

本次我们开发的仍然是匹配型标签，以Hbase中用户表的job字段为例。我们做一个用户的job标签匹配。

获悉需求之后，我们在web页面上通过手动添加的方式，添加了四级标签职业，五级标签不同的职业名称。

添加完毕，我们可以在MySQL数据库中找到对应的数据信息

再去查看Hbase表中是否存在job列的数据

scan "tbl_users",{COLUMNS => "detail:job",LIMIT => 5}

确认了MySQL和Hbase中都有job的数据后，我们就可以愉快地写代码了~

书写代码

<1>创建一个sparksession

为了后面我们好通过观察控制台，分析数据的变化过程，我们还可以设置日志级别，减少程序运行时不必要冗余信息出现在控制台。

    // 1. 创建SparkSQL
    //   用于读取mysql ， hbase等数据
    val spark: SparkSession = SparkSession.builder().appName("JobTag").master("local[*]").getOrCreate()
     
    // 设置日志级别
    spark.sparkContext.setLogLevel("WARN")

<2>连接MySQL

我们肯定是需要先读取MySQL中的四级和五级的标签数据的，这里我们先进行MySQL数据库的连接。

// 设置Spark连接MySQL所需要的字段
    var url: String ="jdbc:mysql://bd001:3306/tags_new2?useUnicode=true&characterEncoding=UTF-8&serverTimezone=UTC&user=root&password=123456"
    var table: String ="tbl_basic_tag"   //mysql数据表的表名
    var properties:Properties = new Properties

    // 连接MySQL
    val mysqlConn: DataFrame = spark.read.jdbc(url,table,properties)

<3>读取四级标签数据

这一步，我们正式开始读取MySQL中的四级标签数据，为了方便在其他地方调用，这里我们还创建了一个方法，用于将MySQL中的数据存入Map后又用样例类进行封装。

需要注意的是，在进行DataSet转换成Map，或者List的时候，需导入隐式转换，不然程序会报错

   // 引入隐式转换
    import  spark.implicits._
    //引入java 和scala相互转换
    import scala.collection.JavaConverters._
    //引入sparkSQL的内置函数
    import org.apache.spark.sql.functions._

    // 3. 读取MySQL数据库的四级标签
    val fourTagsDS: Dataset[Row] = mysqlConn.select("id","rule").where("id=65")

    val KVMaps: Map[String, String] = fourTagsDS.map(row => {
      // 获取到rule值
      val RuleValue: String = row.getAs("rule").toString

      // 使用“##”对数据进行切分
      val KVMaps: Array[(String, String)] = RuleValue.split("##").map(kv => {
        val arr: Array[String] = kv.split("=")
        (arr(0), arr(1))
      })
      KVMaps
    }).collectAsList().get(0).toMap

    println(KVMaps)

    var hbaseMeta:HBaseMeta=toHBaseMeta(KVMaps)

其中样例类代码为

  //将mysql中的四级标签的rule  封装成HBaseMeta
  //方便后续使用的时候方便调用
  def toHBaseMeta(KVMap: Map[String, String]): HBaseMeta = {
    //开始封装
    HBaseMeta(KVMap.getOrElse("inType",""),
      KVMap.getOrElse(HBaseMeta.ZKHOSTS,""),
      KVMap.getOrElse(HBaseMeta.ZKPORT,""),
      KVMap.getOrElse(HBaseMeta.HBASETABLE,""),
      KVMap.getOrElse(HBaseMeta.FAMILY,""),
      KVMap.getOrElse(HBaseMeta.SELECTFIELDS,""),
      KVMap.getOrElse(HBaseMeta.ROWKEY,"")
    )
  }

<4> 读取五级标签数据

这一步，我们通过手动添加的标签值对应的pid，将该标签下的5级标签全部获取。并将返回的每条数据封装成样例类，所有结果保存在了一个List中。

    //4. 读取mysql数据库的五级标签
    // 匹配职业
    val fiveTagsDS: Dataset[Row] = mysqlConn.select("id","rule").where("pid=65")

    // 将FiveTagsDS  封装成样例类TagRule

    val fiveTageList: List[TagRule] = fiveTagsDS.map(row => {
      // row 是一条数据
      // 获取出id 和 rule
      val id: Int = row.getAs("id").toString.toInt
      val rule: String = row.getAs("rule").toString

      // 封装样例类
      TagRule(id,rule)
    }).collectAsList()   // 将DataSet转换成util.List[TagRule]   这个类型遍历时无法获取id,rule数据
      .asScala.toList    // 将util.List转换成list   需要隐式转换    import scala.collection.JavaConverters._

        for(a<- fiveTageList){
           println(a.id+"      "+a.rule)
        }

<5> 读取Hbase中的数据

基于第三步我们读取的四级标签的数据，我们可以通过配置信息从Hbase中读取数据，只不过跟之前一样，为了加快读取Hbase的时间，我们将其作为一个数据源来读取，而并非传统的客户端进行读取。

      // 读取hbase中的数据，这里将hbase作为数据源进行读取
    val hbaseDatas: DataFrame = spark.read.format("com.czxy.tools.HBaseDataSource")
      // hbaseMeta.zkHosts 就是 192.168.10.20  和 下面是两种不同的写法
      .option("zkHosts",hbaseMeta.zkHosts)
      .option(HBaseMeta.ZKPORT, hbaseMeta.zkPort)
      .option(HBaseMeta.HBASETABLE, hbaseMeta.hbaseTable)
      .option(HBaseMeta.FAMILY, hbaseMeta.family)
      .option(HBaseMeta.SELECTFIELDS, hbaseMeta.selectFields)
      .load()

    // 展示一些数据
    hbaseDatas.show(5)

    //| id|job|
    //+---+---+
    //|  1|  3|
    //| 10|  5|
    //|100|  3|
    //|101|  1|
    //|102|  1|
    //+---+---+

<6> 标签匹配

这一步我们需要根据hbase数据和五级标签的数据进行标签匹配。

需要注意的是，匹配的时候需要使用到udf函数。

 // 需要自定义UDF函数
    val getUserTags: UserDefinedFunction = udf((rule: String) => {

      // 设置标签的默认值
      var tagId: Int = 0
      // 遍历每一个五级标签的rule
      for (tagRule <- fiveTageList) {

        if (tagRule.rule == rule) {
          tagId = tagRule.id
        }
      }
      tagId
    })

    // 6、使用五级标签与Hbase的数据进行匹配获取标签
    val jobNewTags : DataFrame = hbaseDatas.select('id.as ("userId"),getUserTags('job).as("tagsId"))
    jobNewTags.show(5)

    //+------+------+
    //|userId|tagsId|
    //+------+------+
    //|     1|    68|
    //|    10|    70|
    //|   100|    68|
    //|   101|    66|
    //|   102|    66|
    //+------+------+

<7>读取hbase中历史数据，与新数据合并

从这一步开始，真正与之前匹配完就完事的程序不同。我们需要将Hbase中的历史数据读取出来，与新计算的指标进行一个join合并。

其中也需要编写udf对标签进行拼接，并对拼接后的数据进行去重处理。

    /*  定义一个udf,用于处理旧数据和新数据中的数据 */
    val getAllTages: UserDefinedFunction = udf((genderOldDatas: String, jobNewTags: String) => {

      if (genderOldDatas == "") {
        jobNewTags
      } else if (jobNewTags == "") {
        genderOldDatas
      } else if (genderOldDatas == "" && jobNewTags == "") {
        ""
      } else {
        val alltages: String = genderOldDatas + "," + jobNewTags  //可能会出现 83,94,94
        // 对重复数据去重
        alltages.split(",").distinct // 83 94
        // 使用逗号分隔，返回字符串类型
          .mkString(",") // 83,84
      }
    })


    // 7、解决数据覆盖的问题
    // 读取test，追加标签后覆盖写入
    // 标签去重


    val genderOldDatas: DataFrame = spark.read.format("com.czxy.tools.HBaseDataSource")
      // hbaseMeta.zkHosts 就是 192.168.10.20  和 下面是两种不同的写法
      .option("zkHosts","192.168.10.20")
      .option(HBaseMeta.ZKPORT, "2181")
      .option(HBaseMeta.HBASETABLE, "test")
      .option(HBaseMeta.FAMILY, "detail")
      .option(HBaseMeta.SELECTFIELDS, "userId,tagsId")
      .load()

    genderOldDatas.show(5)
   //+------+------+
    //|userId|tagsId|
    //+------+------+
    //|     1|  6,68|
    //|    10|  6,70|
    //|   100|  6,68|
    //|   101|  5,66|
    //|   102|  6,66|
    //+------+------+

    // 新表和旧表进行join
    val joinTags: DataFrame = genderOldDatas.join(jobNewTags, genderOldDatas("userId") === jobNewTags("userId"))

    val allTags: DataFrame = joinTags.select(
      // 处理第一个字段
      when((genderOldDatas.col("userId").isNotNull), (genderOldDatas.col("userId")))
        .when((jobNewTags.col("userId").isNotNull), (jobNewTags.col("userId")))
        .as("userId"),

      getAllTages(genderOldDatas.col("tagsId"), jobNewTags.col("tagsId")).as("tagsId")
    )

    allTags.show()
    //+------+------+
    //|userId|tagsId|
    //+------+------+
    //|   296|  5,71|
    //|   467|  6,71|
    //|   675|  6,68|
    //|   691|  5,66|
    //|   829|  5,70|

<8>将最终结果写入到Hbase(数据覆盖)

经过第七步数据的合并之后，我们只需将最终的结果写入到Hbase中即可。

// 将最终结果进行覆盖
    allTags.write.format("com.czxy.tools.HBaseDataSource")
      .option("zkHosts", hbaseMeta.zkHosts)
      .option(HBaseMeta.ZKPORT, hbaseMeta.zkPort)
      .option(HBaseMeta.HBASETABLE,"test")
      .option(HBaseMeta.FAMILY, "detail")
      .option(HBaseMeta.SELECTFIELDS, "userId,tagsId")
      .save()

这个时候我们再去查询Hbase中test表的数据。

scan "test",{LIMIT => 5}

当发现每个用户都有了两个标签值时(ps：一个是上一篇文章开发的性别标签，另一个是我们本篇开发的工作标签)，就说明我们标签的累计开发就成功了。

过程小结

1、为读取hbase,mysql数据，创建一个sparksession，设置appname,master 2、链接mysql数据库，设置url,tablename, properties 3、读取四级标签数据 a)通过ID读取四级数据的rule。（ID是固定死的） b)创建四级标签时不要直接指定jar文件名和参数等。创建完四级标签后，开发代码后，再在四级标签中添加jar文件信息。 c)将读取的字符串类型数据封装成样例类，以便于后续使用 i.将字符串先按照##切分数据，再按照=切分数据 ii.将切分后的数据封装成Map iii.最后将Map封装成样例类 4、读取五级标签数据 a)读物数据中pid=XXX的数据，查询出ID和rule b)将id 和rule封装成样例类 c)最终返回List内部为样例类 5、基于第三步读取的hbase表、列族、字段。到相应的表中读取字段 6、根据hbase数据和五级标签的数据进行标签匹配 a)匹配时使用udf函数进行匹配 7、读取hbase中历史数据到程序中 a)将历史数据和新计算出来的指标进行join. b)获取join后的用户ID和用户标签，编写UDF将标签进行拼接 c)拼接后的数据需要进行去重 8、将最终拼接后的数据写入hbase（数据的覆盖）