用户行为数据采集_用户行为怎么爬取

实验目的

掌握flume的使用，将模拟生成的数据通过日志拦截器的选择，上传到kafka，再由kafka上传到hdfs中存储

实验背景

在产品的开发和设计，尤其针对互联网的产品，对用户行为的数据进行筛选、统计、分析，从而发现用户的一些使用习惯，操作规律，并将这些规律反馈到产品的设计、开发、运维、市场以及营销上，进而对一些预先的方案进行调整和修正从而达到更好的效果。所以进行用户行为数据分析是非常必要的，而用户行为数据分析的前置要求就是，需要一个用户行为数据采集的平台。

实验原理

1.目标数据：我们要收集和分析的数据主要包括页面数据、事件数据、曝光数据、启动数据和错误数据。

①页面数据

页面数据主要记录一个页面的用户访问情况，包括访问时间、停留书简、页面路径等信息。

 1）所有页面id如下

home("首页"),
​
category("分类页"),
​
discovery("发现页"),
​
top_n("热门排行"),
​
favor("收藏页"),
​
search("搜索页"),
​
good_list("商品列表页"),
​
good_detail("商品详情"),
​
good_spec("商品规格"),
​
comment("评价"),
​
comment_done("评价完成"),
​
comment_list("评价列表"),
​
cart("购物车"),
​
trade("下单结算"),
​
payment("支付页面"),
​
payment_done("支付完成"),
​
orders_all("全部订单"),
​
orders_unpaid("订单待支付"),
​
orders_undelivered("订单待发货"),
​
orders_unreceipted("订单待收货"),
​
orders_wait_comment("订单待评价"),
​
mine("我的"),
​
activity("活动"),
​
login("登录"),
​
register("注册");

 2）所有页面对象类型如下：

sku_id("商品skuId"),
​
keyword("搜索关键词"),
​
sku_ids("多个商品skuId"),
​
activity_id("活动id"),
​
coupon_id("购物券id");

3）所有来源类型如下：

promotion("商品推广"),
​
recommend("算法推荐商品"),
​
query("查询结果商品"),
​
activity("促销活动");

 

②事件数据

事件数据主要记录应用内一个具体操作行为，包括操作类型、操作对象、操作对象描述等信息。

 

1）所有动作类型如下：

favor_add("添加收藏"),
​
favor_canel("取消收藏"),
​
cart_add("添加购物车"),
​
cart_remove("删除购物车"),
​
cart_add_num("增加购物车商品数量"),
​
cart_minus_num("减少购物车商品数量"),
​
trade_add_address("增加收货地址"),
​
get_coupon("领取优惠券");

注：对于下单、支付等业务数据，可从业务数据库获取。

2）所有动作目标类型如下：

sku_id("商品"),
​
coupon_id("购物券");

 

③曝光数据

曝光数据主要记录页面所曝光的内容，包括曝光对象，曝光类型等信息。

1）所有曝光类型如下：

promotion("商品推广"),
 recommend("算法推荐商品"),
 query("查询结果商品"),
 activity("促销活动");

 2）所有曝光对象类型如下：

sku_id("商品skuId"),
​
activity_id("活动id");

 ④启动数据：启动数据记录应用的启动信息。

1）所有启动入口类型如下：

icon("图标"),
 notification("通知"),
 install("安装后启动");

⑤错误数据：错误数据记录应用使用过程中的错误信息，包括错误编号及错误信息。

6.数据埋点

①主流埋点方式

目前主流的埋点方式，有代码埋点（前端/后端）、可视化埋点、全埋点三种。

代码埋点是通过调用埋点SDK函数，在需要埋点的业务逻辑功能位置调用接口，上报埋点数据。例如，我们对页面中的某个按钮埋点后，当这个按钮被点击时，可以在这个按钮对应的 OnClick 函数里面调用SDK提供的数据发送接口，来发送数据。

可视化埋点只需要研发人员集成采集 SDK，不需要写埋点代码，业务人员就可以通过访问分析平台的“圈选”功能，来“圈”出需要对用户行为进行捕捉的控件，并对该事件进行命名。圈选完毕后，这些配置会同步到各个用户的终端上，由采集 SDK 按照圈选的配置自动进行用户行为数据的采集和发送。

全埋点是通过在产品中嵌入SDK，前端自动采集页面上的全部用户行为事件，上报埋点数据，相当于做了一个统一的埋点。然后再通过界面配置哪些数据需要在系统里面进行分析。

②埋点数据日志结构

我们的日志结构大致可分为两类，一是普通页面埋点日志，二是启动日志。

普通页面日志结构如下，每条日志包含了，当前页面的页面信息，所有事件（动作）、所有曝光信息以及错误信息。除此之外，还包含了一系列公共信息，包括设备信息，地理位置，应用信息等，即下边的common字段。

1）普通页面埋点日志格式

 

{
 "common": {         -- 公共信息
  "ar": "230000",       -- 地区编码
  "ba": "iPhone",       -- 手机品牌
  "ch": "Appstore",      -- 渠道
  "md": "iPhone 8",      -- 手机型号
  "mid": "YXfhjAYH6As2z9Iq", -- 设备id
  "os": "iOS 13.2.9",      -- 操作系统
  "uid": "485",         -- 会员id
  "vc": "v2.1.134"       -- app版本号
 },
"actions": [           --动作(事件) 
  {
   "action_id": "favor_add",  --动作id
   "item": "3",          --目标id
   "item_type": "sku_id",    --目标类型
   "ts": 1585744376605      --动作时间戳
  }
 ]，
 "displays": [
  {
   "displayType": "query",    -- 曝光类型
    "item": "3",           -- 曝光对象id
    "item_type": "sku_id",     -- 曝光对象类型
    "order": 1            --出现顺序
  },
  {
   "displayType": "promotion",
   "item": "6",
   "item_type": "sku_id",
   "order": 2
  },
  {
   "displayType": "promotion",
   "item": "9",
   "item_type": "sku_id",
   "order": 3
  },
  {
   "displayType": "recommend",
   "item": "6",
   "item_type": "sku_id",
   "order": 4
  },
  {
   "displayType": "query ",
   "item": "6",
   "item_type": "sku_id",
   "order": 5
  }
 ],
 "page": {            --页面信息
  "during_time": 7648,    -- 持续时间毫秒
  "item": "3",         -- 目标id
  "item_type": "sku_id",    -- 目标类型
  "last_page_id": "login",   -- 上页类型
  "page_id": "good_detail",  -- 页面ID
  "sourceType": "promotion"  -- 来源类型
 },
"err":{           --错误
"error_code": "1234",   --错误码
  "msg": "***********"    --错误信息
},
 "ts": 1585744374423 --跳入时间戳
}

2）启动日志格式

启动日志结构相对简单，主要包含公共信息，启动信息和错误信息。

{
 "common": {
  "ar": "370000",
  "ba": "Honor",
  "ch": "wandoujia",
  "md": "Honor 20s",
  "mid": "eQF5boERMJFOujcp",
  "os": "Android 11.0",
  "uid": "76",
  "vc": "v2.1.134"
 },
 "start": {  
  "entry": "icon",     --icon手机图标  notice 通知  install 安装后启动
  "loading_time": 18803,  --启动加载时间
  "open_ad_id": 7,    --广告页ID
  "open_ad_ms": 3449,  -- 广告总共播放时间
  "open_ad_skip_ms": 1989  -- 用户跳过广告时点
 },
"err":{           --错误
"error_code": "1234",   --错误码
  "msg": "***********"    --错误信息
},
 "ts": 1585744304000
}

③埋点数据上报时机

埋点数据上报时机包括两种方式。

方式一，在离开该页面时，上传在这个页面产生的所有数据（页面、事件、曝光、错误等）。优点，批处理，减少了服务器接收数据压力。缺点，不是特别及时。

方式二，每个事件、动作、错误等，产生后，立即发送。优点，响应及时。缺点，对服务器接收数据压力比较大。

实验环境

ubuntu 16.04

openssh 8.4

hadoop 3.1.3

flume 1.9.0

kafka 2.41

zookeeper 3.5.7

实验步骤

1.启动服务

想要进行数据仓库的搭建，首先要做的就是把搭建在本地的一个hadoop集群给启动起来，这里准备好了启动集群所需的命令文件，执行即可

首先是Hadoop服务

初始化namenode并启动Hadoop服务

hadoop namenode -format
start-all.sh 

然后是zookeeper服务

zkServer.sh start

最后是kafka服务

​
/opt/kafka/bin/kafka-server-start.sh -daemon /opt/kafka/config/server.properties
 
​

复制到实验机

可使用jps命令查看是否服务全部启动

2.模拟数据

在下载application.properties、gmall-mock-log.jar、path.json、logback.xml，四个文件，这个是生成数据的java文件，其中application.properties可以配置我们需要生成日志文件的内容

mkdir /opt/module
cd /opt/module
wget  http://10.90.3.2/LMS/Project/shucang/applog.zip
unzip applog.zip
cd applog
vim application.properties

复制到实验机

#外部配置打开
logging.config=./logback.xml
#业务日期
mock.date=2021-01-25
#模拟数据发送模式
mock.type=log
#mock.type=http
#http 模式下，发送的地址
mock.url=http://localhost:8080/applog
#启动次数
mock.startup.count=100
#设备最大值
mock.max.mid=50
#会员最大值
mock.max.uid=500
#商品最大值
mock.max.sku-id=10
#页面平均访问时间
mock.page.during-time-ms=20000
#错误概率 百分比
mock.error.rate=3
#每条日志发送延迟 ms
mock.log.sleep=10
#商品详情来源 用户查询，商品推广，智能推荐, 促销活动
mock.detail.source-type-rate=40:25:15:20

复制到实验机

业务日期处可以更改为自选日期

其余文件不需更改，其中path.json用来配置访问路径，也可以根据需求灵活配置用户点击路径

logback配置文件可以修改日志生成路径，修改内容在第三行处的property name

返回/opt/module/applog路径执行命令

java -jar gmall-mock-log.jar

复制到实验机

运行完成后日志生成在/opt/module/applog/log中，日志上的日期是你执行文件的日期，但是内容中的日期是你设置的日期，这一点要分开

  

2.日志采集flume配置

下载日志拦截器到flume下的lib

wget -P /opt/apache-flume-1.9.0-bin/lib http://10.90.3.2/LMS/Project/shucang/flume-interceptor-1.0-SNAPSHOT-jar-with-dependencies.jar

打开到对应目录

cd /opt/apache-flume-1.9.0-bin/conf

复制到实验机

创建编辑配置文件

vim file-flume-kafka.conf

复制到实验机

#为各组件命名
a1.sources = r1
a1.channels = c1
 
#描述source
a1.sources.r1.type = TAILDIR
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /opt/module/applog/log/app.*
a1.sources.r1.positionFile = /opt/apache-flume-1.9.0-bin/taildir_position.json
a1.sources.r1.interceptors =  i1
#这里用到了一个日志拦截器，放在了flume的lib中，用途是把集群运行日志，和用户行为日志分开
a1.sources.r1.interceptors.i1.type = com.sugonedu.flume.interceptor.LogInterceptor$Builder
 
#描述channel
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = localhost:9092
a1.channels.c1.kafka.topic = topic_log
a1.channels.c1.parseAsFlumeEvent = false
 
#绑定source和channel以及sink和channel的关系
a1.sources.r1.channels = c1

 

该配置文件就是扫描/opt/module/applog/log下的log文件，通过日志拦截器的选择，将有用的用户行为部分，传入kafka的topic_log中

我们可以写一个运行这个配置的flume

nohup /opt/apache-flume-1.9.0-bin/bin/flume-ng agent --conf-file /opt/apache-flume-1.9.0-bin/conf/file-flume-kafka.conf --name a1 -Dflume.root.logger=INFO,LOGFILE >/opt/apache-flume-1.9.0-bin/log1.txt 2>&1 &

 

在这里我们用了nohub，该命令可以在你退出帐户/关闭终端之后继续运行相应的进程。nohup就是不挂起的意思，不挂断地运行命令。

flume-ng是运行flume的可执行文件，使用--conf-file指定通过哪儿个配置文件启动，--name中指定的a1就是我们在配置文件中书写的a1

3.然后是日志消费flume的配置

vim /opt/apache-flume-1.9.0-bin/conf/kafka-flume-hdfs.conf

复制到实验机

## 组件
a2.sources=r1
a2.channels=c1
a2.sinks=k1
 
## source1
a2.sources.r1.type = org.apache.flume.source.kafka.KafkaSource
a2.sources.r1.batchSize = 5000
a2.sources.r1.batchDurationMillis = 2000
a2.sources.r1.kafka.bootstrap.servers = localhost:9092
a2.sources.r1.kafka.topics=topic_log
a2.sources.r1.interceptors = i1
a2.sources.r1.interceptors.i1.type = com.sugonedu.flume.interceptor.TimeStampInterceptor$Builder
 
## channel1
a2.channels.c1.type = file
a2.channels.c1.checkpointDir = /opt/apache-flume-1.9.0-bin/checkpoint/behavior1
a2.channels.c1.dataDirs = /opt/apache-flume-1.9.0-bin/data/behavior1/
a2.channels.c1.maxFileSize = 2146435071
a2.channels.c1.capacity = 1000000
a2.channels.c1.keep-alive = 6
 
 
## sink1
a2.sinks.k1.type = hdfs
a2.sinks.k1.hdfs.path = /origin_data/gmall/log/topic_log/%Y-%m-%d
a2.sinks.k1.hdfs.filePrefix = log-
a2.sinks.k1.hdfs.round = false
 
 
a2.sinks.k1.hdfs.rollInterval = 10
a2.sinks.k1.hdfs.rollSize = 134217728
a2.sinks.k1.hdfs.rollCount = 0
 
## 控制输出文件是原生文件。
a2.sinks.k1.hdfs.fileType = DataStream
## 拼装
a2.sources.r1.channels = c1
a2.sinks.k1.channel= c1

复制到实验机

这个配置文件就是通过flume将topic_log中的信息生成文件传入hdfs中的/origin_data/gmall/log/topic_log/目录下

同样可以来启动这一flume

nohup /opt/apache-flume-1.9.0-bin/bin/flume-ng agent --conf-file /opt/apache-flume-1.9.0-bin/conf/kafka-flume-hdfs.conf --name a2 -Dflume.root.logger=INFO,LOGFILE >/opt/apache-flume-1.9.0-bin/log2.txt   2>&1 &

复制到实验机

这样我们就启动成功两个flume，现在我们的flume就在扫描/opt/module/applog/log下的新生成的文件，和文件中新增的数据，并把它传入kafka的topic中，然后再传到hdfs中

我们再生成一次数据

cd /opt/module/applog
java -jar gmall-mock-log.jar

 

  查看创建的topic

/opt/kafka/bin/kafka-topics.sh --zookeeper localhost:2181 --list

 

 

查看topic中的信息 

/opt/kafka/bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 --from-beginning --topic topic_log

 

 

就会输出topic中的内容，而且会一直监听这个topic如果我们再生成一次数据，会看到这里的内容开始刷新

最后我们看一下输出在hdfs中的文件，打开桌面上的浏览器

http://localhost:50070

复制到实验机

输入网址可看到

这个界面，然后我们

 

选择浏览文件系统，就可以看到生成的文件夹

 

 

 

同样，也能看到生成的数据

实验总结

通过这次实验，我们学了flume的使用，了解了在数仓项目中，是如何将日志文件中的用户行为的数据提取出来，以kafka为中间节点，传入hdfs中进行存储。