基于云平台的web日志挖掘与研究(3)
1.2 国内外研究现状
1.3 本文研究内容和意义
本文通过分布式技术及web日志挖掘技术的研究和学习。熟悉hadoop分布式计算架，特别是web日志挖掘的流程，本文设计出一套基于hadoop的定时自动web日志挖掘系统。该系统中主要使用hadoop分布式框架作为基础，使用hadoop的并行计算框架mapreduce进行日志数据清洗，利用hadoop的HDFS作为分布式存储，并使用hive进行日志挖掘。挖掘的结果使用sqoop进行数据迁移，Hbase存储日志明细和mysql作为数据展示平台进行数据展示和查询。本文开发日志挖掘系统主要包括以下几个内容:
1、web日志的采集，怎么把apache服务器中的日志采集并自动传输到hadoop分布式存储系统中，本文拟采用flume框架，自动收集apache服务器中的日志[7]。
2、web日志的分布式存储，怎么存储从flume上采集过来的日志文件，web日志文件小则几GB，多则几十TB，所以对于日志文件的存储也是一个很大的挑战，既要考虑到文件的大小，也要考虑到文件的安全性，本文拟采用hadoop的HDFS分布式存储作为日志存储方案，把日志文件分割成128MB的小文件，负载均衡存储在各个子节点中，每个小文件存储三份，防止文件丢失，考虑了文件的存储，又兼顾了文件的安全性能[8]。
3、web日志的数据清洗，web日志中含有很多无效的信息，比如静态文件、图片的缓存信息等，这些信息影响日志分析的结果，所以在进行日志挖掘之前，必须对这些数据进清洗，本文拟使用mapreduce编程，对这些信息进行清洗，mapreduce能够调用多个子节点的cpu和内存进行计算，能够达到更快的速度完成计算[9]。
4、web日志挖掘，清洗后的web日志存储在HDFS上，HDFS并不能自动进行分析和挖掘，所以需要使用mapreduce进行数据挖掘，或者使用别的分布式计算框架，本文拟采用Hive分布式框架进行计算，hive进行数据挖掘，能够把每一个数据分析语句转化为mapreduce任务，进而调用多个子节点的资源进行计算[10]。
5、大数据迁移，日志挖掘完成后的内容存放在hive数据表中，使用hive进行数据展示，往往要调用mapreduce，所以会导致延迟非常高，所以需要把挖掘后的内容迁移到Hbase进行日志详情的展示，同时把hive数据挖掘后的表转移到mysql中，从而能够达到快速响应用户的查询请求，所以需要一个数据迁移的步骤，把所有的内容迁移到Hbase和mysql中[11]。
6、数据展示，本文拟采用Hbase分布式数据库存储清洗以后的日志详情，使用mysql存储和展示挖掘以后的信息和内容，以供开发人员快速的查询和及时对网站的内容和布局进行快速调整[12]。
上面是本文的主要研究内容，涉及到大数据存储，日志清洗、日志挖掘、日志迁移和日志展示等内容，使用hadoop框架进行开发主要是，能够大大解决现在web日志数据量巨大的存储问题，最主要是解决了计算问题，使单机计算需要几小时的工作在十几分钟内完成，大大的提升了效率，同时降低了公司的成本。本文提出的基于hadoop的web日志挖掘系统具有重要意义，主要表现在以下几个方面：
1、可以为用户提供个性化服务：根据每一个用户浏览和点击的内容进行挖掘，能够得到每一个用户的兴趣和偏好，能够在后台对每一个用户进行类别分类，对不同类别的用户推荐不一样的内容，提高用户的体验，增加用户的黏性。
2、优化网站内容：分析用户的点击和浏览内容，可以看出哪些内容受欢迎，哪些内容不受欢迎，为web开发者提供参考依据，从而对网站进行修改，满足用户的需求。
3、商业智能：比如一些电子商务网站，往往能够留下用户的评论、评分、满意度等等，可以根据这些数据，研究制定针对不同人群的营销方案、广告，从而以最少的成本，获得最大的影响力和推广。
上一篇：银行叫号系统的程序设计