第一部分 题目要求

数据信息部分

数据来源	sohu用户搜索日志数据（一天）链接
系统要求	基于Hadoop，HBASE和SPARK实现，语言使用JAVA SCALA或PYTHON皆可
数据格式	访问时间 用户ID [查询词] 该URL在返回结果中的排名 用户点击的顺序号 用户点击的URL

数据清洗部分

实现一个程序，载入文本中的日志数据，每行作为一条记录（六个字段），存入HBASE。

数据搜索部分

1. 使用HBASE的API实现条件查询功能，具体内容如下：

（1）根据开始时间和结束时间搜索这段时间内的访问记录。输入信息为开始时间和结束时间，用‘|’字符隔开）

（2）根据用户ID搜索该用户的访问记录。输入信息为一个或多个用户ID，用‘|’字符隔开（并）

（3）根据关键字搜索含有该关键字的用户查询词记录。输入信息为一个或多个关键字，用‘|’字符隔开 （交）

（4）根据关键字（如baidu）等搜索相关网站的URL访问记录，输入信息为一个或多个关键字，用‘|’字符隔开（交）

（5）实现以上四个条件任意组合的联合搜索。四个条件之间用’+’字符隔开 （联合搜索要求所有条件同时满足）

要求有条件输入界面，用命令行或UI界面均可。

2. 使用HADOOP的MAPReduce，实现以下功能：

（1）基于大数据计算技术的条件查询：使用mapreduce框架，实现类似Hbase六个字段查询的功能

（2）时段流量统计：以hh:mm:ss格式输入起始时间和结束时间，统计这段时间之内的总搜索次数（就是记录数）、各个查询词搜索次数，各个网站（URL）的访问量。

注意：同一个网站的URL算在同一个网站上

如women.sohu.com/20070508/n249762812.shtml，

s.sohu.com/20080220/n255256097.shtml，

peng.blog.sohu.com等不同的sohu网页都统计为sohu网站的访问次数。

（3）用户使用频率统计：统计每个用户一天内的搜索次数

（4）访问行为统计：根据该页面在搜索结果中的排名(第4字段)，统计不同排名的结果被访问的情况。如排名第一的结果被访问次数，排名第二的结果被访问次数