网站日志流量复杂分析

网站日志流量复杂分析

hadoop

hive

需求

会话信息表：

键名	描述	对应Track表字段
session_id	会话ID	sessionId，会话ID
guid	访客id	globel userId，独立访客ID，不清cookies时不会变化guid
trackerU	访问的渠道id，取该会话中第一个trackerU	trackerU 渠道
landing_url	着落页，第一个访问URL	url
landing_url_ref	着落页之前的页面，用于分析引流	refere
user_id	用户id	endUserId
pv	网站pv	page_views
stay_time	停留时间，秒
min_trackTime	最小时间（第一次访问时的时间）
ip	ip地址	ip
provinceId	省份ID	provinceId
date	日期	分区字段

根据上面的相关信息，统计如下流量分析指标

日期	UV	PV	登陆人数	游客人数	平均访问时长	二跳率	独立IP数

实现

1、先根据会话信息在hive中创建对应的表，这里由于使用date来分区，所以可以不用在create中显示创建字段。

drop table if exists db_track.session_info ;

create table db_track.session_info(
session_id string ,
guid string ,
trackerU string ,
landing_url string ,
landing_url_ref string ,
user_id string ,
pv string ,
stay_time string ,
min_trackTime string ,
ip string ,
provinceId string 
)
partitioned by (date string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '	

2、插入数据,这里因为是根据session来分析的，所以按session来分组，因为这里的trackerU，landing_url和landing_url_ref在一个session里面有多个，但是我们只需要取对应tracktime最小值的记录，所以必须通过二次join得到

use db_track ;
drop table if exists tmp_session_info ;
create table tmp_session_info as
select
  a.sessionid session_id,
  max(a.guid) guid,
  -- trackerU ,
  -- landing_url ,
  -- landing_url_ref ,
  max(a.enduserid) user_id,
  count(a.url) pv,
  (unix_timestamp(max(a.tracktime)) - unix_timestamp(min(a.tracktime))) stay_time,
  min(a.tracktime) min_trackTime,
  max(a.ip) ip,
  max(a.provinceid) provinceId
from track_log a
where date = '20160319'
group by a.sessionid ;

3、获取原表session_info里面所有的session_id以及对应的tracktime，可以看到2中的表数据量明显少于没有做过聚合的表3，这里我们创建表3的时候只需要选取连接的主键以及需要得到tranckerU,landing_url，landing_url_ref即可

use db_track ;
drop table if exists tmp_track_url ;
create table tmp_track_url as
select
  sessionid ,
  tracktime ,
  trackeru ,
  url ,
  referer
from track_log
where date = '20160319' ;

4、join 2和3中的表，报表需要信息的基本表：

-- insert into table
use db_track ;
insert overwrite table session_info partition(date = '20160319')
select 
  a.session_id session_id,
  max(a.guid) guid,
  max(b.trackeru) trackerU,
  max(b.url) landing_url,
  max(b.referer) landing_url_ref,
  max(a.user_id) user_id,
  max(a.pv) pv,
  max(a.stay_time/1000) stay_time,
  max(a.min_tracktime) min_trackTime,
  max(a.ip) ip,
  max(a.provinceid) provinceId  
from tmp_session_info a
join tmp_track_url b
on a.session_id = b.sessionid and a.min_tracktime = b.tracktime
group by a.session_id ;

5、最后的报表结果:

-- 日期   UV  PV  登录人数    游客人数    平均访问时长  二跳率 独立IP数
use db_track ;
drop table if exists tmp_visit_daily ;
create table tmp_visit_daily as
-- process
select
  date ,
  count(distinct guid) uv ,
  sum(pv) pv ,
  count(distinct case when user_id is not null then user_id else NULL end) login_users ,
  count(distinct case when user_id is null then guid else NULL end) visit_users ,
  avg(stay_time) avg_stay_time ,
  count(case when pv >= 2 then session_id else NULL end)/count(session_id) second_rate ,
  count(distinct ip) ip_number
from session_info
where date = '20160319'
group by date ;