1.数据采集的重要性
当前市场环境下,数据对于一个企业的重要性堪比汽车对于石油的重要性,而我们数据采集的手段,采集的准确性,采集的性能,以及采集的内容都是决定了数据能否最终被我们实用起来。
2.数据采集的原理:
埋点:我们在前端会写一个采集的脚本(一段js代码),当用户发起http请求访问的时候就会执行,这时候用户的点击信息(比如访问地址、ip、访问的页面、页面停留的时间)就会被记录下来,存储到nginx中,为了实现跨域的功能,一般情况下会给用户响应一个1*1像素的图片,用来传递数据。
3.数据采集架构:
3.1
3.2确定收集信息
比如访问时间、ip、域名、URL、页面标题、分辨率、浏览客户端、状态值等等。
3.3确定埋点js代码
埋点,是网站分析的一种常用的数据采集方法。核心就是在需要进行数据采集的关键点植入统计代码,进行数据的采集。比如以谷歌分析原型来说,需要在页面中插入一段它提供的 javascript 片段,这个片段往往被称为埋点代码。
<script type="text/javascript">
var _maq = _maq || [];
_maq.push(['_setAccount', 'UA-XXXXX-X']);
(function() {
var ma = document.createElement('script'); ma.type =
'text/javascript'; ma.async = true;
ma.src = ('https:' == document.location.protocol ?
'https://ssl' : 'http://www') + '.google-analytics.com/ma.js';
var s = document.getElementsByTagName('script')[0];
s.parentNode.insertBefore( m a, s);
})();
</script>
_maq 的机制不是重点,重点是后面匿名函数的代码
ma.async = true 的意思是异步调用外部 js 文件
自调用匿名函数的好处是,避免重名,自调用匿名函数只会在运行时执行一次,一般用于初始化
3.4 前端数据收集脚本:
3.4.1 通过浏览器内置的js对象接受信息。
3.4.2 解析_maq 数组,收集配置信息。这里面可能会包括用户自定义的事件跟踪、业务数据(如电子商务网站的商品编号等)等。
3.4.3 将上面两步收集的数据按预定义格式解析并拼接(get 请求参数)。
3.4.4 请求一个后端脚本,将信息放在 http request 参数中携带给后端脚本
(function () {
var params = {};
//Document 对象数据
if(document) {
params.domain = document.domain || '';
params.url = document.URL || '';
params.title = document.title || '';
params.referrer = document.referrer || '';
}
//Window 对象数据
if(window && window.screen) {
params.sh = window.screen.height || 0;
params.sw = window.screen.width || 0;
params.cd = window.screen.colorDepth || 0;
}
//navigator 对象数据
if(navigator) {
params.lang = navigator.language || '';
}
//解析_maq 配置
if(_maq) {
for(var i in _maq) {
switch(_maq[i][0]) {
case '_setAccount':
params.account = _maq[i][1];
break;
default:
break;
}
}
}
//拼接参数串
var args = '';
for(var i in params) {
if(args != '') {
args += '&';
}
args += i + '=' + encodeURIComponent(params[i]);
}
//通过 Image 对象请求后端脚本
var img = new Image(1, 1);
img.src = ' http://xxx.xxxxx.xxxxx/log.gif? ' + args;
})();
3.5 后端脚本
log.gif 是后端脚本,是一个伪装成 gif 图片的脚本。后端脚本一般需要完成以下几件事情:
3.5.1 解析 http 请求参数得到信息
3.5.2 从 Web 服务器中获取一些客户端无法获取的信息,如访客 ip 等
3.5.3 将信息按格式写入 log
3.5.4 生成一副 1×1 的空 gif 图片作为响应内容并将响应头的 Content-type设为 image/gif
3.5.5 在响应头中通过 Set-cookie 设置一些需要的 cookie 信息
3.6 日志格式
日志的格式要考虑日志的分隔符,一般会有如下几种格式
固定数量的字符、制表符分隔符、空格分隔符、其他一个或多个字符、特定的开始和结束文本
3.7 日志的切分
日志收集系统访问日志时间一长文件变得很大,而且日志放在一个文件不便于管理。通常要按时间段将日志切分,例如每天或每小时切分一个日志。通过crontab 定时调用一个 shell 脚本实现,如下
_prefix="/path/to/nginx"
time=`date +%Y%m%d%H`
mv ${_prefix}/logs/ma.log ${_prefix}/logs/ma/ma-${time}.log
kill -USR1 `cat ${_prefix}/logs/nginx.pid
4.系统环境部署:
4.1上传 LuaJIT-2.0.4.tar.gz 并安装 LuaJI
4.2设置 LuaJIT 环境变量
vi /etc/profile
export LUAJIT_LIB=/usr/local/luajit/lib
export LUAJIT_INC=/usr/local/luajit/include/luajit-2.0
source /etc/profile
4.3创建存储文件夹,保存 nginx 依赖的模块
4.4上传 nginx 依赖的模块
set-misc-nginx-module-0.29.tar.gz
lua-nginx-module-0.10.0.tar.gz
ngx_devel_kit-0.2.19.tar.gz
echo-nginx-module-0.58.tar.g
4.5将依赖的模块直接解压到储存文件
4.6安装 openresty
4.7安装 nginx
4.8编译 nginx 并支持其他模块
5.自定义采集
创建页面 index.html,添加埋点代码,放入 nginx 默认目录 nginx/html 下。
在默认目录 nginx/html 下添加一个数据采集脚本 ma.js。
修改 nginx 的配置文件,添加自定义相关业务逻辑。
启动 nginx
sbin/nginx -c conf/nginx.conf
通过游览器访问 nginx
观察自定义日志采集文件是否有对应的内容输出
tail -f logs/user_defined.log
此时还可以观察 nginx 默认的输出日志文件
tail -f logs/access.log
停止 nginx:
sbin/nginx –s stop
6.Socket机制
6.1 Socket,又称为套接字,用于描述 IP 地址和端口。应用程序通常通过 socket向网络发出请求或者应答网络请求。Socket 就是为网络编程提供的一种机制,在大数据领域在最开始数据的获取底层常常用到:
通信两端都有 socket;
网络通信其实就是 socket 之间的通信;
数据在两个 socket 之间通过 IO 传输。
网络编程也称作为 Socket 编程,套接字编程。
Socket 通信是 Client/Server 模型
6.2 基于UDP协议的socket通信(举例)
发送端:
// 创建发送端 Socket 服务对象
DatagramSocket dSocket = new DatagramSocket();
// 创建数据,打包数据
String message = "hello ,are u UDP ?";
byte[] bys = message.getBytes();
int length = bys.length;
InetAddress address = InetAddress.getByName("localhost");
int port = 12621;
DatagramPacket dPacket = new DatagramPacket(bys, length, address, port);
// 发送数据
dSocket.send(dPacket);
// 资源释放
dSocket.close();
接收端:
//创建接收端 Socket 服务对象
DatagramSocket dSocket = new DatagramSocket(12621);
//创建数据包(接收容器)
byte[] bys = new byte[1024];
DatagramPacket dPacket = new DatagramPacket(bys, bys.length);
//调用接收方法
dSocket.receive(dPacket);
//数据包解析
InetAddress address = dPacket.getAddress();
String hostAddress = address.getHostAddress();
byte[] data = dPacket.getData();
String message = new String(data);
System.out.println(hostAddress+"*********:"+message);
//资源释放
dSocket.close();
6.3 基于TCP协议的socket通信
服务端:
//建立服务端 socket 服务,并且监听一个端口
ServerSocket ss = new ServerSocket(13131);
//监听连接
Socket s = ss.accept();
//获取输入流,读取数据
InputStream inputStream = s.getInputStream();
byte[] bys = new byte[1024];
int len = inputStream.read(bys);
System.out.println(new String(bys, 0, len));
//关闭客户端
s.close();
//关闭服务端,一般服务端不关闭
ss.close();
客户端:
//创建客户端的 socket 服务,指定目的主机和端口
Socket s = new Socket("127.0.0.1", 13131);
//通过 socket 获取输出流,写数据
OutputStream outputStream = s.getOutputStream();
outputStream.write("hello ,this is tcp?".getBytes());
//释放资源
s.close();