一种离线日志数据处理的方法和装置与流程

本发明涉及计算机技术领域，尤其涉及一种离线日志数据处理的方法和装置。

背景技术：

目前互联网公司在处理离线日志的时候大多采用t+1的处理方式，即将当天用户的流量日志分成n多个数据文件存储在数据服务器中，在第二天的凌晨从数据服务器中抽取日志数据文件到本地数据仓库。当所有数据文件都抽取到本地后开始进行数据整合解析，将每个访次内的浏览日志进行排序解析。该方法对于有大流量的公司来说，处理方式效率较低，甚至从数据抽取到数据解析到为下游提供数据要3到4个小时，而数据分析人员全部都在同一时段(例如4点到9点前)开始调起任务，导致集群负载大，任务高并发，资源消耗始终处于峰值。

现有技术中，对于用户浏览网站时产生大量流量日志，当日产生的所有流量基础日志都会上报到日志服务器，以数据文件的形式存放。其中，次日零点从日志服务器抽取前一天全量数据文件到数据仓库，将所有数据文件整合在一起进行访次内排序和解析。对于上述现有技术，存在以下技术问题：需要将前一天所有的基础日志全部抽到数据仓库后进行全量整合和排序，数据量大，实效差，耗时较长；下游数据分析需要在基础日志处理完后才能进行，基础日志耗时长，导致分析任务整体集中在一个时间范围内，任务高并发，耗时长，机器负载大。

技术实现要素：

有鉴于此，本发明实施例提供一种离线日志数据处理的方法和装置，能够快速的完成数据抽取和数据解析，并降低了任务的高并发，释放更多资源，降低了机器负载。

为实现上述目的，根据本发明实施例的一个方面，提供了一种离线日志数据处理的方法。

本发明实施例的离线日志数据处理的方法包括：抽取离线日志数据，并获取离线日志数据的属性信息；根据所述离线日志数据的属性信息，从构建的数据集合中确定所述离线日志数据的目标数据集合；所述构建的数据集合为根据预设的分类属性构建的；将所述离线日志数据存入所述目标数据集合。

可选地，所述预设的分类属性为时间单元，所述属性信息中至少包括时间信息；

根据所述离线日志数据的属性信息，从构建的数据集合中确定所述离线日志数据的目标数据集合的步骤包括：根据所述离线日志数据的时间信息，确定当前时间单元数据集合，并确定与当前时间单元数据集合相邻的前一时间单元数据集合；确定所述当前时间单元数据集合与前一时间单元数据集合中重复的日志数据；去除所述当前时间单元数据集合中所述重复的日志数据，将该当前时间单元数据集合确定为目标数据集合。

可选地，确定所述当前时间单元数据集合与前一时间单元数据集合中重复的日志数据的步骤包括：确定所述当前时间单元数据集合与前一时间单元数据集合中日志数据的会话标识；确定所述当前时间单元数据集合与前一时间单元数据集合相同的会话标识，所述相同的会话标识对应的日志数据为重复的日志数据。

可选地，确定所述当前时间单元数据集合与前一时间单元数据集合相同的会话标识的步骤包括：基于bloomfilter技术，构建所述当前时间单元数据集合与前一时间单元数据集合的会话标识集合；根据所述会话标识集合，确定所述当前时间单元数据集合与前一时间单元数据集合相同的会话标识。

可选地，所述预设的分类属性为安全级别。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种离线日志数据处理的装置。

本发明实施例的离线日志数据处理的装置包括：

数据获取模块，用于抽取离线日志数据，并获取离线日志数据的属性信息；

集合确定模块，用于根据所述离线日志数据的属性信息，从构建的数据集合中确定所述离线日志数据的目标数据集合；所述构建的数据集合为根据预设的分类属性构建的；

存储模块，用于将所述离线日志数据存入所述目标数据集合。

可选地，所述集合确定模块还用于，根据预设的时间单元和所述离线日志数据的时间信息，确定当前时间单元数据集合，并确定与当前时间单元数据集合相邻的前一时间单元数据集合；确定所述当前时间单元数据集合与前一时间单元数据集合中重复的日志数据；去除所述当前时间单元数据集合中所述重复的日志数据，将该当前时间单元数据集合确定为目标数据集合；

所述预设的分类属性为时间单元，所述属性信息中至少包括时间信息。

可选地，所述集合确定模块还用于，确定所述当前时间单元数据集合与前一时间单元数据集合中日志数据的会话标识；以及，确定所述当前时间单元数据集合与前一时间单元数据集合相同的会话标识，所述相同的会话标识对应的日志数据为重复的日志数据。

可选地，所述集合确定模块还用于，基于bloomfilter技术，构建所述当前时间单元数据集合与前一时间单元数据集合的会话标识集合；根据所述会话标识集合，确定所述当前时间单元数据集合与前一时间单元数据集合相同的会话标识。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。

本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项的离线日志数据处理的方法。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述任一项的离线日志数据处理的方法。

上述发明中的一个实施例具有如下优点或有益效果：对一天的日志数据进行分类处理，例如分小时对海量日志数据加工处理，则可随时抽取离线日志数据，不用集中在第二天凌晨抽取前一天所有的日志数据。将整天的日志拆分成多份，可分别来处理，所以能快速的完成数据抽取和数据解析，并降低了任务的高并发，可释放更多资源，降低了机器负载。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的离线日志数据处理的方法的主要流程的示意图；

图2是根据本发明实施例的以小时为单位的离线日志数据处理的示意图；

图3是根据本发明实施例的对相邻时间单位内的日志数据进行过滤的示意图；

图4是根据本发明实施例的离线日志数据处理的装置的主要模块的示意图；

图5是本发明实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的离线日志数据处理的方法的主要流程的示意图，如图1所示，本发明实施例的确定离线日志数据处理的方法主要包括：

步骤s101：抽取离线日志数据，并获取离线日志数据的属性信息。在本发明实施例中，可对抓取的日志数据进行分类处理，在分类处理时可根据预设的分类属性进行。因此抓取数据时，需要获取该日志数据的属性信息。例如，当分类属性为时间单位时，获取的属性信息中至少包括日志数据的时间信息；如果分类属性为安全级别，则获取的属性信息中至少包括日志数据的级别信息。

步骤s102：根据离线日志数据的属性信息，从构建的数据集合中确定离线日志数据的目标数据集合。其中，构建的数据集合为根据预设的分类属性构建的。在本发明实施例中，预设的分类属性可以为时间单元，属性信息中至少包括时间信息。根据离线日志数据的属性信息，从构建的数据集合中确定离线日志数据的目标数据集合的过程中，根据离线日志数据的时间信息，确定当前时间单元数据集合，并确定与当前时间单元数据集合相邻的前一时间单元数据集合。然后，确定当前时间单元数据集合与前一时间单元数据集合中重复的日志数据。最后，去除当前时间单元数据集合中重复的日志数据，将该当前时间单元数据集合(去重后的当前时间单元数据集合)确定为目标数据集合。

其中，确定当前时间单元数据集合与前一时间单元数据集合中重复的日志数据的过程中，确定当前时间单元数据集合与前一时间单元数据集合中日志数据的会话标识(会话id)，然后确定当前时间单元数据集合与前一时间单元数据集合相同的会话标识，相同的会话标识对应的日志数据为重复的日志数据。会话id可以为session_id，同一用户在同一会话内的session_id是唯一值，不会发生变化。进一步，基于bloomfilter技术，构建当前时间单元数据集合与前一时间单元数据集合的会话标识集合，根据会话标识集合，确定当前时间单元数据集合与前一时间单元数据集合相同的会话标识。该相同的会话标识对应的日志数据则为当前时间单元数据集合与前一时间单元数据集合中重复的日志数据。

以及，bloomfilter是一种空间效率很高的随机数据结构，它利用比特数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。其采用的是哈希函数的方法，将一个元素映射到一个m长度的阵列上的一个点，当这个点是1时，那么这个元素在集合内，反之则不在集合内。通过bloomfilter技术，可快速、准确的识别出交叉会话日志(重复的日志数据)。

步骤s103：将离线日志数据存入目标数据集合。进而，可直接对每个数据集合中的日志数据进行排序等分析处理。

在现有技术中，处理离线日志多采用t+1的处理方式，即当天产生流量日志存储在数据服务器中，在第二天的凌晨从数据服务器抽取数据文件到本地数据仓库，当前一天所有日志数据文件都抽取到本地后开始进行数据整合解析，其中对跨天的数据，行业内默认的处理规则是直接进行切分。该现有技术没有对一天的日志数据进行分类(分时间段)处理，将前一天所有的基础日志全部抽到数据仓库后进行全量整合和排序，数据量大，实效差，耗时较长；数据处理集中在一个时间范围内，任务高并发，耗时长，机器负载大；

通过本发明实施例，可对一天的日志数据进行分类处理，例如分小时对海量日志数据加工处理，则可随时抽取离线日志数据，不用集中在第二天凌晨抽取前一天所有的日志数据。将一整天的日志拆分成多份，然后分别处理，所以能快速的完成数据抽取和数据解析，并降低了任务的高并发。进而可释放更多资源，降低了机器负载。以及，采用在空间和时间方面都有很大优势的bloomfilter技术筛选出相邻时间单元的相同的会话id，实现快速识别出重复的日志数据，实现对日志数据的分类整合，分小时对海量日志数据加工处理。

图2是根据本发明实施例的以小时为单位的离线日志数据处理的示意图。

通过本发明实施例，可随时抽取离线日志数据。为保证数据的完整，不能硬性切分数据，则可能将跨时段的数据重复分在两个小时内，则需要对数据进行去重处理。在本发明实施例中，通过以小时为单位，对浏览日志进行划分，得到24个浏览日志片段。由于同一用户、同一会话的日志记录可能出现在相邻的两个小时，因此，需要将这些同一用户、同一会话的日志记录合并在一个小时的日志片段内。如图2所示，可通过bloomfilter技术取第h小时和第h+1小时相同的会话记录(日志数据)，并将第h小时出现的重复会话的日志记录放入第h+1小时日志文件中，对第h小时日志进行解析排序处理(排除出现在第h+1小时内的日志数据)。其中0＝<h<＝21，最后对第22点和23点日志文件进行合并加工。

图3是根据本发明实施例的对相邻时间单位内的日志数据进行过滤的示意图。

如图3所示，遍历每个小时的浏览日志数据，将会话id通过多次哈希生成多个整数key，同时对维护的比特数组进行初始化，将比特数组中这些key相应位置的值置为1。例如，遍历相邻的第一个小时(0点到1点)和第二个小时(1点到2点)中的日志数据，并分别构建其bloomfilter数据集合(会话标识集合)b0和b1。其中，图3中“0点日志具备”和“1点日志具备”，是分别判断“是否存在0点到1点的日志数据”、“是否存在1点到2点的日志数据”，如果存在第1个小时(0点到1点)中的日志数据，则进一步判断是否存在1点到2点的日志数据，并构建其bloomfilter数据集合b0。然后，对相邻小时浏览日志维护的两个bloomfilter数据集合b0和b1做交集，找出第1小时和第2小时都出现的会话id集合，放入第三个bloomfilter数据结构b3中。结合b3，将第1小时的部分会话记录放入第2小时的日志文件(数据集合)中，剔除第1小时中这部分日志数据后，通过mapreduce程序对第1小时的数据进行处理，并将解析后的第1小时数据放入表中。

图4是根据本发明实施例离线日志数据处理的装置的主要模块的示意图，如图4所示，本发明实施例的离线日志数据处理的装置400包括数据获取模块401、集合确定模块402和存储模块403。

数据获取模块401用于，抽取离线日志数据，并获取离线日志数据的属性信息。

集合确定模块402用于，根据离线日志数据的属性信息，从构建的数据集合中确定离线日志数据的目标数据集合；构建的数据集合为根据预设的分类属性构建的。集合确定模块还用于，根据预设的时间单元和离线日志数据的时间信息，确定当前时间单元数据集合，并确定与当前时间单元数据集合相邻的前一时间单元数据集合；确定当前时间单元数据集合与前一时间单元数据集合中重复的日志数据；去除当前时间单元数据集合中重复的日志数据，将该当前时间单元数据集合确定为目标数据集合。预设的分类属性为时间单元，属性信息中至少包括时间信息。预设的分类属性还可以为安全级别。

存储模块403用于，将离线日志数据存入目标数据集合。

集合确定模块还用于，确定当前时间单元数据集合与前一时间单元数据集合中日志数据的会话标识；以及，确定当前时间单元数据集合与前一时间单元数据集合相同的会话标识，相同的会话标识对应的日志数据为重复的日志数据。集合确定模块还用于，基于bloomfilter技术，构建当前时间单元数据集合与前一时间单元数据集合的会话标识集合；根据会话标识集合，确定当前时间单元数据集合与前一时间单元数据集合相同的会话标识。

通过本发明实施例，可对一天的日志数据进行分类处理，例如分小时对海量日志数据加工处理，则可随时抽取离线日志数据，不用集中在第二天凌晨抽取前一天所有的日志数据。将整天的日志拆分成多份，可分别来处理，所以能快速的完成数据抽取和数据解析，并降低了任务的高并发，进而可释放更多资源，降低了机器负载。并且，采用在空间和时间方面都有很大优势的bloomfilter技术筛选出相邻小时的相同的会话id，实现快速对日志数据进行分类整合，分小时对海量日志数据加工处理。

图5示出了可以应用本发明实施例的离线日志数据处理的方法或离线日志数据处理的装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的离线日志数据处理的方法一般由服务器505执行，相应地，离线日志数据处理的装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取数据获取模块、集合确定模块和存储模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，数据获取模块还可以被描述为“抽取离线日志数据，并获取离线日志数据的属性信息的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：抽取离线日志数据，并获取离线日志数据的属性信息；根据离线日志数据的属性信息，从构建的数据集合中确定离线日志数据的目标数据集合；构建的数据集合为根据预设的分类属性构建的；将离线日志数据存入目标数据集合。

通过本发明实施例，可对一天的日志数据进行分类处理，例如分小时对海量日志数据加工处理，则可随时抽取离线日志数据，不用集中在第二天凌晨抽取前一天所有的日志数据。将整天的日志拆分成多份，可分别来处理，所以能快速的完成数据抽取和数据解析，并降低了任务的高并发，进而可释放更多资源，降低了机器负载。并且，采用在空间和时间方面都有很大优势的bloomfilter技术筛选出相邻小时的相同的会话id，实现快速对日志数据进行分类整合，分小时对海量日志数据加工处理。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。