[0033] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
[0034] 为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
[0035] 如图1所示,根据本发明的一个实施例,一种手机号码的海量提取方法,包括以下步骤:S10、利用Flume采集、聚合成子文本数据,并对子文本数据进行传输;再利用分布式web服务器框架,分别将各URL中的子文本数据收集到本地文件池;
[0036] S20、将所述本地文件池内累加得到的号码文本数据上传至hadoop的云端分布式文件系统hdfs1;hadoop是分布式系统基础构架。
[0037] S40、利用hadoop的数据仓库工具hive从所述云端分布式文件系统hdfs1内号码文本数据中分布式提取URL的手机号码。
[0038] 具体的,Flume是Cloudera提供的一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的系统,Flume支持在日志系统中定制各类数据发送方,用于收集数据。同时,Flume提供对数据进行简单处理,并写到各种数据接受方(可定制)的能力。
[0039] hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供完整的sql查询功能,可以将sql语句转换为MapReduce任务进行运行。hive使用的是hadoop的HDFS(hadoop的分布式文件系统),hive使用的计算模型是mapreduce。
[0040] 如图1、图2、图3所示,根据本发明的另一个实施例,一种手机号码的海量提取方法,包括以下步骤:S10、利用Flume采集、聚合成子文本数据,并对子文本数据进行传输;再利用分布式web服务器框架,分别将各URL中的子文本数据收集到本地文件池;
[0041] S21、对所述本地文件池内的子文本数据进行提取、Python的清洗后,累加合并成文本数据;Python是一种面向对象、直译式计算机程序设计语言。
[0042] 优选的,所述步骤S21进一步包括:S211、提取所述子文本数据的文件名中的路由器MAC和时间戳;
[0043] S212、识别出所述路由器MAC和时间戳是否遇到乱码;
[0044] S213、当所述路由器MAC和时间戳遇到乱码时,对所述乱码进行清洗,累加合并成文本数据后,跳转至步骤S22;否则,直接跳转至步骤S22。
[0045] S22、判断所述文本数据中是否存在电话号码;
[0046] S23、当所述文本数据中不存在电话号码时,对所述文本数据进行过滤检测并删除。
[0047] S24、当所述文本数据中存在电话号码时,则对所述文本数据中的电话号码进行正则匹配处理;
[0048] S25、判断所述文本数据中的电话号码是否为新电话号码;
[0049] S26、当所述电话号码为新电话号码时,则按照所述云端分布式文件系统hdfs1的块的大小,对存在新电话号码的文本数据合并成号码文本数据;否则,将存在电话号码的文本数据合成另一号码文本数据,或者将文本数据进行过滤检测并删除。
[0050] S27、利用本地分布式文件系统hdfs2将所述号码文本数据上传至hadoop的云端分布式文件系统hdfs1;hadoop是分布式系统基础构架。
[0051] S40、利用hadoop的数据仓库工具hive从所述云端分布式文件系统hdfs1内号码文本数据中分布式提取URL的手机号码。
[0052] 具体的,hadoop和mapreduce是hive架构的根基。Hive架构包括如下组件:CLI(command line interface)、JDBC/ODBC、Thrift Server、WEB GUI、metastore和Driver(Complier、Optimizer和Executor),这些组件可以分为两大类:服务端组件和客户端组件。
[0053] 服务端组件:1、Driver组件:该组件包括Complier、Optimizer和Executor,它的作用是将我们写的HiveQL(类SQL)语句进行解析、编译优化,生成执行计划,然后调用底层的mapreduce计算框架。
[0054] 2、Metastore组件:元数据服务组件,这个组件存储hive的元数据,hive的元数据存储在关系数据库里,hive支持的关系数据库有derby、mysql。元数据对于hive十分重要,因此hive支持把metastore服务独立出来,安装到远程的服务器集群里,从而解耦hive服务和metastore服务,保证hive运行的健壮性。
[0055] 3、Thrift服务:thrift是facebook开发的一个软件框架,它用来进行可扩展且跨语言的服务的开发,hive集成了该服务,能让不同的编程语言调用hive的接口。
[0056] 客户端组件:1、CLI:command line interface,命令行接口。
[0057] 2、Thrift客户端:上面的架构图里没有写上Thrift客户端,但是hive架构的许多客户端接口是建立在thrift客户端之上,包括JDBC和ODBC接口。
[0058] 3、WEBGUI:hive客户端提供了一种通过网页的方式访问hive所提供的服务。这个接口对应hive的hwi组件(hive web interface),使用前要启动hwi服务。
[0059] 如图1~图4所示,根据本发明的再一个实施例,一种手机号码的海量提取方法,包括以下步骤:S10、利用Flume采集、聚合成子文本数据,并对子文本数据进行传输;再利用分布式web服务器框架,分别将各URL中的子文本数据收集到本地文件池;
[0060] S21、对所述本地文件池内的子文本数据进行提取、Python的清洗后,累加合并成文本数据;Python是一种面向对象、直译式计算机程序设计语言。
[0061] 优选的,所述步骤S21进一步包括:S211、提取所述子文本数据的文件名中的路由器MAC和时间戳;
[0062] S212、识别出所述路由器MAC和时间戳是否遇到乱码;
[0063] S213、当所述路由器MAC和时间戳遇到乱码时,对所述乱码进行清洗,累加合并成文本数据后,跳转至步骤S22;否则,直接跳转至步骤S22。
[0064] S22、判断所述文本数据中是否存在电话号码;
[0065] S23、当所述文本数据中不存在电话号码时,对所述文本数据进行过滤检测并删除。
[0066] S24、当所述文本数据中存在电话号码时,则对所述文本数据中的电话号码进行正则匹配处理;
[0067] S25、判断所述文本数据中的电话号码是否为新电话号码;
[0068] S26、当所述电话号码为新电话号码时,则按照所述云端分布式文件系统hdfs1的块的大小,对存在新电话号码的文本数据合并成号码文本数据;否则,将存在电话号码的文本数据合成另一号码文本数据,或者将文本数据进行过滤检测并删除。
[0069] S27、利用本地分布式文件系统hdfs2将所述号码文本数据上传至hadoop的云端分布式文件系统hdfs1;hadoop是分布式系统基础构架。
[0070] S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
[0071] S31、所述开源计算框架TEZ对所述号码文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件系统hdfs1的数据库中。其中,压缩为ORC压缩;文件存储格式为ORC。
[0072] S41、利用所述数据仓库工具hive的UDF函数以正则匹配和处理方式从所述压缩文本数据中提取URL的手机号码。
[0073] 具体的,Tez是Apache最新的支持DAG作业的开源计算框架。Tez并不直接面向最终用户——事实上它允许开发者为最终用户构建性能更快、扩展性更好的应用程序。Tez项目的目标是支持高度定制化,这样它就能够满足各种用例的需要,让人们不必借助其他的外部方式就能完成自己的工作,如果Hive和Pig这样的项目使用Tez而不是MapReduce作为其数据处理的骨干,那么将会显著提升它们的响应时间。Tez构建在YARN之上,后者是Hadoop所使用的新资源管理框架。
[0074] hive文件存储格式:1.textfile为默认格式,存储方式:行存储,磁盘开销大,数据解析开销大;压缩的text文件hive无法进行合并和拆分。2.sequencefile,二进制文件,以的形式序列化到文件中;储方式:行存储,可分割,压缩;一般选择block压缩,优势是文件和Hadoop api中的mapfile是相互兼容的。3.rcfile,存储方式:数据按行分块,每块按照列存储;压缩快,快速列存取;读记录尽量涉及到的block最少;读取需要的列只需要读取每个row group的头部定义。读取全量数据的操作性能可能比sequencefile没有明显的优势。4.orc,存储方式:数据按行分块,每块按照列存储;压缩快,快速列存取;效率比rcfile高,是rcfile的改良版本。5.自定义格式。用户可以通过实现inputformat和outputformat来自定义输入输出格式。
[0075] 其中,textfile存储空间消耗比较大,并且压缩的text无法分割和合并;查询的效率最低,可以直接存储,加载数据的速度最高。sequencefile存储空间消耗最大,压缩的文件可以分割和合并,查询效率高,需要通过text文件转化来加载。rcfile存储空间最小,查询的效率最高,需要通过text文件转化来加载,加载的速度最低。
[0076] 如图1~图5所示,根据本发明的又一个实施例,一种手机号码的海量提取方法,包括以下步骤:S01、搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件系统hdfs1、本地分布式文件系统hdfs2;对Namenode HA和ResourceManager HA进行设置。
[0077] S02、在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;负载均衡建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。
[0078] S03、实现所述数据仓库工具hive、云端分布式文件系统hdfs1、本地分布式文件系统hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
[0079] S10、利用Flume采集、聚合成子文本数据,并对子文本数据进行传输;再利用分布式web服务器框架,分别将各URL中的子文本数据收集到本地文件池;
[0080] S21、对所述本地文件池内的子文本数据进行提取、Python的清洗后,累加合并成文本数据;Python是一种面向对象、直译式计算机程序设计语言。
[0081] 优选的,所述步骤S21进一步包括:S211、提取所述子文本数据的文件名中的路由器MAC和时间戳;
[0082] S212、识别出所述路由器MAC和时间戳是否遇到乱码;
[0083] S213、当所述路由器MAC和时间戳遇到乱码时,对所述乱码进行清洗,累加合并成文本数据后,跳转至步骤S22;否则,直接跳转至步骤S22。
[0084] S22、判断所述文本数据中是否存在电话号码;
[0085] S23、当所述文本数据中不存在电话号码时,对所述文本数据进行过滤检测并删除。
[0086] S24、当所述文本数据中存在电话号码时,则对所述文本数据中的电话号码进行正则匹配处理;
[0087] S25、判断所述文本数据中的电话号码是否为新电话号码;
[0088] S26、当所述电话号码为新电话号码时,则按照所述云端分布式文件系统hdfs1的块的大小,对存在新电话号码的文本数据合并成号码文本数据;否则,将存在电话号码的文本数据合成另一号码文本数据,或者将文本数据进行过滤检测并删除。
[0089] S27、利用本地分布式文件系统hdfs2将所述号码文本数据上传至hadoop的云端分布式文件系统hdfs1;hadoop是分布式系统基础构架。
[0090] S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
[0091] S31、所述开源计算框架TEZ对所述号码文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件系统hdfs1的数据库中。其中,压缩为ORC压缩;文件存储格式为ORC。
[0092] S41、利用所述数据仓库工具hive的UDF函数以正则匹配和处理方式从所述压缩文本数据中提取URL的手机号码。
[0093] 具体的,负载均衡英文缩写SLB,它的主要算法如下:加权轮询(WRR)算法:为每台分配一个权重,权重表示相对于其他服务器,自身能处理连接的能力。权重为n表示SLB为下一服务器分配流量之前,要为这台服务器分配n条新连接。
[0094] 加权最小连接(WLC)算法:SLB会将新连接分配给活动连接数最少的真实服务器。为每台真实服务器分配权重m,服务器处理活动连接的能力等于m除以所有服务器权重之和。SLB会将新连接分配给活动连接数远少于其能力范围的真实服务器。
[0095] 使用加权最小连接(WLC)算法时,SLB使用一种慢启动的方式来控制对新加真实服务器的访问。“慢启动”限制了新连接的建立频率并允许逐渐增加,以此来防范服务器的的过载。
[0096] Namenode HA的配置,具体如下:
[0097] 1.1将hadoop-2.3.0-cdh5.0.0.tar.gz解压到/opt/boh/下,并重命名为hadoop,修改etc/hadoop/core-site.xml。
[0098] 1.2修改hdfs-site.xml。
[0099] 1.3编辑/etc/hadoop/slaves;添加hadoop3,hadoop4。
[0100] 1.4编辑/etc/profile;添加HADOOP_HOME=/opt/boh/hadoop;PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH;将以上配置复制到所有节点。
[0101] 1.5启动各项服务;
[0102] 1.5.1启动journalnode;在hadoop0、hadoop1、hadoop2上执行sbin/hadoop-daemon.sh start journalnode;
[0103] 1.5.2格式化zookeeper;在hadoop1上执行bin/hdfs zkfc-formatZK;
[0104] 1.5.3对hadoop1节点进行格式化和启动;bin/hdfs namenode-format;sbin/hadoop-daemon.sh start namenode;
[0105] 1.5.4对hadoop2节点进行格式化和启动;bin/hdfs namenode-bootstrapStandby;sbin/hadoop-daemon.sh start namenode;
[0106] 1.5.5在hadoop1和hadoop2上启动zkfc服务;sbin/hadoop-daemon.sh start zkfc;此时hadoop1和hadoop2就会有一个节点变为active状态;
[0107] 1.5.6启动datanode;在hadoop1上执行命令sbin/hadoop-daemons.sh start datanode;
[0108] 1.5.7验证是否成功;打开浏览器,访问hadoop1:50070以及hadoop2:50070,两个namenode一个是active而另一个是standby。然后kill掉其中active的namenode进程,另一个standby的naemnode将会自动转换为active状态。
[0109] ResourceManager HA的配置,具体如下:
[0110] 2.1修改mapred-site.xml。
[0111] 2.2修改yarn-site.xml。
[0112] 2.3将配置文件分发至各节点。
[0113] 2.4修改hadoop2上的yarn-site.xml。
[0114] 2.5创建目录并赋予权限:
[0115] 2.5.1创建本地目录;
[0116] 2.5.2启动hdfs后,执行下列命令;创建log目录;创建hdfs下的/tmp;如果不创建/tmp按照指定的权限,那么CDH的其他组件将会有问题。尤其是,如果不创建的话,其他进程会以严格的权限自动创建这个目录,这样就会影响到其他程序适用。hadoop fs-mkdir/tmp;hadoop fs-chmod-R 777/tmp。
[0117] 2.6启动yarn和jobhistory server;
[0118] 2.6.1在hadoop1上启动:sbin/start-yarn.sh;此脚本将会启动hadoop1上的resourcemanager及所有的nodemanager。
[0119] 2.6.2在hadoop2上启动resourcemanager:yarn-daemon.sh start resourcemanager;
[0120] 2.6.3在hadoop2上启动jobhistory server;sbin/mr-jobhistory-daemon.shstart historyserver。
[0121] 2.7验证是否配置成功。打开浏览器,访问hadoop1:23188或者hadoop2:23188。
[0122] 如图1~图6所示,根据本发明的又又一个实施例,一种手机号码的海量提取方法,包括以下步骤:S01、搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件系统hdfs1、本地分布式文件系统hdfs2;对Namenode HA和ResourceManager HA进行设置。
[0123] 所述步骤S01进一步包括:S011、在Hadoop上搭建第一预设个数(例如第一预设个数为4)的主节点master、第二预设个数(例如第二预设个数为7)的从节点slave;各个主节点master之间相互连接,每个主节点master分别与各个从节点slave相连。
[0124] S012、每个主节点master上组建有元数据服务组件metastore、关系数据库mysql、HiveServer2。通过HiveServer2,客户端可以在不启动CLI的情况下对Hive中的数据进行操作,连这个和都允许远程客户端使用多种编程语言如java,python等向hive提交请求,取回结果。HiveServer2都是基于Thrift的,HiveServer2支持多客户端的并发和认证,为开放API客户端如JDBC、ODBC提供更好的支持。
[0125] S02、在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;负载均衡建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。
[0126] S03、实现所述数据仓库工具hive、云端分布式文件系统hdfs1、本地分布式文件系统hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
[0127] S10、利用Flume采集、聚合成子文本数据,并对子文本数据进行传输;再利用分布式web服务器框架,分别将各URL中的子文本数据收集到本地文件池;
[0128] S21、对所述本地文件池内的子文本数据进行提取、Python的清洗后,累加合并成文本数据;Python是一种面向对象、直译式计算机程序设计语言。
[0129] 优选的,所述步骤S21进一步包括:S211、提取所述子文本数据的文件名中的路由器MAC和时间戳;
[0130] S212、识别出所述路由器MAC和时间戳是否遇到乱码;
[0131] S213、当所述路由器MAC和时间戳遇到乱码时,对所述乱码进行清洗,累加合并成文本数据后,跳转至步骤S22;否则,直接跳转至步骤S22。
[0132] S22、判断所述文本数据中是否存在电话号码;
[0133] S23、当所述文本数据中不存在电话号码时,对所述文本数据进行过滤检测并删除。
[0134] S24、当所述文本数据中存在电话号码时,则对所述文本数据中的电话号码进行正则匹配处理;
[0135] S25、判断所述文本数据中的电话号码是否为新电话号码;
[0136] S26、当所述电话号码为新电话号码时,则按照所述云端分布式文件系统hdfs1的块的大小,对存在新电话号码的文本数据合并成号码文本数据;否则,将存在电话号码的文本数据合成另一号码文本数据,或者将文本数据进行过滤检测并删除。
[0137] S27、利用本地分布式文件系统hdfs2将所述号码文本数据上传至hadoop的云端分布式文件系统hdfs1;hadoop是分布式系统基础构架。
[0138] S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
[0139] S31、所述开源计算框架TEZ对所述号码文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件系统hdfs1的数据库中。其中,压缩为ORC压缩;文件存储格式为ORC。
[0140] S41、利用所述数据仓库工具hive的UDF函数以正则匹配和处理方式从所述压缩文本数据中提取URL的手机号码。
[0141] 具体的,Master/Slave相当于Server和agent的概念。Master提供web接口让用户来管理job和slave,job可以运行在master本机或者被分配到slave上运行。一个master可以关联多个slave用来为不同的job或相同的job的不同配置来服务。
[0142] Hive的metastore组件是hive元数据集中存放地。Metastore组件包括两个部分:metastore服务和后台数据的存储。后台数据存储的介质就是关系数据库,例如hive默认的嵌入式磁盘数据库derby,还有mysql数据库。Metastore服务是建立在后台数据存储介质之上,并且可以和hive服务进行交互的服务组件,默认情况下,metastore服务和hive服务是安装在一起的,运行在同一个进程当中。也可以把metastore服务从hive服务里剥离出来,metastore独立安装在一个集群里,hive远程调用metastore服务,可以把元数据这一层放到防火墙之后,客户端访问hive服务,就可以连接到元数据这一层,从而提供了更好的管理性和安全保障。使用远程的metastore服务,可以让metastore服务和hive服务运行在不同的进程里,这样也保证了hive的稳定性,提升了hive服务的效率。
[0143] 如图7所示,根据本发明的一个实施例,一种手机号码的海量提取系统,包括:搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件系统hdfs1、本地分布式文件系统hdfs2;对Namenode HA和ResourceManager HA进行设置。
[0144] 在Hadoop上搭建第一预设个数(例如第一预设个数为4)的主节点master、第二预设个数(例如第二预设个数为7)的从节点slave;各个主节点master之间相互连接,每个主节点master分别与各个从节点slave相连。
[0145] 每个主节点master上组建有元数据服务组件metastore、关系数据库mysql、HiveServer2。通过HiveServer2,客户端可以在不启动CLI的情况下对Hive中的数据进行操作,连这个和都允许远程客户端使用多种编程语言如java,python等向hive提交请求,取回结果。HiveServer2都是基于Thrift的,HiveServer2支持多客户端的并发和认证,为开放API客户端如JDBC、ODBC提供更好的支持。
[0146] 在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;负载均衡建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。
[0147] 实现所述数据仓库工具hive、云端分布式文件系统hdfs1、本地分布式文件系统hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
[0148] 分布式web服务器框架,利用Flume采集、聚合成子文本数据,并对子文本数据进行传输;再利用分布式web服务器框架,分别将各URL中的子文本数据收集到本地文件池;
[0149] 分布式web服务器框架,对所述本地文件池内的子文本数据进行提取、Python的清洗后,累加合并成文本数据;Python是一种面向对象、直译式计算机程序设计语言。
[0150] 优选的,分布式web服务器框架,提取所述子文本数据的文件名中的路由器MAC和时间戳;识别出所述路由器MAC和时间戳是否遇到乱码;当所述路由器MAC和时间戳遇到乱码时,对所述乱码进行清洗,累加合并成文本数据。判断所述文本数据中是否存在电话号码;当所述文本数据中不存在电话号码时,对所述文本数据进行过滤检测并删除。当所述文本数据中存在电话号码时,则对所述文本数据中的电话号码进行正则匹配处理;判断所述文本数据中的电话号码是否为新电话号码;当所述电话号码为新电话号码时,则按照所述云端分布式文件系统hdfs1的块的大小,对存在新电话号码的文本数据合并成号码文本数据;否则,将存在电话号码的文本数据合成另一号码文本数据,或者将文本数据进行过滤检测并删除。
[0151] 本地分布式文件系统hdfs2,利用本地分布式文件系统hdfs2将所述号码文本数据上传至hadoop的云端分布式文件系统hdfs1;hadoop是分布式系统基础构架。
[0152] 数据仓库工具hive,所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
[0153] 开源计算框架TEZ,所述开源计算框架TEZ对所述号码文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件系统hdfs1的数据库中。其中,压缩为ORC压缩;文件存储格式为ORC。
[0154] 所述数据仓库工具hive,利用所述数据仓库工具hive的UDF函数以正则匹配和处理方式从所述压缩文本数据中提取URL的手机号码。
[0155] 如图8、图9、图10所示,根据本发明的再一个实施例,一种海量URL的数据提取方法,包括:搭建Hadoop2.7.1的集群环境(部署4个master,7个slave),并配置好HIVE、HDFS等环境与配置(Hive Metastore、mysql、hiveserver2等组建在一台master上)。并设置好Namenode HA和ResourceManager HA,使分布式系统满足高可用性!
[0156] 各节点搭建tomcat分布式集群,添加负载均衡。
[0157] 实现hive、hdfs的建表关联,开发相对应的hive的UDF函数,并且测试提取功能正常。
[0158] 完成基于hive的电话号码匹配的正则表达式程序,通过UDF函数编译完成功能结合。
[0159] 通过分布式的web服务器框架,将文本数据收集到本地文件池;通过对文件池里的文件进行清洗、提取、合并;按照HDFS的块的大小进行累加合并,合并完利用local HDFS完成数据的高效上传;再通过自己开发的Hive的UDF函数getNUM来完成对数据中的URL的电话号码进行正则匹配和处理,完成URL海量数据的高效提取。
[0160] 相同的用户电话号码,对应四个不同的终端MAC,和四个不同的家庭路由器MAC,并计算出用户电话在不同路由器下的不同终端的出现次数,这样通过高效的分布式计算,能从海量的用户数据里得到用户真正的终端访问情况,并以此精准到用户的使用终端,为用户带来更优质的服务。
[0161] 运行清洗、合并、上传、高压缩编码、分布式提取的程序。
[0162] 将结果输出和进一步深入分析。
[0163] hive:是apache开源的技术,数据仓库软件提供对存储在分布式中的大型数据集的查询和管理,它本身是建立在Apache Hadoop之上。Hive SQL代表的是以传统基于Mapreduce为核心的SQL语言。
[0164] 在大数据应用场景下,随着数据海量增加,直接利用本地计算对原始数据的进行提取,会消耗大量资源和内存,并且效率低下,但利用hive调用Hadoop进行分布式计算来进行正则匹配手机号码,效率高且消耗资源低。本发明主要是在通过hive的UDF自适应开发功能与Python的清洗、合并、上传及hive的ORC压缩结合,形成了一个高性能的手机号码提取方法。
[0165] 应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。