一、获取DataFrame型的日志数据

1、读入数据：使用 SparkSession 以文本形式读入日志，数据类型：string

from pyspark.sql import SparkSessionspark = SparkSession \    .builder \    .appName("Python Spark Log Analysis") \    .getOrCreate()base_df =  spark.read.text(log_file_path)

2、抽取字段：pyspark.sql.functions 中 regexp_extract() 直接从文本抽取所需字段，cast() 对字段定义数据类型， alias() 对字段命名。

3、数据清洗：isNull() 判断抽取内容是否为空（Null）， pyspark.sql.functions 中 col ，sum函数统计各列缺失个数，filter() 过滤满足现有正则表达式的数据 df.rlike()，判断缺失数据，可使用 fillna() 进行填充。

4、解析日期：① 自定义一个转化函数，将时间字符串转化为格式为：[dd/mmm/yyyy:hh:mm:ss (+/-)zzzz] 的字符串，② 使用 pyspark.sql.functions 中 udf() 函数注册 udf ，将转化的列改为时间戳类型。

二、日志分析

DataFrame型的数据，可以使用 pyspark.sql.functions 模块内的函数对数据进行分析，也可以与 pandas dataframe 公用许多方法。

分析内容与RDD版相似。

常用方法：

• withColumn() 增加列，withColumnRenamed() 对列重命名
• 做可视化，toPandas() 先将结果由 spark DataFrame 转成 pandas DataFrame，之后使用 matplotlib 绘图
• groupBy() 对数据分组聚合