单维度聚合分析
为什么选择搜索引擎
单维度聚合分析应该是各种分析统计中最为简单、直接。
对于主动搜索、被动搜索一体的应用场景，有登录和无登陆等统一兼顾。并且提供接口服务，按需返回维度信息，并且可以复用。
无疑采取搜索引擎，依赖搜索引擎的facet统计功能，最为直接、快捷、有效、低沉本。前提是对搜索引擎比较熟悉，否则光一个
搜索引擎就折腾死人了。单维度聚合分析意义
单维度分析意义主要在掌握数据属性、用户属性、热点发现。
例如：某个产品上某个用户一段时间搜索词聚合，然后对聚合词语义分析，将可以分析出该用户的某些历史偏好、行为特征、消费
倾向、社区角色等。
例如：一段时间内产品上用户在搜什么，那些是热点词，是否与运营活动相关，是否是产品的重点词范畴等。
例如：将关键词、时间、产品倒排起来，那么就可以知道任何时间段内，具体产品活跃的关键词分布，间接知晓产品的“语义集合”
例如：将关键词、用户、时间倒排起来，那么很容易知晓那些词偏女性、那些词偏男性、那些词中性，用户那个时候搜的多、是那些词
例如：将关键词、排序、翻页、命中倒排起来，那么很容易发现点击热点、超时分析等。
。。。。
太多了陷阱
大家都关注结果去了，没有人喜欢过程，尤其是周期性、长期的过程。在淘宝上成交量、客单价为主题的大环境，任何和交易不相关
、任何不能直接影响交易、任何只是提升用户细微体验等等工作，都是一个“弱势”需求，甚至等于不是需求。
所以，技术即使实现，也不见得有人会关注、有人去用。KPI中不会因为用户体验而打分，KPI中不会因为改善排序效果而肯定。
因为本身这些不好评估效果，特别是短期内的效果。更本质的可能是这些“无关交易”！单维度聚合关键问题
维度的选择
既然是单维度聚合，那么维度的选择就非常重要了。这个需要不是技术一方面说的算，更多的依赖业务。
而往往习惯了运营为主、人肉、经验为主的 淘宝居多业务，对交易之位的属性关注度明显的不在意。
也甚至出现，计算出来的结果会在 白名单、黑名单过滤下，面目全非。
通常基本的维度不可少：时间、业务、人、关键词等。也即时间、地点、人物、事件。格式化
输入就是线上日志，输出就是格式化文档或者倒排索引结构。
在输入和输出之间就是转换。转换的过程其实非常麻烦的问题，只看一端只觉得问题很easy！
麻烦之处：(1)提取规则
日志总是有许多莫名其妙的格式、内容、乱码。很难有一个100%的规则，满足所有请求日志。
即使有，也很难很容易的扩展到其他应用。例如solr 日志格式是有规律的，但是用户内容不一定有规律。
基于文本标签提取，自然会遇到内容的标签问题。提取完毕之后，schema结构具体应用是不一样的。(2)提取速度
越精细越耗时，并且java String对象处理起来比较方便，却速度上远远低于char，而char处理不是很方便。
对应solr query log 还是建议采取char为主、StringBuidler为核心变量。(3)适应性
一开始都是追求100%解析通过，实际总有那么一些内容，搅合常规处理方法。为了适应这些非常规的请求，
往往会将之前的处理规则打破或者添加更多条件，然后整体性能突然下降。建议：能处理的快速处理，不能处理的
单独输入到一个文本，对于这些非常规的特殊处理。单维度聚合实现样例
对于终搜 solr 日志
输入 2012-08-09 14:50:33,396 INFO [org.apache.solr.core.SolrCore] - [search4product-0]
webapp=null path=/select params={q=+supplier_id%
3A649289&sort=weight1+desc&rows=30&start=0&facet=true
&facet.field=cat_path&hl.usePhraseHighlighter=false&echoParams=explicit&hl=true
&hl.fl=title&hl.requireFieldMatch=true&hl.simple.pre=
&hl.simple.post=&hl.snippets=3&hl.fragsize=2000&timeAllowed=2500}
hits=1762 status=0 QTime=123解码
2012-08-09 14:50:33,396 INFO [org.apache.solr.core.SolrCore] - [search4product-0]
webapp=null path=/select params={q=+supplier_id:649289&sort=weight1
desc&rows=30&start=0&facet=true&facet.field=cat_path&hl.usePhraseHighlighter=false
&echoParams=explicit&hl=true&hl.fl=title&hl.requireFieldMatch=true&hl.simple.pre=
&hl.simple.post=&hl.snippets=3&hl.fragsize=2000&timeAllowed=2500}
hits=1762 status=0 QTime=123 public class QueryRowToStructureQuery {
//private static String splitTag="#&";
protected static Log log = LogFactory.getLog( QueryRowToStructureQuery.class);
public static String doParseDemoV2(String inputStr) {
if (inputStr == null)
return null;
// long start= System.nanoTime();
StringBuilder sb = new StringBuilder();
sb.append(inputStr.subSequence(0, 10)).append("T").append(inputStr.subSequence(11, 19)).append("Z").append( DefaultParams.SPLITTAG );//time
char[] chars = inputStr.toCharArray();
int i = 64;
int tep = i;
while (chars[i] != ']')
i++;
sb.append(inputStr.subSequence(tep, i)).append(DefaultParams.SPLITTAG);// searviceName
// extract
i = getItem(chars, i, sb);// 递归抽取查询串
String[] temp=inputStr.subSequence(i + 2, inputStr.length()).toString().trim().split(" ");
if(temp[0].contains("hits")){
sb.append(temp[0].replaceAll("=", ":")).append(DefaultParams.SPLITTAG);
sb.append(temp[2].replaceAll("=", ":")).append("\r\n");// hits status QTime
// System.out.println("doParseDemoV2_timeCost="+(System.nanoTime()-start));
// System.out.println(sb.toString());
return sb.toString();
}else{
log.error(inputStr);// 针对无法处理或者处理格式不对的抛出异常
return null;
}
}
private static int getItem(char[] chars, int i, StringBuilder sb) {
while (chars[i] != '{') {
i++;
}
boolean changed = true;
int pos = 0;
while (true && chars[i] != '}') {
i++;
if (changed) { pos = i;
changed = false;
}
// System.out.println(chars[i]);
// int deep=1;
boolean stop = true;
if (chars[i] == '&') {
StringBuilder sbTemp = new StringBuilder();
for (int t = pos; t < i; t++)
if (chars[t] == '(' || chars[t] == ')') {
} else
sbTemp.append(chars[t]);
changed = true;
String temp = sbTemp.toString();
// if (temp.getBytes().length != temp.length())
// sb.append("CW_").append(temp.trim()).append(DefaultParams.SPLITTAG);
// else
if (temp.contains(":"))
sb.append(temp.trim()).append(DefaultParams.SPLITTAG);
else if (temp.contains("sort"))
sb.append(temp.trim().replaceAll("=", ":"))
.append(DefaultParams.SPLITTAG);
else
;
// System.out.println(sbTemp.toString());
}
if (chars[i] == '+') {
if (changed) {
pos = i;
i++;
changed = false;
}
while (true ) {
if (chars[i] == '+' || chars[i] == '&' || chars.length < i)
break;
else
i++;
}
StringBuilder sbTemp = new StringBuilder();
for (int t = pos; t < i; t++) {
if (chars[t] == '(' || chars[t] == ')' ) {
} else
sbTemp.append(chars[t]);
}
changed = true;
String temp = sbTemp.toString();
// System.out.println(temp);
// if (temp.getBytes().length != temp.length())
// sb.append("CW_").append(temp.trim()).append(DefaultParams.SPLITTAG);
// else
if (temp.contains(":"))
sb.append(temp.trim()).append(DefaultParams.SPLITTAG);
else if (temp.contains("sort"))
sb.append(temp.trim().replaceAll("=", ":"))
.append(DefaultParams.SPLITTAG);
else
;
}
}
return i;
}提取输出 2012-08-09T14:50:33Z#&search4product-0#&supplier_id:649289#&sort:weight1 desc#&hits:1762#&QTime:123
构建solr document public static AddUpdateCommand generateAddCommand(String query, IndexSchema schema) {
AddUpdateCommand addCmd = new AddUpdateCommand();
addCmd.allowDups = false;
addCmd.overwriteCommitted = true;
addCmd.overwritePending = true;
SolrInputDocument solrDoc = new SolrInputDocument();
solrDoc.clear();
//solrDoc.setDocumentBoost(DEFAULT_DOCUMENT_BOOST);
String[] items = query.split( DefaultParams.SPLITTAG );
//logger.warn( query );
solrDoc.addField("reqtime", items[0]);
solrDoc.addField("sername", items[1]);
for (int i=2;i<items.length; i++) {
String[] keyPair= items[i].split(":");
if ( schema.getFieldOrNull( keyPair[0].toString()) == null ) {
// 忽略多余的字段，没有在schema.xml中配置的字段
continue;
}
if ( keyPair[1] == null ||(keyPair[1] != null && (" ").equals(keyPair[1])) ) {
continue;
}
solrDoc.addField(keyPair[0], keyPair[1]);
}
addCmd.solrDoc = solrDoc;
try{ addCmd.doc = DocumentBuilder.toDocument( solrDoc, schema );
}catch(Exception e){
logger.error(solrDoc, e);
} return addCmd;
}