wikiq_users/wikiq_users_spark.py

   1 #!/usr/bin/env python3
   2 """
   3 Builds a user level dataset. Requires a functional spark installation.
   4
   5 """
   6
   7 import sys
   8 # add pyspark to your python path e.g.
   9 #sys.path.append("/home/nathante/sparkstuff/spark/python/pyspark")
  10 #sys.path.append("/home/nathante/sparkstuff/spark/python/")
  11 from pyspark import SparkConf
  12 from pyspark.sql import SparkSession, SQLContext
  13 from pyspark.sql import Window
  14 import pyspark.sql.functions as f
  15 from pyspark.sql import types
  16 import argparse
  17 import glob
  18 from os import mkdir
  19 from os import path
  20
  21 #read a table
  22
  23 def parse_args():
  24
  25     parser = argparse.ArgumentParser(description='Create a dataset of edits by user.')
  26     parser.add_argument('-i', '--input-file', help='Tsv file of wiki edits. Supports wildcards ', required=True, type=str)
  27     parser.add_argument('-o', '--output-dir', help='Output directory', default='./output', type=str)
  28 #    parser.add_argument('--wiki', help="Wiki name. If not provided, we will guess based on the filename.", type=str)
  29 #    parser.add_argument('--urlencode', help="whether we need to decode urls",action="store_true")
  30     parser.add_argument('--output-format', help = "[csv, parquet] format to output",type=str)
  31     parser.add_argument('--num-partitions', help = "number of partitions to output",type=int, default=1)
  32 #    parser.add_argument('--ignore-input-errors', help = "ignore bad lines in input",action="store_true")
  33 #    parser.add_argument('--nodes', help = "how many hyak nodes to use", default=0, type=int)
  34     args = parser.parse_args()
  35     return(args)
  36
  37 if __name__ == "__main__":
  38     args = parse_args()
  39     conf = SparkConf().setAppName("Wiki Users Spark")
  40     spark = SparkSession.builder.getOrCreate()
  41     files = glob.glob(args.input_file)
  42     files = [path.abspath(p) for p in files]
  43     reader = spark.read
  44
  45
  46     # going to have to do some coercing of the schema
  47
  48     # build a schema
  49     struct = types.StructType().add("anon",types.StringType(),True)
  50     struct = struct.add("articleid",types.LongType(),True)
  51     struct = struct.add("date_time",types.TimestampType(), True)
  52     struct = struct.add("deleted",types.BooleanType(), True)
  53     struct = struct.add("editor",types.StringType(),True)
  54     struct = struct.add("editor_id",types.LongType(), True)
  55     struct = struct.add("minor", types.BooleanType(), True)
  56     struct = struct.add("namespace", types.LongType(), True)
  57     struct = struct.add("revert", types.BooleanType(), True)
  58     struct = struct.add("reverteds", types.StringType(), True)
  59     struct = struct.add("revid", types.LongType(), True)
  60     struct = struct.add("sha1", types.StringType(), True)
  61     struct = struct.add("text_chars", types.LongType(), True)
  62     struct = struct.add("title",types.StringType(), True)
  63     df = reader.csv(files,
  64                     sep='\t',
  65                     inferSchema=False,
  66                     header=True,
  67                     mode="PERMISSIVE",
  68                     schema = struct)
  69     df = df.repartition(args.num_partitions)
  70     # replace na editor ids
  71     df = df.select('*',f.coalesce(df['editor_id'],df['editor']).alias('editor_id_or_ip'))
  72
  73     # assign which edit reverted what edit
  74     reverteds_df = df.filter(~ df.reverteds.isNull()).select(['revid','reverteds'])
  75     reverteds_df = reverteds_df.select("*", f.split(reverteds_df.reverteds,',').alias("reverteds_new"))
  76     reverteds_df = reverteds_df.drop("reverteds")
  77     reverteds_df = reverteds_df.withColumnRenamed("reverteds_new", "reverteds")
  78     reverteds_df = reverteds_df.select(reverteds_df.revid.alias('reverted_by'),
  79                                        f.explode(reverteds_df.reverteds).alias('reverted_id'))
  80     df = df.join(reverteds_df, df.revid == reverteds_df.reverted_id, how='left_outer')
  81     df.drop("reverted_id")
  82
  83     # sort by datetime
  84     df = df.orderBy(df.date_time.asc())
  85     win = Window.orderBy('date_time').partitionBy('editor_id_or_ip')
  86
  87     # count reverts
  88     reverts_df = df.filter(df.revert==True).select(['revid','editor_id_or_ip','date_time','revert'])
  89     reverts_df = reverts_df.withColumn('editor_nth_revert',f.rank().over(win))
  90     df = df.join(reverts_df, ["revid",'editor_id_or_ip','date_time','revert'], how='left_outer')
  91     del(reverts_df)
  92
  93     # count edits
  94     df = df.withColumn('year', f.year(df.date_time))
  95     df = df.withColumn('month',f.month(df.date_time))
  96     df = df.withColumn('editor_nth_edit',f.rank().over(win))
  97
  98     # output
  99     if not path.exists(args.output_dir):
 100         mkdir(args.output_dir)
 101     if args.output_format == "csv" or args.output_format == "tsv":
 102         df.write.csv(args.output_dir, sep='\t', mode='overwrite',header=True,timestampFormat="yyyy-MM-dd HH:mm:ss")
 103             # format == "parquet"
 104     else:
 105         df.write.parquet(args.output_dir, mode='overwrite')
 106
 107         # for writing to csv we need to urlencode