8）Hadoop之MapReduce(计数器应用，数据清洗(ETL)案例)

最新推荐文章于 2021-05-27 16:57:57 发布

念达

最新推荐文章于 2021-05-27 16:57:57 发布

阅读量664

点赞数 1

分类专栏：大数据之Hadoop（MapReduce、YARN）

本文链接：https://blog.youkuaiyun.com/weixin_44757575/article/details/101998338

版权

大数据之Hadoop（MapReduce、YARN）专栏收录该内容

12 篇文章

订阅专栏

本文详细介绍了使用Hadoop计数器监控数据处理情况，并通过MapReduce程序实现日志数据清洗，去除不符合要求的数据。包括计数器的使用方法，以及针对日志数据的具体清洗案例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

计数器应用

概述：
Hadoop为每个作业维护若干计数器，以描述多项指标。例如：某些计数器记录着已处理的字节数和记录数，使用户可以监控已处理的输入数据量和已经产生的输入数据量。
计数器API：
- 采用枚举的方式统计计数
  enum MyCounter{MALFORORMED,NORMAL}
  context.getCounter(MyCounter.MALFORORMED).increment(1)//对枚举定义的自定义计数器加1;
- 采用计数器组，计数器名称的方式统计：
  context.getCounter("counterGroup","counter").increment(1);
- 计数结果在程序运行后的控制台上查看

数据清洗（ETL）

在运行核心业务MapReduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。
数据清洗案例实操（简单解析版）
- 需求：
  去除日志中字段长度小于等于11的日志。
- 需求分析：
  需要在Map阶段对输入的数据根据规则进行过滤清洗。
- 代码实现
  ①编写LogMapper类

public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
 
   Text k = new Text();
 
   @Override
   protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
  
      // 1 获取1行数据
      String line = value.toString();
  
      // 2 解析日志
      boolean result = parseLog(line,context);
  
      // 3 日志不合法退出
      if (!result) {
       return;
      }
  
      // 4 设置key
      k.set(line);
  
      // 5 写出数据
      context.write(k, NullWritable.get());
     }
   // 2 解析日志
   private boolean parseLog(String line, Context context) {
 	// 1 截取
  	String[] fields = line.split(" "); 
  	// 2 日志长度大于11的为合法
  	if (fields.length > 11) {
   	    // 系统计数器
   	    context.getCounter("map", "true").increment(1);
   	    return true;
  	}else{
   	    context.getCounter("map", "false").increment(1);
   	return false;
        }
   }
}

②编写LogDriver类

public class LogDriver {
	public static void main(String[] args) throws Exception {
		// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
		args = new String[] { "e:/input/inputlog", "e:/output1" };
		
		// 1 获取job信息
  		Configuration conf = new Configuration();
  		Job job = Job.getInstance(conf);
		
		// 2 加载jar包
 		job.setJarByClass(LogDriver.class);
		
		// 3 关联map
  		job.setMapperClass(LogMapper.class);	

		// 4 设置最终输出类型
  		job.setOutputKeyClass(Text.class);
  		job.setOutputValueClass(NullWritable.class);
		
		// 设置reducetask个数为0
  		job.setNumReduceTasks(0);
		
		// 5 设置输入和输出路径
  		FileInputFormat.setInputPaths(job, new Path(args[0]));
  		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		
		// 6 提交
  		job.waitForCompletion(true);
 	}
}

数据清洗案例实操（复杂解析版）
- 需求：
  对Web访问日志中的各字段识别切分，去除日志中不合法的记录。根据清洗规则，输出过滤后的数据
- 代码实现：
  ①定义一个bean，用来记录日志数据中的各数据字段

public class LogBean {
    private String remote_addr;// 记录客户端的ip地址
    private String remote_user;// 记录客户端用户名称,忽略属性"-"
    private String time_local;// 记录访问时间与时区
    private String request;// 记录请求的url与http协议
    private String status;// 记录请求状态；成功是200
    private String body_bytes_sent;// 记录发送给客户端文件主体内容大小
    private String http_referer;// 用来记录从那个页面链接访问过来的
    private String http_user_agent;// 记录客户浏览器的相关信息

    private boolean valid = true;// 判断数据是否合法

    public String getRemote_addr() {
        return remote_addr;
    }

    public void setRemote_addr(String remote_addr) {
        this.remote_addr = remote_addr;
    }

    public String getRemote_user() {
        return remote_user;
    }

    public void setRemote_user(String remote_user) {
        this.remote_user = remote_user;
    }

    public String getTime_local() {
        return time_local;
    }

    public void setTime_local(String time_local) {
        this.time_local = time_local;
    }

    public String getRequest() {
        return request;
    }

    public void setRequest(String request) {
        this.request = request;
    }

    public String getStatus() {
        return status;
    }

    public void setStatus(String status) {
        this.status = status;
    }

    public String getBody_bytes_sent() {
        return body_bytes_sent;
    }

    public void setBody_bytes_sent(String body_bytes_sent) {
        this.body_bytes_sent = body_bytes_sent;
    }

    public String getHttp_referer() {
        return http_referer;
    }

    public void setHttp_referer(String http_referer) {
        this.http_referer = http_referer;
    }

    public String getHttp_user_agent() {
        return http_user_agent;
    }

    public void setHttp_user_agent(String http_user_agent) {
        this.http_user_agent = http_user_agent;
    }

    public boolean isValid() {
        return valid;
    }

    public void setValid(boolean valid) {
        this.valid = valid;
    }

    @Override
    public String toString() {

        StringBuilder sb = new StringBuilder();
        sb.append(this.valid);
        sb.append("\001").append(this.remote_addr);
        sb.append("\001").append(this.remote_user);
        sb.append("\001").append(this.time_local);
        sb.append("\001").append(this.request);
        sb.append("\001").append(this.status);
        sb.append("\001").append(this.body_bytes_sent);
        sb.append("\001").append(this.http_referer);
        sb.append("\001").append(this.http_user_agent);

        return sb.toString();
    }
}

②编写LogMapper类

public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
    Text k = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context)  throws IOException, InterruptedException {

        // 1 获取1行
        String line = value.toString();

        // 2 解析日志是否合法
        LogBean bean = parseLog(line);

        if (!bean.isValid()) {
            return;
        }

        k.set(bean.toString());

        // 3 输出
        context.write(k, NullWritable.get());
    }

    // 解析日志
    private LogBean parseLog(String line) {

        LogBean logBean = new LogBean();

        // 1 截取
        String[] fields = line.split(" ");

        if (fields.length > 11) {

            // 2封装数据
            logBean.setRemote_addr(fields[0]);
            logBean.setRemote_user(fields[1]);
            logBean.setTime_local(fields[3].substring(1));
            logBean.setRequest(fields[6]);
            logBean.setStatus(fields[8]);
            logBean.setBody_bytes_sent(fields[9]);
            logBean.setHttp_referer(fields[10]);

            if (fields.length > 12) {
                logBean.setHttp_user_agent(fields[11] + " "+ fields[12]);
            }else {
                logBean.setHttp_user_agent(fields[11]);
            }

            // 大于400，HTTP错误
            if (Integer.parseInt(logBean.getStatus()) >= 400) {
                logBean.setValid(false);
            }
        }else {
            logBean.setValid(false);
        }

        return logBean;
    }
}

③编写LogDriver类

public class LogDriver {
    public static void main(String[] args) throws Exception {

// 1 获取job信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 2 加载jar包
        job.setJarByClass(LogDriver.class);

        // 3 关联map
        job.setMapperClass(LogMapper.class);

        // 4 设置最终输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 5 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 6 提交
        job.waitForCompletion(true);
    }
}