关键词：

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。

3.9.1数据清洗案例实操-简单解析版

1、需求

去除日志中字段长度小于等于11的日志。

（1）输入数据

web.log

（2）期望输出数据

每行字段长度都大于11。

2、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。

3、实现代码

（1）编写LogMapper类

package com.cuiyf41.etl;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable> 

    Text k = new Text();
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.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

package com.cuiyf41.etl;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class LogDriver 
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException 
        // 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
        Path input = new Path(args[0]);
        Path output = new Path(args[1]);
        // 如果输出路径存在，则进行删除
        FileSystem fs = FileSystem.get(conf);
        if (fs.exists(output)) 
            fs.delete(output,true);
        
        FileInputFormat.setInputPaths(job, input);
        FileOutputFormat.setOutputPath(job, output);

        // 6 提交
        job.waitForCompletion(true);
    

3.9.2数据清洗案例实操-复杂解析版

1、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。

（1）输入数据

web.log

（2）期望输出数据

都是合法的数据

2、实现代码

（1）定义一个bean，用来记录日志数据中的各数据字段

package com.cuiyf41.etlu;

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

package com.cuiyf41.etlu;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable> 

    Text k = new Text();
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.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

package com.cuiyf41.etlu;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class LogDriver 
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException 
        // 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
        Path input = new Path(args[0]);
        Path output = new Path(args[1]);
        // 如果输出路径存在，则进行删除
        FileSystem fs = FileSystem.get(conf);
        if (fs.exists(output)) 
            fs.delete(output,true);
        
        FileInputFormat.setInputPaths(job, input);
        FileOutputFormat.setOutputPath(job, output);

        // 6 提交
        job.waitForCompletion(true);
    

大数据技术之hadoop（mapreduce）框架原理数据压缩(代码片段)

文章目录1MapReduce框架原理1.1InputFormat数据输入1.1.1切片与MapTask并行度决定机制1.1.2Job提交流程源码和切片源码详解1.1.3FileInputFormat切片机制1.1.4TextInputFormat1.1.5CombineTextInputFormat切片机制1.1.6CombineTextInputFormat案例实操1.2MapReduce工作流 查看详情

hadoop之初识大数据与hadoop

前言　　从今天起，我将一步一步的分享大数据相关的知识，其实很多程序员感觉大数据很难学，其实并不是你想象的这样，只要自己想学，还有什么难得呢？　　学习Hadoop有一个8020原则，80%都是在不断的配置配置搭建集群，... 查看详情

大数据之二：hadoop与spark辨析

...将一个算法抽象成Map和Reduce两个阶段进行处理，非常适合数据密集型计算。2）Spark:MapReduce计算框架不适合迭代计算和交互式计算，MapReduce是一种磁盘计算框架，而Spark则是一种内存计算框架，它将数据尽可能放到内存中以提高迭... 查看详情

大数据框架之hadoop：mapreducemapreduce框架原理——数据清洗（etl）(代码片段)

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。3.9.1数据清洗案例实操-简单解析版1、需求去除日志中字段长... 查看详情

一文带你了解大数据技术之hadoop(代码片段)

...概述5.3MapReduce架构概述5.4HDFS、YARN、MapReduce三者关系6.大数据技术生态体系7.推荐系统框架 查看详情

大数据技术之hadoop（入门）概述运行环境搭建运行模式(代码片段)

...1.3.3MapReduce架构概述1.3.4HDFS、YARN、MapReduce三者关系1.3.5大数据技术生态体系1.3.6推荐系统框架图2Hadoop运行环境搭建（开发重点）2. 查看详情

hadoop之初识大数据与hadoop转载

...blogs.com/zhangyinhua/p/7647334.html阅读目录(Content)一、引言（大数据时代）1.1、从数据中得到信息1.2、大数据表象概念二、大数据基础2.1、什么是大数据？2.2、大数据的基本特征2.3、大数据的意义2.4、大数据的系统架构（整体架构）2.5... 查看详情

大数据技术之hadoop入门

?第1章大数据概论1.1大数据概念 大数据概念如图2-1所示。 图2-1大数据概念 1.2大数据特点（4V） 大数据特点如图2-2，2-3，2-4，2-5所示 图2-2大数据特点之大量 图2-3大数据特点之高速 图2-4大数据特点之多样 图2-5大数据... 查看详情

大数据hadoop入门之hadoop家族详解

大数据hadoop入门之hadoop家族详解大数据这个词也许几年前你听着还会觉得陌生，但我相信你现在听到hadoop这个词的时候你应该都会觉得“熟悉”！越来越发现身边从事hadoop开发或者是正在学习hadoop的人变多了。作为一个hadoop入门... 查看详情

hadoop大数据平台架构之dkhadoop详解

hadoop大数据平台架构之DKhadoop详解大数据的时代已经来了，信息的爆炸式增长使得越来越多的行业面临这大量数据需要存储和分析的挑战。Hadoop作为一个开源的分布式并行处理平台，以其高拓展、高效率、高可靠等优点越来越受... 查看详情

hadoop技术之apachehadoop集群搭建

 Spark是大数据体系的明星产品，是一款高性能的分布式内存迭代计算框架，可以处理海量规模的数据。下面就带大家一起来开始学Spark！▼往期内容汇总：大数据导论Linux操作系统概述VMwareWorkstation虚拟机使用Linux... 查看详情

大数据hadoop入门之hadoop家族详解

大数据这个词也许几年前你听着还会觉得陌生，但我相信你现在听到hadoop这个词的时候你应该都会觉得“熟悉”！越来越发现身边从事hadoop开发或者是正在学习hadoop的人变多了。作为一个hadoop入门级的新手，你会觉得哪些地方很... 查看详情

大数据框架之hadoop：mapreducemapreduce框架原理——join多种应用(代码片段)

...合并就ok了。3.7.2ReduceJoin案例实操1、需求将商品信息表中数据根据商品pid合并到订单数据表中。1）输入order.txt1001 01 11002 02 21003 03 31004 01 41005 02 51006 03 6pd.txt01 小米02 华为03 格力2）输出1001 小米 1 1001 小米 1 1002 华为 2 1002 ... 查看详情

大数据框架之hadoop：mapreduceyarn资源调度器(代码片段)

...分配资源，它根据应用程序优先级、队列容量、ACLs、数据位置等信息，做出决策，然后以共享的、安全的、多租户的方式制定分配策略，调度集群资源。2.NodeManagerNodeManager是YARN集群中的每个具体节点的管理者。... 查看详情

hadoop大数据优化之数据倾斜

💫一直想写一篇关于数据倾斜的问题，面试必问，可自己又没有碰见过，一直难以下手，最近公司大佬讲述了一节关于数据倾斜的课程，对数据倾斜有了更深的理解，于是想记录一下，关于hadoop的s... 查看详情

大数据学习系列之六-----hadoop+spark环境搭建

引言在上一篇中大数据学习系列之五-----Hive整合HBase图文详解：http://www.panchengming.com/2017/12/18/pancm62/中使用Hive整合HBase，并且测试成功了。在之前的大数据学习系列之一-----Hadoop环境搭建(单机):http://www.panchengming.com/2017/11/26/pancm55/... 查看详情

大数据之hadoop图解概述(代码片段)

文章目录🌹0写在开头☕1Hadoop是什么🚀2Hadoop发展历史（了解）💒3Hadoop三大发行版本（了解）🍎①ApacheHadoop（常用）🍏②ClouderaHadoop🍇③HortonworksHadoop☔️ 查看详情

大数据技术之hadoop（hdfs）

第1章HDFS概述1.1HDFS产出背景及定义 1.2HDFS优缺点 1.3HDFS组成架构 1.4HDFS文件块大小（面试重点） 第2章HDFS的Shell操作（开发重点）1．基本语法 bin/hadoopfs具体命令ORbin/hdfsdfs具体命令dfs是fs的实现类。2．命令大全 [[em... 查看详情