【MapReduce】MR 框架原理 之 数据清洗、计数器的应用

---

文章目录

---

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。

---

计数器

• Hadoop为每个作业维护若干内置计数器,以描述多项指标。例如,某些计数器记录​​已处理的字节数​​和​​记录数​​,使用户可监控已处理的输入数据量和已产生的输出数据量。

§.计数器API

(1)采用枚举的方式统计计数

enum MyCounter {MALFORORMED, NORMAL}
 //对枚举定义的自定义计数器加1
 context. getCounter(MyCounter. MALFOROR).increment(1)

(2)采用计数器组、计数器名称的方式统计

. get Counter("counterGroup", " counter). increment(1);

• 组名和计数器名称随便起,但最好有意义。

(3)计数结果在程序运行后的控制台上查看。

​​返回顶部​​

---

数据清洗案例实操 ---- 简单

需求

• 
  
• 去除日志中字段长度小于等于11的日志
  （1）输入数据

• 

• （2）期望输出数据

• 每行字段长度都大于11

​​返回顶部​​

---

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。

​​返回顶部​​

---

代码实现

Mapper阶段

• 进行数据解析
• 解析的同时记性计数

package 第三章_MR框架原理.数据清洗_计数器;

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 LogMap extends Mapper<LongWritable, Text, Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // 1.读取一行数据
        String line = value.toString();
        // 2.解析数据
        boolean result = parseLog(line, context);
        // 3.判断返回,不是就直接返回
        if (!result) {
            return;
        }
        // 4.解析通过，写出
        context.write(value, NullWritable.get());
    }

    /**
     * 信息处理
     * @param line
     * @param context
     * @return
     */
    private boolean parseLog(String line, Context context) {
        // 1.切分
        String[] feilds = line.split(" ");
        // 2.判断
        if (feilds.length > 11) {
            // 获取计数器，记录解析为true的数据条数
            context.getCounter("map", "true").increment(1);
            return true;
        } else {
            // 获取计数器，记录解析为false的数据条数
            context.getCounter("map", "false").increment(1);
            return false;
        }
    }
}

Driver阶段

• 正常的编写配置项
• 注意​​设置ReduceTask数为0​​

package 第三章_MR框架原理.数据清洗_计数器;

import jdk.internal.org.objectweb.asm.tree.MultiANewArrayInsnNode;
import org.apache.hadoop.conf.Configuration;
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 第三章_MR框架原理.多种join应用.DistributedCacheDriver;
import 第三章_MR框架原理.多种join应用.DistributedCacheMapper;
import java.net.URI;

public class LogDriver {
    public static void main(String[] args) {
        Configuration configuration = new Configuration();
        Job job = null;
        try {
            // 1 获取job信息
            job = Job.getInstance(configuration);
            // 2 设置加载jar包路径
            job.setJarByClass(LogDriver.class);
            // 3 关联map
            job.setMapperClass(LogMap.class);
            // 4 设置最终输出数据类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(NullWritable.class);
            // 5 设置reducetask个数为0
            job.setNumReduceTasks(0);
            // 6 设置输入输出路径
            FileInputFormat.setInputPaths(job, new Path("G:\\Projects\\IdeaProject-C\\MapReduce\\src\\main\\java\\第三章_MR框架原理\\数据清洗_计数器\\web.log"));
            FileOutputFormat.setOutputPath(job, new Path("G:\\Projects\\IdeaProject-C\\MapReduce\\src\\main\\java\\第三章_MR框架原理\\数据清洗_计数器\\filteroutput"));
            // 7 提交
            boolean result = job.waitForCompletion(true);
            System.exit(result ? 0 : 1);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

​​返回顶部​​

---

数据清洗案例实操 ---- 复杂

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

• 

• （2）期望输出数据

• 保留都是合法的数据

​​返回顶部​​

---

需求分析

• 定义一个bean类，用来记录日志数据中心的各数据字段
• 编写LogMap类进行数据的过滤
• 编写驱动类，运行

​​返回顶部​​

---

代码实现

Bean类

• 定义Bean类，对数据集中的数据进行封装；并且添加一列是否合法数据字段。
• 在重写toString方法的时候​​利用StringBuilder，高效拼接字符串​​
• 返回时​​添加唯一标识‘\001‘​​

在这里插入代码片package 第三章_MR框架原理.数据清洗_计数器;

public class LogBean  {
    // 封装
    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和http协议
    private String status;  // 记录请求状态：200是成功
    private String body_bytes_sent; // 记录发送给客户端文件主体内容的大小
    private String http_referer; // 用来记录从哪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

    /**
     * 重写toString方法
     * @return
     */
    @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();
    }
    /**
     * set、get
     * @return
     */
    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;
    }
}

​​返回顶部​​

---

Mapper阶段

• 读取数据进行解析
• 拆分处理字符串的时候，​​以“ ”拆分​​，处理时​​忽略了field[2] 的 ‘-’​​，
• 对数据的处理进行细化
• 添加计数器，这里是本人自行添加的，再添加的过程中也出现了错误。最终添加true的计数器应当与判断请求状态同级，应为在大前提分割数大于11的时候，所有的记录中都会包含有状态字段，如果不是200，那其余的肯定就不符合条件。
• 对于拆分那部分，提取了一行数据进行验证：

package 第三章_MR框架原理.数据清洗_计数器;

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 LogBestMap extends Mapper<LongWritable, Text, Text, NullWritable> {
    Text k = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // 58.248.178.212 - - [18/Sep/2013:06:51:40 +0000] "GET /wp-includes/js/jquery/jquery-migrate.min.js?ver=1.2.1 HTTP/1.1" 200 7200 "http://blog.fens.me/nodejs-grunt-intro/" "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.30; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729; MDDR; InfoPath.2; .NET4.0C)"
        // 1.获取一行数据
        String line = value.toString();
        // 2.解析日志是够合法
        LogBean bean = parseLog(line,context);
        // 3.判断
        if (!bean.isValid()) {
            return;
        }
        // 4.合法输出
        k.set(bean.toString());
        context.write(k, NullWritable.get());
    }

    /**
     * 数据处理
     *
     * @param line
     * @return
     */
    private LogBean parseLog(String line, Context context) {
        LogBean logBean = new LogBean();
        // 1.截取
        String[] fields = line.split(" ");
        if (fields.length > 11) {
            // 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);
                context.getCounter("map", "false").increment(1);
            }else{
                context.getCounter("map","true").increment(1);
            }

        } else {
            logBean.setValid(false);
            context.getCounter("map", "false").increment(1);
        }
        return logBean;
    }
}

​​返回顶部​​

---

Driver阶段

• 正常的编写配置项
• 注意​​设置ReduceTask数为0​​

package 第三章_MR框架原理.数据清洗_计数器;

import org.apache.hadoop.conf.Configuration;
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;

public class LogBestDriver {
    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(LogBestDriver.class);
        // 3 关联map
        job.setMapperClass(LogBestMap.class);
        // 4 设置最终输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        // 5 设置reducetask个数为0
        job.setNumReduceTasks(0);
        // 6 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path("G:\\Projects\\IdeaProject-C\\MapReduce\\src\\main\\java\\第三章_MR框架原理\\数据清洗_计数器\\web.log"));
        FileOutputFormat.setOutputPath(job, new Path("G:\\Projects\\IdeaProject-C\\MapReduce\\src\\main\\java\\第三章_MR框架原理\\数据清洗_计数器\\filterBestoutput"));
        // 7 提交
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0:1);
    }
}

​​返回顶部​​

---