数据清洗(ETL)
概念案例需求1.需求分析2.文件案例分析1.需求分析2.输入数据3.输出数据4.规则设定代码实现1. 编写LogMapper类2. 编写LogDriver类结果截图概念
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。
案例
需求
1.需求分析
去除日志中字段长度小于等于11的日志。
2.文件
案例分析
1.需求分析
按照需求设定规则,即可去除日志中字段长度小于等于11的日志。
2.输入数据
3.输出数据
输出文件中每行字段长度都大于11。
4.规则设定
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
package com.atguigu.mr.log;import java.io.IOException;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.NullWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper;public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable> {@Overrideprotected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context)throws IOException, InterruptedException {//获取一行String line = value.toString();//解析数据boolean result = parseLog(line,context);if (!result) {return;}//解析过了,写数据context.write(value, NullWritable.get());}private boolean parseLog(String line, Context context) {//切割shujuString[] fields = line.split(" ");if (fields.length > 11) {context.getCounter("map","ture").increment(1);return true;}else {context.getCounter("map", "false").increment(1);return false;}}}
2. 编写LogDriver类
package com.atguigu.mr.log;import java.io.IOException;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 LogDriver {public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException {// 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[] {"S:\\centos学习笔记\\input\\webinput", "S:\\centos学习笔记\\output\\weboutput" };// 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mapjob.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0job.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);}}
结果截图
注:内容较多,只截取一部分