【MapReduce】 基础案例 ---- 简单数据清洗（计数器）

文章目录

• ​​数据清洗案例实操 ---- 简单​​

• ​​需求​​
• ​​需求分析​​
• ​​代码实现​​

• ​​Mapper阶段​​
• ​​Driver阶段​​

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​​