数据清洗课堂测试

Result文件数据说明：

Ip：106.39.41.166,（城市）

Date：10/Nov/2016:00:01:02 +0800,（日期）

Day：10,（天数）

Traffic: 54 ,（流量）

Type: video,（类型：视频video或文章article）

Id: 8701（视频或者文章的id）

测试要求：

1、 数据清洗：按照进行数据清洗，并将清洗后的数据导入hive数据库中。

两阶段数据清洗：

（1）第一阶段：把需要的信息从原始日志中提取出来

ip:    199.30.25.88

time:  10/Nov/2016:00:01:03 +0800

traffic:  62

文章： article/11325

视频： video/3235

（2）第二阶段：根据提取出来的信息做精细化操作

ip--->城市 city（IP）

date--> time:2016-11-10 00:01:03

day: 10

traffic:62

type:article/video

id:11325

（3）hive数据库表结构:

create table data(  ip string,  time string , day string, traffic bigint,

type string, id   string )

2、数据分析：在HIVE统计下列数据。

（1）统计最受欢迎的视频/文章的Top10访问次数 （video/article）

（2）按照地市统计最受欢迎的Top10课程 （ip）

（3）按照流量统计最受欢迎的Top10课程 （traffic）

3、数据可视化：

将统计结果倒入MySql数据库中，通过图形化展示的方式展现出来。

 第一阶段数据清洗

这是在maven项目中建的基于之前的hdfs课堂测试

ps:此种方法导入的有空格出现，可能是我数据库的问题或者代码的问题

import java.io.IOException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.Locale;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;


public class shujuqingxi {

    public static class Map extends Mapper<Object,Text,Text,Text>{
        public static final SimpleDateFormat FORMAT = new SimpleDateFormat("d/MMM/yyyy:HH:mm:ss", Locale.ENGLISH); //原时间格式
        public static final SimpleDateFormat dateformat1 = new SimpleDateFormat("yyyy-MM-dd-HH:mm:ss");//现时间格式
        private  static Date parseDateFormat(String string) {         //转换时间格式
            Date parse = null;
            try {
                parse = FORMAT.parse(string);
            } catch (Exception e) {
                e.printStackTrace();
            }
            return parse;
        }
        private static Text newKey = new Text();
        private static Text newvalue = new Text();
        public void map(Object key,Text value,Context context) throws IOException, InterruptedException{
            String line = value.toString();
            System.out.println(line);
            String arr[] = line.split(",");
            newKey.set(arr[0]);
            final int first = arr[1].indexOf("");
            final int last = arr[1].indexOf(" +0800");
            String time = arr[1].substring(first + 1, last).trim();
            Date date = parseDateFormat(time);
            arr[1] = dateformat1.format(date);
            newvalue.set(","+arr[1]+","+arr[2]+","+arr[3]+","+arr[4]+","+arr[5]);
            context.write(newKey,newvalue);
        }
    }
    public static class Reduce extends Reducer<Text, Text, Text, Text> {
        protected void reduce(Text key, Iterable<Text> values, Context context)throws IOException, InterruptedException {
            for(Text text : values){
                context.write(key,text);
            }
        }
    }

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf=new Configuration();
        conf.set("fs.defaultFS","hdfs://hadoop102:9002");
        // 进行客户端身份的设置(root为虚拟机的用户名，hadoop集群节点的其中一个都可以)
        System.setProperty("HADOOP_USER_NAME","root");
        FileSystem fs =FileSystem.get(conf);
        Job job =new Job(conf,"OneSort");
        job.setJarByClass(shujuqingxi.class);
        job.setMapperClass(Map.class);
        job.setReducerClass(Reduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);
        Path in=new Path("hdfs://hadoop102:9002/result.txt");
        Path out=new Path("hdfs://hadoop102:9002/result4");
        FileInputFormat.addInputPath(job, in);
        FileOutputFormat.setOutputPath(job, out);
        boolean flag = job.waitForCompletion(true);
        System.out.println(flag);
        System.exit(flag? 0 : 1);
    }
}

2数据分析

create table result1 as

select id,count(*) total

from results

group by id

order by total desc

limit 10;

 

导入到mysql：

bin/sqoop export \

--connect jdbc:mysql://Hadoop102:3306/bigdata\

--username root \

--password ok \

--table result1\

--num-mappers 1 \

--export-dir /opt/hive/warehouse/result1 \

--input-fields-terminated-by "\001"

 

 

 

 

（2）按照地市统计最受欢迎的Top10课程 （ip）

create table result2 as

select ip,id,count(*) total

from results

group by ip,id

order by total desc

limit 10;

bin/sqoop export \

--connect jdbc:mysql://Hadoop102:3306/bigdata\

--username root \

--password ok \

--table result2\

--num-mappers 1 \

--export-dir /opt/hive/warehouse/result2 \

--input-fields-terminated-by "\001"

 

（3）按照流量统计最受欢迎的Top10课程 （traffic）

创建result3表:

create table result3as

select id,sum(traffic) total

from results

group by id

order by total desc

limit 10;

导入到MySQL:

 

bin/sqoop export \

--connect jdbc:mysql://Hadoop102:3306/bigdata\

--username root \

--password ok \

--table result3\

--num-mappers 1 \

--export-dir /opt/hive/warehouse/result3 \

--input-fields-terminated-by "\001"