三-下-1, 数据清洗(ETL)和计数器浅析及案例实操

文章目录

三-下-1, 数据清洗(ETL)和计数器浅析及案例实操

ETL

  • “ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程。ETL 一词较常用在数据仓库，但其对象并不限于数据仓库
  • 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

请添加图片描述

3.1 数据清洗案例实操-简单版

[需求]

请添加图片描述

[需求分析和代码实现]

  • 在Map阶段对输入的数据根据规则进行过滤清洗。
  1. Mapper类(写法一, 简单, 不易于后期扩充改写)
public class etlMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //1. 取出一行, 切割
        String[] fileds = value.toString().split(" ");

        //2. 判断数据长度, >11的才写出
        //3. 加入计数器 Context.getCounter(groupName, counterName)
        //194.237.142.21 - - [18/Sep/2013:06:49:18 +0000] "GET /wp-content/uploads/2013/07/rstudio-git3.png HTTP/1.1" 304 0 "-" "Mozilla/4.0 (compatible;)"
        if(fileds.length > 11){
            context.write(value, NullWritable.get());
            context.getCounter("数据清洗日志:", "合法数据").increment(1); //3. 计数器的应用
        }else{
            context.getCounter("数据清洗日志:", "不合法数据").increment(1);
        }
 
    }
}
  1. Mapper类(写法二, 封装清洗方法, 稍微复杂, 降低耦合, 利于改写)
public class EtlMapper2 extends Mapper<LongWritable, Text, Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        //1. 读取一行
        String line = value.toString();

        //2. 判断长度
        boolean res = parseLog(line,context);
        if(! res){
            return;
        }

        //3.
        context.write(value,NullWritable.get());
    }

    public boolean parseLog(String line, Context context){
        //切割
        String[] fields = line.split(" ");

        //判断长度, 加入计数器
        if(fields.length > 11){
            context.getCounter("数据清洗日志: ", "有效数据").increment(1);
            return true;
        }else{
            context.getCounter("数据清洗日志", "无效数据").increment(1);
            return false;
        }
    }
}
  1. Driver类

public class etlDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        //1. 获取job对象, 传入配置
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        //2. 设置Jar包(driver)
        job.setJarByClass(etlDriver.class);
        //3. 设置mapper,
        job.setMapperClass(etlMapper.class);
        //4. 设置Mapper 的输出
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
        //5. 设置最终的输出
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        //5-1.
        job.setNumReduceTasks(0);
        //6. 设置输入和输出目录
        FileInputFormat.setInputPaths(job, new Path("D:\\user\\etl\\input"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\user\\etl\\output"));
        //7. 提交
        boolean res = job.waitForCompletion(true);
        System.exit(res? 0 : 1);
    }
}

输出结果

请添加图片描述

Debug补充:

请添加图片描述

3.2 数据清洗案例实操-复杂版

[需求]

请添加图片描述

[需求分析和代码实现]

  1. 由于我们需要去具体判断log文件中的字段, 所以必须把web.log中的数据切割后按字段封装到Bean类中. Bean类代码如下:
//封装日志各个属性
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();
    }

}
  1. 同上一小节案例相似, 我们把清洗方法单独分离出来并加入计数器, 按照给定的规则从Mapper中写出合规的数据.
public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
    Text k = new Text();

    @Override
    protected void map(LongWritable key, Text value, 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
            //194.237.142.21 - - [18/Sep/2013:06:49:18 +0000]
            // "GET /wp-content/uploads/2013/07/rstudio-git3.png HTTP/1.1" 304 0 "-" "Mozilla/4.0 (compatible;)"
            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;
    }
}
  1. Driver类
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
                FileInputFormat.setInputPaths(job, new Path("D:\\user\\etl\\input"));
                FileOutputFormat.setOutputPath(job, new Path("D:\\user\\etl\\ouput-2"));

                // 6 提交
                job.waitForCompletion(true);

    }
}

请添加图片描述

posted @   青松城  阅读(279)  评论(0)  编辑  收藏  举报
相关博文：
· 三-下-0, MapReduce Join 浅析及案例实操
· 三-中下, 大数据基础架构Hadoop- MapReduce框架原理和工作流程剖析
· 数据清洗（ETL）
· GaussDB数据库SQL系列-SQL与ETL浅谈
· GaussDB数据库SQL系列-SQL与ETL浅谈
阅读排行：
· 全程不用写代码，我用AI程序员写了一个飞机大战
· DeepSeek 开源周回顾「GitHub 热点速览」
· 记一次.NET内存居高不下排查解决与启示
· MongoDB 8.0这个新功能碉堡了，比商业数据库还牛
· .NET10 - 预览版1新功能体验（一）
点击右上角即可分享
微信分享提示