大数据培训之数据清洗(ETL)

 计数器应用

大数据培训

 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。

数据清洗案例实操-简单解析版

1.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。

2.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。

3.实现代码

(1)编写LogMapper类

package com.atguigu.mapreduce.weblog;

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>{

 

  Text k = new Text();

 

  @Override

  protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

 

      // 1 获取1行数据

      String line = value.toString();

 

      // 2 解析日志

      boolean result = parseLog(line,context);

 

      // 3 日志不合法退出

      if (!result) {

         return;

      }

 

      // 4 设置key

      k.set(line);

 

      // 5 写出数据

      context.write(k, NullWritable.get());

  }

 

  // 2 解析日志

  private boolean parseLog(String line, Context context) {

 

      // 1 截取

      String[] fields = line.split(” “);

 

      // 2 日志长度大于11的为合法

      if (fields.length > 11) {

 

         // 系统计数器

         context.getCounter(“map”, “true”).increment(1);

         return true;

      }else {

         context.getCounter(“map”, “false”).increment(1);

         return false;

      }

  }

}

 

(2)编写LogDriver类

package com.atguigu.mapreduce.weblog;

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 Exception {

 

// 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[] { “e:/input/inputlog”, “e:/output1” };

 

      // 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);

 

      // 设置reducetask个数为0

      job.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);

  }

}

想要了解跟多关于大数据培训课程内容欢迎关注尚硅谷大数据培训,尚硅谷除了这些技术文章外还有免费的高质量大数据培训课程视频供广大学员下载学习


上一篇:
下一篇:
关于尚硅谷
教育理念
名师团队
学员心声
资源下载
视频下载
资料下载
工具下载
加入我们
招聘岗位
岗位介绍
招贤纳师
联系我们
电话:010-56253825
邮箱:info@atguigu.com
地址:北京市昌平区宏福科技园综合楼6层(北京校区)

 深圳市宝安区西部硅谷大厦B座C区一层(深圳校区)

上海市松江区谷阳北路166号大江商厦6层(上海校区)