补充：数据清洗（简单案例）

清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。

简单案例

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、编写代码

建包log

 （1）编写LogMapper

package com.wolf.mr.log;

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 LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        // get 1 line
        String line = value.toString();
        // analyse data
        boolean result = parseLog(line,context);
        // filter
        if(!result){
            return;
        }
        // write out
        context.write(value,NullWritable.get());
    }

    private boolean parseLog(String line, Context context) {

        String[] fields = line.split(" ");

        if (fields.length > 11){
            context.getCounter("map","true").increment(1);
            return true;
        }else {
            context.getCounter("map","false").increment(1);
            return false;
        }

    }
}

（2）编写LogDriver

package com.wolf.mr.log;

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 {

        // 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);
    }
}

（3）设置参数

/home/wolf/web.log /home/wolf/output/log_clean

（4）运行程序

可以看到有849条不符合，被清洗；13770条符合，保留了下来

（5）查看结果