目录
1.概述
“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。
2.需求
针对下面的日志文件,剔除日志文件中字段个数小于等于11的记录,保留字段大于11的记录。
3.代码实现
只是对数据的清洗,并不需要计算,因此只用到map端即可。不过企业中数据更加复杂,往往用到正则表达式进行模式匹配。
3.1编写WebLogMapper类
package com.yangmin.mapreduce.etl;
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 WebLogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//58.215.204.118 - - [18/Sep/2013:06:51:41 +0000] "-" 400 0 "-" "-"
//1.获取一行
String line = value.toString();
//2.切割
String[] fields = line.split(" ");
if (fields.length>11){
//写出
context.write(value, NullWritable.get());
}else {
return;
}
}
}
3.2编写WebLogDriver类
package com.yangmin.mapreduce.etl;
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 java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
public class WebLogDriver {
public static void main(String[] args) throws IOException, URISyntaxException, ClassNotFoundException, InterruptedException {
//获取配置信息和Join
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//关联map
job.setMapperClass(WebLogMapper.class);
//设置map的kv输出类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
//设置最终kv输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// Map 端 Join 的逻辑不需要 Reduce 阶段,设置 reduceTask 数量为 0
job.setNumReduceTasks(0);
//设置输入路径和输出路径
FileInputFormat.setInputPaths(job, new Path("C:\\ZProject\\bigdata\\input\\inputlog"));
FileOutputFormat.setOutputPath(job,new Path("C:\\ZProject\\bigdata\\output\\output_webLog"));
//提交
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}