ETL数据清洗的案例

数据清洗（ETL）

	Extract-Transform-Load，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Mapp程序，不需要运行Reduce程序

1)需求

去除日志中字段个数等于11的日志。

期望输出数据：每行字段长度都大于11

2)需求分析

在Map阶段对输入的数据根据规则进行过滤清洗

3)编程实现

1.创建Mapper类

package com.yingzi.mapreduce.etl;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * @author 影子
 * @create 2022-01-15-14:52
 **/
public class WebLogMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.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.日志合法就直接写出
        context.write(value,NullWritable.get());
    }

    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) {
            return true;
        } else {
            return false;
        }
    }
}

2.创建Driver类

package com.yingzi.mapreduce.etl;

import com.yingzi.mapreduce.outputformat.LogDriver;
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;

/**
 * @author 影子
 * @create 2022-01-15-14:52
 **/
public class WebLogDriver {

    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

        // 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[]{"G:\\计算机资料\\大数据开发\\尚硅谷大数据技术之Hadoop3.x\\资料\\11_input\\inputlog", "G:\\计算机资料\\大数据开发\\尚硅谷大数据技术之Hadoop3.x\\资料\\_output\\output10"};
        // 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(WebLogMapper.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
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);

    }
}

4)查看结果