一.需求分析
根据电商日志文件,分析:
1. 统计页面浏览量(每行记录就是一次浏览)
2. 统计各个省份的浏览量 (需要解析IP)
3. 日志的ETL操作(ETL:数据从来源端经过抽取(Extract)、转换(Transform)、加载(Load)至目的端的过程)
为什么要ETL:没有必要解析出所有数据,只需要解析出有价值的字段即可。本项目中需要解析出:ip、url、pageId(topicId对应的页面Id)、country、province、city。
二.准备工作
1.启动Hadoop
sbin/start-dfs.sh
2.在hdfs上新建输入文件夹和输出文件夹,将原数据放入input文件夹中
hdfs dfs -mkdir -p /trackinfo/input
hdfs dfs -mkdir -p /trackinfo/output
三.第一问(页面浏览量)分析实现
1.Map阶段
package page;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class PageViewMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
String[] parts = line.split("\\x01"); // 使用特殊字符分隔符 (ASCII SOH)
String count = "count";
if (parts.length >= 2) { // 确保行包含至少两部分
String page = count;
word.set(page);
context.write(word, one);
} else {
// 处理不合法的行
System.err.println("Skipping invalid line: " + line);
}
}
}
2.Reduce阶段
package page;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class PageViewReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
3.Count阶段
package page;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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 PageViewCount {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "Page View Count");
job.setJarByClass(PageViewCount.class);
job.setMapperClass(PageViewMapper.class);
job.setCombinerClass(PageViewReducer.class); // Optional: Combiner to optimize performance
job.setReducerClass(PageViewReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path("/trackinfo/input"));
FileOutputFormat.setOutputPath(job, new Path("/trackinfo/output"));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
四.总结
Mapper阶段:
- 读取电商日志文件的每一行作为输入。
- 解析每一行日志,提取出页面ID(假设字段名为
pageId
)。 - 将页面ID作为key,输出一个计数为1的value(即每次浏览都计数为1)。
- 将
<pageId, 1>
键值对输出到Reducer。
Reducer阶段:
- 接收Mapper输出的所有
<pageId, 1>
键值对。 - 对于每个不同的
pageId
,累加其对应的value(即浏览次数)。 - 输出最终的键值对