Day4 基于Hadoop电商实践（1）

 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