Hadoop经典案例(二)FlowSum的简易实现

统计手机用户上网流量的数据

实际需求: 统计出每个手机号上网的上、下行流量及总流量（上行+下行）
我们需要从源数据中统计出每个用户(手机号)的所有请求的上行流量、下行流量、总流量的数据，并输出到单独的文件中。
给出的数据:

1363157985066 	13726230503	00-FD-07-A4-72-B8:CMCC	120.196.100.82	i02.c.aliimg.com		24	27	2481	24681	200
1363157995052 	13826544101	5C-0E-8B-C7-F1-E0:CMCC	120.197.40.4			4	0	264	0	200
1363157991076 	13926435656	20-10-7A-28-CC-0A:CMCC	120.196.100.99			2	4	132	1512	200
1363154400022 	13926251106	5C-0E-8B-8B-B1-50:CMCC	120.197.40.4			4	0	240	0	200
1363157993044 	18211575961	94-71-AC-CD-E6-18:CMCC-EASY	120.196.100.99	iface.qiyi.com	视频网站	15	12	1527	2106	200
1363157995074 	84138413	5C-0E-8B-8C-E8-20:7DaysInn	120.197.40.4	122.72.52.12		20	16	4116	1432	200
1363157993055 	13560439658	C4-17-FE-BA-DE-D9:CMCC	120.196.100.99			18	15	1116	954	200
1363157995033 	15920133257	5C-0E-8B-C7-BA-20:CMCC	120.197.40.4	sug.so.360.cn	信息安全	20	20	3156	2936	200
1363157983019 	13719199419	68-A1-B7-03-07-B1:CMCC-EASY	120.196.100.82			4	0	240	0	200
1363157984041 	13660577991	5C-0E-8B-92-5C-20:CMCC-EASY	120.197.40.4	s19.cnzz.com	站点统计	24	9	6960	690	200
1363157973098 	15013685858	5C-0E-8B-C7-F7-90:CMCC	120.197.40.4	rank.ie.sogou.com	搜索引擎	28	27	3659	3538	200
1363157986029 	15989002119	E8-99-C4-4E-93-E0:CMCC-EASY	120.196.100.99	www.umeng.com	站点统计	3	3	1938	180	200
1363157992093 	13560439658	C4-17-FE-BA-DE-D9:CMCC	120.196.100.99			15	9	918	4938	200
1363157986041 	13480253104	5C-0E-8B-C7-FC-80:CMCC-EASY	120.197.40.4			3	3	180	180	200
1363157984040 	13602846565	5C-0E-8B-8B-B6-00:CMCC	120.197.40.4	2052.flash2-http.qq.com	综合门户	15	12	1938	2910	200
1363157995093 	13922314466	00-FD-07-A2-EC-BA:CMCC	120.196.100.82	img.qfc.cn		12	12	3008	3720	200
1363157982040 	13502468823	5C-0A-5B-6A-0B-D4:CMCC-EASY	120.196.100.99	y0.ifengimg.com	综合门户	57	102	7335	110349	200
1363157986072 	18320173382	84-25-DB-4F-10-1A:CMCC-EASY	120.196.100.99	input.shouji.sogou.com	搜索引擎	21	18	9531	2412	200
1363157990043 	13925057413	00-1F-64-E1-E6-9A:CMCC	120.196.100.55	t3.baidu.com	搜索引擎	69	63	11058	48243	200
1363157988072 	13760778710	00-FD-07-A4-7B-08:CMCC	120.196.100.82			2	2	120	120	200
1363157985066 	13726238888	00-FD-07-A4-72-B8:CMCC	120.196.100.82	i02.c.aliimg.com		24	27	2481	24681	200
1363157993055 	13560436666	C4-17-FE-BA-DE-D9:CMCC	120.196.100.99			18	15	1116	954	200

实现步骤:

1:导入Pom.xml依赖及其日志log4j.properties

<dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>2.6.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs</artifactId>
        <version>2.6.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>2.6.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-mapreduce-client-core</artifactId>
        <version>2.6.5</version>
    </dependency>

日志文件log4j.properties

log4j.rootLogger=info,stdout,logFile
#\u63A7\u5236\u53F0\u8F93\u51FA
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.Target=System.out
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=[%d{ABSOLUTE}] %5p %c{1}:%L - %m%n
#\u7CFB\u7EDF\u65E5\u5FD7\u8F93\u51FA
log4j.appender.logFile=org.apache.log4j.DailyRollingFileAppender
log4j.appender.logFile.File=logs/mad_ccg.log
log4j.appender.logFile.DatePattern='.'yyyy-MM-dd
log4j.appender.logFile.layout=org.apache.log4j.PatternLayout
log4j.appender.logFile.layout.ConversionPattern=[%d{ABSOLUTE}] %5p %c{1}:%L - %m%n
#\u8BBE\u7F6E\u672C\u5DE5\u7A0B\u7C7B\u7EA7\u522B
log4j.logger.com.ctc.email=DEBUG

2:由于是上下行流量和汇总的数据,需要设计Bean对象

public class FlowBean implements WritableComparable {
//1:添加上下行流量字段
private long upLink;
private long downLink;
private long totalLink;

//添加计算统计总流量的方法
    public void set(long upLink,long downLink){
        this.upLink=upLink;
        this.downLink=downLink;
        this.totalLink=upLink+downLink;
    }

    //添加上下行流量和总流量的方法 
    public long getDownLink(){
        return downLink;
    }
    public long getUpLink(){
        return upLink;
    }
    public long gettotalLink(){
        return totalLink;
    }
    //覆盖的方法,进行序列化
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeLong(downLink);
        dataOutput.writeLong(upLink);
        dataOutput.writeLong(totalLink);
    }
    //覆盖的方法:进行反序列化
    public void readFields(DataInput dataInput) throws IOException {
        this.downLink=dataInput.readLong();
        this.upLink=dataInput.readLong();
        this.totalLink=dataInput.readLong();
    }
    //覆盖的方法:进行排序,如果是同一个号码的数据的话,就按照各自的hashcode的值去排序
    public int compareTo(FlowBean o) {
        if(o.gettotalLink()-this.gettotalLink()==0){
            return o.hashCode()-this.hashCode();
        }else{

        return (int) (o.gettotalLink()-this.gettotalLink());
        }
    }
    //覆盖原有的toString方法,自定义
    @Override
    public String toString() {
        return this.upLink+"\t"+this.downLink+"\t"+this.totalLink;
    }
}

3:创建Mapper和Reduce和程序的启动类,进行第一步数据的清洗

public class FlowProgram {
    //添加Mapper类
    public static class ProgramMapper extends Mapper<LongWritable, Text,Text,FlowBean>{

        //创建一个FlowBean的对象
        FlowBean bean = new FlowBean();

        //继承的map方法,先进行数据的清洗,
        //原始数据:1363157985066   13726230503    00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com      24 27 2481   24681  200
        //清洗之后的数据要求: //13726230503  2481   24681   2481+24681
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            String[] wordsInRow = StringUtils.split(value.toString(), "\t");
            bean.set(Long.parseLong(wordsInRow[wordsInRow.length-3]),
                    Long.parseLong(wordsInRow[wordsInRow.length-2]));
            context.write(new Text(wordsInRow[1]),bean);
        }
    }

    public static class ProgramReduce extends Reducer<Text,FlowBean,Text,FlowBean>{

        //创建一个FlowBean的对象
        FlowBean sumbean = new FlowBean();
        //进行相同号码在不同时间段内产生不同流量的汇总:
        @Override
        protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
            long totalUpLink=0;
            long totalDownLink=0;
            Iterator<FlowBean> iterator = values.iterator();
            //这里是重点:reduce方法进来的时候就是 一个key,而这个key有多个value,形成一个数组,当遍历的时候,key值不动,而是只遍历values,
            //每一个value的上下行流量做汇总,在同一个key的前提下
            while (iterator.hasNext()) {
                //同一号码某段时间产生的流量
                FlowBean next = iterator.next();
                totalUpLink +=next.getUpLink();
                totalDownLink +=next.getDownLink();
            }
            //最后,通过上下行流量用set方法计算出总流量
            sumbean.set(totalUpLink,totalDownLink);
            context.write(key,sumbean);
        }
    }

    //创建一个驱动类,设置添加各个配置
    public static void main(String[] args) throws Exception{

        //1:创建配置和任务
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        //2:指定jar驱动类
        job.setJarByClass(FlowProgram.class);
        //3:指定mapper和Reduce的类
        job.setMapperClass(ProgramMapper.class);
        job.setReducerClass(ProgramReduce.class);
        //4:指定mapper和Reduce的输出类型,如果相等的话,可以省略mapper的输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);
        //job.setInputFormatClass():使用默认组件就不用写
        //5:指定输入数据和输出数据的路径,如果输出路径存在的话删除输出路径
        FileInputFormat.setInputPaths(job,new Path("F:\\flowsum\\input"));
        Path outPath = new Path("F:\\flowsum\\out");
        FileOutputFormat.setOutputPath(job,outPath);
        deleteIfExists(conf, outPath);

        //6:设置成功标志
        boolean flag = job.waitForCompletion(true);
        System.out.println(flag);
    }

    private static void deleteIfExists(Configuration conf, Path outPath) throws IOException {
        FileSystem fs = FileSystem.get(conf);
        if(fs.exists(outPath)){
            fs.delete(outPath);
        }
    }
}

4进行数据的分区和数据的排序,按照总流量的倒序去排列

public class FlowProgram1 {
    //添加Mapper类
    public static class ProgramMapper extends Mapper<LongWritable, Text,FlowBean,Text>{

        //创建一个FlowBean的对象
        FlowBean bean = new FlowBean();

        //数据//13480253104  180    180    360
        //mapper输出时候把bean放在前面的原因是因为要用数据来进行排序,而排序的方法在bean中,所以要把bean放在前面
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            String[] wordsInRow = StringUtils.split(value.toString(), "\t");
            bean.set(Long.parseLong(wordsInRow[1]),
                    Long.parseLong(wordsInRow[2]));
            //map输出是bean和FlowBean的原因是:进入Reduce的时候需要遍历FlowBean,而不是bean
            context.write(bean,new Text(wordsInRow[0]));
        }
    }
    //排序完成好之后,由于bean在前面,需要在重新倒过来,让数据在前面
    public static class ProgramReduce extends Reducer<FlowBean,Text,Text,FlowBean>{
        //创建一个FlowBean的对象
        FlowBean sumbean = new FlowBean();
        @Override
        protected void reduce(FlowBean flowBean, Iterable<Text> values, Context context) throws IOException, InterruptedException {
            Iterator<Text> iterator = values.iterator();
            Text phoneNo = iterator.next();
            context.write(phoneNo,flowBean);
        }
    }
    //创建一个驱动类,设置添加各个配置
    public static void main(String[] args) throws Exception{
        //1:创建配置和任务
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        //2:指定jar驱动类
        job.setJarByClass(FlowProgram1.class);
        //3:指定mapper和Reduce的类
        job.setMapperClass(ProgramMapper.class);
        job.setReducerClass(ProgramReduce.class);

        //指定任务的分区的实现类
        job.setPartitionerClass(Flowpartitioner.class);
        //指定Reduce的数量
        job.setNumReduceTasks(5);

        //4:指定mapper和Reduce的输出类型,如果相等的话,可以省略mapper的输出类型
        job.setMapOutputKeyClass(FlowBean.class);
        job.setMapOutputValueClass(Text.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);
        //job.setInputFormatClass():使用默认组件就不用写
        //5:指定输入数据和输出数据的路径,如果输出路径存在的话删除输出路径
        FileInputFormat.setInputPaths(job,new Path("F:\\flowsum\\out"));
        Path outPath = new Path("F:\\flowsum\\out1");
        FileOutputFormat.setOutputPath(job,outPath);
        deleteIfExists(conf, outPath);
        //6:设置成功标志
        boolean flag = job.waitForCompletion(true);
        System.out.println(flag);
    }
    private static void deleteIfExists(Configuration conf, Path outPath) throws IOException {
        FileSystem fs = FileSystem.get(conf);
        if(fs.exists(outPath)){
            fs.delete(outPath);
        }
    }

5:需要用到的分区的类:继承Partitioner

public class Flowpartitioner extends Partitioner<FlowBean, Text> {
    //创建一个map
    private static HashMap<String,Integer> cache = new HashMap<String,Integer>();
    //在加载类的时候就会执行静态代码快,先已经创建好了以下的各个map.只需要在getPartitioner的方法中切分好了之后,和已经存在的map去比较,
    //去看放在哪个map中
    static {
        cache.put("135",0);
        cache.put("137",1);
        cache.put("139",2);
        cache.put("159",3);
        //剩下的号码放在第5个文件中
    }
    /**
     *因为这个类的泛型和map的输出泛型保持一致
     * @param flowBean 是上下行流量和总流量
     * @param text 是电话号码
     * @param numPartitions
     * @return 返回的是一个int,就是往编号是几的文件中存放数据
     */
    @Override
    public int getPartition(FlowBean flowBean, Text text, int numPartitions) {
        //把电话号码进行切分,只要前三位
        String sign = text.toString().substring(0, 3);
        //如果我的号码前三位的value值没有的话,就放在编号为4的文件中,有的话就存放在已经存在的编号的文件中
        return cache.get(sign)==null?4:cache.get(sign);
    }
}

总结:

默认情况下，系统只有一个reduce task，也只有一个partition分区，假如setNumberReduceTasks(0),就说明不要reduceTask,输出的结果就是part-m-xxxx。
如果reduce task < partition分区，就会报Illegal partition。
如果reduce task > partition分区，则会有多余的空文件产生。
注意： reduceTask默认的个数是1，如果使用默认的方式，就必须传入reduceTask 的实现类，也就是说我们要调用 setReducerClass()，如果没调用就会抛异常。 如果reduceTask的个数设置为0，那么就代表我们不需要使用全局统计，此时会在输出文件夹下产生mapTask输 出的key value内容，有多少个mapTask就有多少个文件。