做易经网站,国家职业资格证书官网,苏州商品关键词优化,wordpress调用热评文章文章目录 数据清洗#xff08;ETL#xff09;概述案例需求和分析代码实现和结果分析 数据清洗#xff08;ETL#xff09;概述
“ETL#xff0c;是英文Extract-Transform-Load的缩写#xff0c;用来描述将数据从来源端经过抽取#xff08;Extract#xff09;、转换ETL概述案例需求和分析代码实现和结果分析 数据清洗ETL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中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。
案例需求和分析
有一个日志数据集我们要去除日志中字段个数小于等于11的日志。 部分数据集 我们期望输出的数据每行字段长度都大于11所以需要在Map阶段对输入的数据根据规则进行过滤清洗。
代码实现和结果分析 package 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;public class WebLogDriver {public static void main(String[] args) throws Exception {// 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[] { D:/input/inputlog.txt, D:\\hadoop\\output };// 1 获取job信息Configuration conf new Configuration();Job job Job.getInstance(conf);// 2 加载jar包job.setJarByClass(WebLogDriver.class);// 3 关联mapjob.setMapperClass(WebLogMapper.class);//4设置map的输出类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(NullWritable.class);//5 设置最终输出类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(NullWritable.class);// 6取消reduce阶段设置reducetask个数为0job.setNumReduceTasks(0);// 7 设置输入和输出路径FileInputFormat.setInputPaths(job, new Path(args[0]));FileOutputFormat.setOutputPath(job, new Path(args[1]));//8 提交boolean b job.waitForCompletion(true);System.exit(b ? 0 : 1);}
}package 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 MapperLongWritable, Text,Text, NullWritable {Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {//获取一行String line value.toString();//ETLboolean result parseLog(line,context);if (!result){return;}//写出context.write(value,NullWritable.get());}private boolean parseLog(String line, Context context) {String[] fields line.split( );if (fields.length11){return true;}else {return false;}}
}
输出结果 可以发现数据清洗后少了很多行这就把不符合要求的数据去除掉了。
