33.数据清洗案例

[01].项目代码

01.ETLMapper

import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
//LongWritable:偏移量(不需要)
//Text:一行数据
//NullWritable:不需要
//Text:符合清洗规则的数据
public class ETLMapper extends Mapper<LongWritable, Text, NullWritable, Text> {
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, NullWritable, Text>.Context context)
            throws IOException, InterruptedException {
        String data = value.toString();
        String fields[] = data.split("\t");
        //字段数目:3
        if(fields.length!=3) {
            System.out.println("[长度不符]:"+data);
        }
        //id长度:4
        if(fields[0].length()!=4) {
            System.out.println("[ID长度不符]");
        }
        //字段不是null
        for (String item : fields) {
            if(item.equals("null")) {
                System.out.println("[字段为空]");
                return ;
            }
        }
        context.write(NullWritable.get(), value);
    }
}

02.ETLDriver

import java.io.IOException;
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 ETLDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        System.out.println("[开始操作]");
        // 1.创建job对象
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        // 2.设置jar路径
        job.setJarByClass(ETLDriver.class);
        // 3.关联map与red
        job.setMapperClass(ETLMapper.class);
        // 4.设置map输出的键值对类型
        job.setMapOutputKeyClass(NullWritable.class);
        job.setMapOutputValueClass(Text.class);
        // 5.设置最终数据输出键值对类型
        job.setOutputKeyClass(NullWritable.class);
        job.setOutputValueClass(Text.class);
        // 6.设置输入路径(FileInputFormat)和输出路径(FileOutputFormat)
//        FileInputFormat.setInputPaths(job, new Path(args[0]));19
//        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        //本地测试
        FileInputFormat.setInputPaths(job, new Path("D:\\360MoveData\\Users\\AIGameJXB\\Desktop\\hive\\input\\student.txt"));
        //注意：output的目录必须不存在！
        FileOutputFormat.setOutputPath(job, new Path("D:\\360MoveData\\Users\\AIGameJXB\\Desktop\\hive\\output"));
        // 7.提交job
        boolean result = job.waitForCompletion(true);// true:打印运行信息
        System.out.println("[执行完毕]");
        System.exit(result ? 0 : 1);// 1：非正常退出
    }
}

• 和之前的wordcount项目一样，将其打包为jar文件，上传运行。

  [02].本地测试

• 准备数据(为了方便放在桌面)

• 启动hadoop

之前说过了启动方式，这里就只贴图。

• 接下来直接在Eclipse运行测试

  [03].Hadoop测试

• 准备资源：把txt和打好的jar包上传到虚拟机

• 上传到hadoop

  hadoop fs -mkdir /hiveinput

  hadoop fs -put ./student.txt /hiveinput

• 切回到jar包的目录开始执行

  hadoop jar ./etl.jar /hiveinput/student.txt /hiveoutput

  

• 接下来看一下生成的数据

hadoop fs -cat /hiveoutput/part-r-00000