Hadoop实战_hadoop 项目实战

大家好，又见面了，我是你们的朋友全栈君。

hadoop 实战练习（二）

引言：哈哈，时隔几日，坏蛋哥又回来了，继上一篇hadoop实战练习（一）,坏蛋哥准备继续写一个实战练习实例。苏格拉底曾说：所有科学都源于需求。那么我们就抛出今天实战项目的需求：百度采集了一段时间用户的访问日志。需要将数据进行清洗变成结构化的数据，方便后面模型或报表的制作。那么就让我们开始吧！

码字不易，如果大家想持续获得大数据相关内容，请关注和点赞坏蛋哥(haha…)

文章目录：

文章目录

hadoop 实战练习（二）
- 一项目需求分析
- 二项目实现思路
- 三具体实现代码讲解
- - 3.1 map函数代码的具体讲解：
  - 3.2 reduce函数的具体讲解：
- 四总结

一项目需求分析

百度采集了用户点击访问的日志（后台回复【baidu】可获得实验数据哦！），现在需要分析日志数据。进行一个轻量级的数据汇总，数据形式如下图所示：

如图所示，在日志文件中有后台数据的埋点日志（也就类似于System.out.println(“某某怎们样了，我记录一下”)）和下面我圈出来的，用户访问url所打印的信息。现在要就将统计同一个ip地址访问了几次页面，并统计最开始访问和最后访问的页面是什么。最后的结果类似于：

二项目实现思路

如果你已经有思路了或者想要尝试一下自己来完成这个小项目，那么就请暂时退出网页，试着自己独立完成，如果中途有什么不懂的，可以上网查取资料。完成后再来看我的思路。如果你对hadoop还不是很熟悉，那么可以先看下我的思路，如果理解了，那么就请自己一个人来独立复现代码哦（相信坏蛋哥这么做是为你好，什么东西都是当你能随心所欲的用于起来了，那么就代表你学会了）。

这个项目主要要写map和reduce函数，map函数主要要实现数据的清洗和提取，这儿主要涉及到的是正则表达式的知识。map将数据变成以ip为键，time和page为value。reduce函数实现对数据的统计，算出timecount和pagecount并比较得出startpage和lastpage。

三具体实现代码讲解

3.1 map函数代码的具体讲解：

代码语言：javascript复制

/** * function:用于log文件的map,输入是ip,date,pageurl * */
public class FlashMapper extends Mapper<LongWritable,Text,Text,Text> { 

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { 

String line=value.toString();
String ipResult= null;
String timeResult=null;
String pageResult=null;
String regex="(\d{1,3}\.){3}\d{1,3}";
Pattern pattern=Pattern.compile(regex);
Matcher matcher=pattern.matcher(line);
//ip发现
if (matcher.find()){ 

ipResult=matcher.group();
System.out.println("###########获取到的ip为##############:" ipResult);
String regexTime="\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}";
Pattern pattern1=Pattern.compile(regexTime);
Matcher matcher1=pattern1.matcher(line);
//时间发现
if (matcher1.find()){ 

timeResult=matcher1.group();
}
String regexPage="http://.*]";
Pattern pattern2=Pattern.compile(regexPage);
Matcher matcher2=pattern2.matcher(line);
//发现页面
if(matcher2.find()){ 

pageResult=matcher2.group(0);
pageResult=pageResult.substring(0,pageResult.length()-1);
}
//将清洗的结果传给下一级
context.write(new Text(ipResult),new Text(timeResult "t" pageResult));
}
}
}

3.2 reduce函数的具体讲解：

代码语言：javascript复制

public class FlashReducer extends Reducer<Text,Text,Text,Text> { 

@Override
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { 

//定义格式
DateFormat format=new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); //注意大小写MM和HH需要区分，其他均为小写
//定义时间
Date startTime= null;
Date lastTime=null;
//时间的字符串格式
String sTime=null;
String lTime=null;
try { 

startTime = format.parse("2030-12-12 12:12:12");//初始取最大
lastTime=format.parse("1000-10-10 00:00:00");  //初始取最小
} catch (ParseException e) { 

e.printStackTrace();
}
//定义次数和间隔时间
Long count=0l;
Long distance=0l;
//定义网页url
String startPage=null;
String lastPage=null;
String temp=null;
for (Text text:values){ 

//计数
count=count 1;
temp=text.toString();
String as[]=temp.split("t");
//获取时间和页面
String time=as[0];
String page=as[1];
//将String转化为Date类
Date getTime=null;
try { 

getTime=format.parse(time);
} catch (ParseException e) { 

e.printStackTrace();
}
//判断是否是最早或最晚
if (startTime.after(getTime)){ 

startTime=getTime;
startPage=page;
}
if(lastTime.before(getTime)){ 

lastTime=getTime;
lastPage=page;
}
}
//就间隔时间(单位：分钟)
Calendar startCalendar=Calendar.getInstance();
Calendar lastCalendar=Calendar.getInstance();
startCalendar.setTime(startTime);
lastCalendar.setTime(lastTime);
//利用calendar计算间隔
distance=(lastTime.getTime()-startTime.getTime())/(1000);  //以秒为单位
//将时间格式化
sTime=format.format(startTime);
lTime=format.format(lastTime);
//打印一下结果
System.out.println(key " " sTime " " startPage " " 
lTime " " lastPage " " distance);
//写入数据
context.write(new Text(key),
new Text(sTime "t" startPage "t" 
lTime "t" lastPage "t" distance "t" count));
}
}

四总结

上面的全部代码可以在后台回复【hadoop练习1】获取github链接，如果能帮到你，希望给坏蛋哥点赞和收藏哦，你的肯定才是坏蛋哥把这个公众号做好的动力，后面我会讲解如何用spark来清晰日志，hive tez建立电商数仓，flume kafka的数据收集等相关实战和深入理论。码字不容易，欢迎关注坏蛋哥哦！