个人学习整理，所有资料来自尚硅谷
B站学习连接：添加链接描述

MapReduce—ETL数据清洗

1. ETL数据清洗

​ “ETL"，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。

​ 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。清流的过程往往只需要运行Mapper程序，不需要运行Reduce程序。

2. ETL数据清洗案例实操

2.1 需求

去除日志中字段个数小于等于11的日志.

• 输入数据web.log
• 期望输出数据：每行字段长度都大于11
  
  数据连接：添加链接描述
  提取码：cjtl

2.2 需求分析

​ 需要在Map阶段对输入的数据根据规则进行过滤清洗。

​ Map阶段输入key：偏移量LongWritable,value: Text，输出key: Text （每行读取的内容），value:NullWritavle。

2.3 实现代码

• WebLogMapper类

package com.atguigu.mapreduce.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 Mapper<LongWritable, Text,Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        //1.获取一行数据
        String line = value.toString();

        //2.解析日志（字段大于11的保留，小于等于11的删除）
        boolean result = parseLog(line,context);

        //3.日志不合法退出
        if (!result){
            return;
        }

        //4.日志合法就直接写出
        context.write(value,NullWritable.get());
    }

    private boolean parseLog(String line, Mapper<LongWritable, Text, Text, NullWritable>.Context context) {
        //1.截取
        String[] fields = line.split(" ");//按空格截取

        //2.日志长度大于11的为合法
        if (fields.length>11){
            return  true;
        }else {
            return false;
        }
    }
}

• WebLogDriver类

package com.atguigu.mapreduce.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;

import java.io.IOException;

public class WebLogDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        args = new String[]{"D:\\downloads\\hadoop-3.1.0\\data\\11_input\\inputlog",
                "D:\\downloads\\hadoop-3.1.0\\data\\output\\output14"};
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        job.setJarByClass(WebLogDriver.class);
        job.setMapperClass(WebLogMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
        job.setNumReduceTasks(0);
        FileInputFormat.setInputPaths(job,new Path(args[0]));
        FileOutputFormat.setOutputPath(job,new Path(args[1]));
        boolean result = job.waitForCompletion(true);
        System.exit(result?0:1);
    }
}

2.4 测试结果

共清洗了$14619-13770=849$行数据。