【郑州校区】大数据离线阶段Day6之模块开发----数据预处理 - 黑马程序员技术交流社区

过滤“不合规”数据，清洗无意义的数据

格式转换和规整

根据后续的统计需求，过滤分离出各种不同主题(不同栏目path)的基础数据。

开发一个mr程序WeblogPreProcess(内容太长，见工程代码)

[AppleScript] 纯文本查看 复制代码

public class WeblogPreProcess {



static class WeblogPreProcessMapper extends Mapper<LongWritable, Text, Text, NullWritable> {



Text k = new Text();



NullWritable v = NullWritable.get();



@Override



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



String line = value.toString();



WebLogBean webLogBean = WebLogParser.parser(line);



//        WebLogBean productWebLog = WebLogParser.parser2(line);



//        WebLogBean bbsWebLog = WebLogParser.parser3(line);



//        WebLogBean cuxiaoBean = WebLogParser.parser4(line);



if (!webLogBean.isValid())



return;



k.set(webLogBean.toString());



context.write(k, v);



//        k.set(productWebLog);



//        context.write(k, v);



}



}



public static void main(String[] args) throws Exception {





Configuration conf = new Configuration();



Job job = Job.getInstance(conf);



job.setJarByClass(WeblogPreProcess.class);



job.setMapperClass(WeblogPreProcessMapper.class);



job.setOutputKeyClass(Text.class);



job.setOutputValueClass(NullWritable.class);



FileInputFormat.setInputPaths(job, new Path(args[0]));



FileOutputFormat.setOutputPath(job, new Path(args[1]));



job.waitForCompletion(true);





}



}

l 运行mr对数据进行预处理

[AppleScript] 纯文本查看 复制代码

hadoop jar weblog.jar  cn.itcast.bigdata.hive.mr.WeblogPreProcess /weblog/input /weblog/preout

由于大量的指标统计从点击流模型中更容易得出，所以在预处理阶段，可以使用mr程序来生成点击流模型的数据。

Pageviews表模型数据生成, 详细见：ClickStreamPageView.java

此时程序的输入数据源就是上一步骤我们预处理完的数据。经过此不处理完成之后的数据格式为：

注：“一次访问”=“N次连续请求”

直接从原始数据中用hql语法得出每个人的“次”访问信息比较困难，可先用mapreduce程序分析原始数据得出“次”信息数据，然后再用hql进行更多维度统计

用MR程序从pageviews数据中，梳理出每一次visit的起止时间、页面信息

详细代码见工程：ClickStreamVisit.java

传智播客·黑马程序员郑州校区地址

河南省郑州市高新区长椿路11号大学科技园（西区）东门8号楼三层

联系电话 0371-56061160/61/62

来校路线地铁一号线梧桐街站A口出