Hadoop电商日志数据分析(三)

news/2024/9/23 12:30:18

ETL

1.ETL的重要性
==> 存在的问题:每个MR作业都去全量读取待处理的原始日志,如果数据量很大,将非常不可取

ETL:数据从来源端经过抽取(Extract)、转换(Transform)、加载(Load)至目的端的过程
为什么要ETL:没有必要解析出所有数据,只需要解析出有价值的字段即可。
全量数据不方便直接进行计算的,最好是进一步处理后在进行相应的维度统计分析
解析出你需要的字段:ip==>城市信息
去除一些你不需要的字段:
ip/time/url/page_id/country/province/city

2.ETL操作
预处理

package com.imooc.bigdata.hadoop.mr.project.mr2;import com.imooc.bigdata.hadoop.mr.project.utils.GetPageId;
import com.imooc.bigdata.hadoop.mr.project.utils.LogParser;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import java.io.IOException;
import java.util.Map;public class ETLApp {// Driver端的代码:八股文public static void main(String[] args) throws Exception{Configuration configuration = new Configuration();// 如果输出目录已经存在,则先删除FileSystem fileSystem = FileSystem.get(configuration);Path outputPath = new Path("input/etl/");if(fileSystem.exists(outputPath)) {fileSystem.delete(outputPath,true);}Job job = Job.getInstance(configuration);job.setJarByClass(ETLApp.class);job.setMapperClass(MyMapper.class);job.setMapOutputKeyClass(NullWritable.class);job.setMapOutputValueClass(Text.class);FileInputFormat.setInputPaths(job, new Path("/Users/rocky/data/trackinfo_20130721.data"));FileOutputFormat.setOutputPath(job, new Path("input/etl/"));job.waitForCompletion(true);}static class MyMapper extends Mapper<LongWritable, Text, NullWritable, Text> {private LogParser parser;@Overrideprotected void setup(Context context) throws IOException, InterruptedException {parser = new LogParser();}@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {String log = value.toString();Map<String, String> logInfo = parser.parse(log);String ip = logInfo.get("ip");String url = logInfo.get("url");String sessionId = logInfo.get("sessionId");String time = logInfo.get("time");String country = logInfo.get("country") == null ? "-" : logInfo.get("country");String province = logInfo.get("province")== null ? "-" : logInfo.get("province");String city = logInfo.get("city")== null ? "-" : logInfo.get("city");String pageId = GetPageId.getPageId(url)== "" ? "-" : GetPageId.getPageId(url);StringBuilder builder = new StringBuilder();builder.append(ip).append("\t");builder.append(url).append("\t");builder.append(sessionId).append("\t");builder.append(time).append("\t");builder.append(country).append("\t");builder.append(province).append("\t");builder.append(city).append("\t");builder.append(pageId);if (StringUtils.isNotBlank(pageId) && !pageId.equals("-")) {System.out.println("------" + pageId);}context.write(NullWritable.get(), new Text(builder.toString()));}}
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.ryyt.cn/news/46795.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈,一经查实,立即删除!

相关文章

C140 线段树分治+01Trie P4585 [FJOI2015] 火星商店问题

视频链接:C140 线段树分治+01Trie P4585 [FJOI2015] 火星商店问题_哔哩哔哩_bilibili C09【模板】可持久化字典树(Trie) - 董晓 - 博客园 (cnblogs.com) P4585 [FJOI2015] 火星商店问题 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn)// 线段树分治 O(nlognlogn) #includ…

Hadoop电商日志数据分析(一)

项目要求 根据电商日志文件,分析: 1 . 统计页面浏览量(每行记录就是一次浏览) 2 . 统计各个省份的浏览量 (需要解析IP) 3 . 日志的ETL操作(ETL:数据从来源端经过抽取(Extract)、转换(Transform)、加载(Load)至目的端的过程)为什么要ETL:没有必要解析出所有数据…

单运放的浮动供电电路的进一步解释讲解

有时候需要运算放大器输出高一些的电压,或者输入高一些的电压,又或者输入输出都高一些。最简单的办法就是使用钞能力,只要钱给够,加上允许的时间够长,那么总可以买到甚至定制到合适的运算放大器。如果使用数量不多,也可以自己搭建分立元件的运算放大器,达到需求的功能。…

LLM大模型: RAG的langchain+向量数据库实现和评估方案

LLM大模型的核心功能之一就是聊天对话(信息检索),RAG的使用必不可少!大致的流程是:用户的query先转成embedding,去向量数据库查询最接近的top K回答;然后这query + top K的回答 + 其他context一起进入LLM,让LLM整合上述所有的信息后给出最终的回复!为了简便、快速地实…

FFmpeg开发笔记(三十二)利用RTMP协议构建电脑与手机的直播Demo

不管是传统互联网还是移动互联网,实时数据传输都是刚需,比如以QQ、微信为代表的即时通信工具,能够实时传输文本和图片。其中一对一的图文通信叫做私聊,多对多的图文通信叫做群聊。 除了常见的图文即时通信,还有实时音视频通信,比如一对一的音频通话、一对一的视频通话等等…

PS

基本概念色彩格式RGB CMYK其他工具图层:文字图层 图像图层 智能对象栅格化:接触智能对象的像素保护蒙版普通蒙版 剪切蒙版 alt+两图层间单击混合选项图层文字部分右键 镂空、不透明度……图层混合小结:魔棒 色彩容差抠图 ctrl+J练习:bezier.method.ac小结:

Hadoop电商日志数据分析(二)

项目要求 根据电商日志文件,分析: 1 . 统计页面浏览量(每行记录就是一次浏览) 2 . 统计各个省份的浏览量 (需要解析IP) 3 . 日志的ETL操作(ETL:数据从来源端经过抽取(Extract)、转换(Transform)、加载(Load)至目的端的过程)为什么要ETL:没有必要解析出所有数据…

s2-045漏洞还原

1.环境准备,本地server2003 环境对应网址http://192.168.116.112:8080/struts2-showcase/showcase.action 2.使用在线工具包扫描漏洞信息输入对应的url检测发现存在对应漏洞 选择对应漏洞,可执行对应系统命令 上传自带木马文件(复制tmp.jsp内容,上报到对应目录下C:\jspstud…