Hadoop_27_MapReduce_运营商原始日志增强(自定义OutputFormat)

1.需求:

　　现有一些原始日志需要做增强解析处理，流程：

　　1、从原始日志文件中读取数据(日志文件：https://pan.baidu.com/s/12hbDvP7jMu9yE-oLZXvM_g)

　　2、根据日志中的一个URL字段到外部知识库中获取信息增强到原始日志

　　3、如果成功增强，则输出到增强结果目录；如果增强失败，则抽取原始数据中URL字段输出到待爬清单目录

2.需求分析:

　　程序的关键点是要在一个mapreduce程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出需求可

以通过自定义outputformat来实现

3.需求实现:　

技术实现要点：

　　1、在mapreduce中访问外部资源(知识数据库)

　　2、自定义outputformat，改写其中的recordwriter，改写具体输出数据的方法write()

代码实现：

1.数据库获取数据的工具类：

　　1.首先启动数据库服务(192.168.232.201)：service mysql start

　　2.使用远程客户端连接数据库工具Navicat操作数据库：导入创建url_rule表语句和导入该表数据

　　3.创建表语句及其数据下载：https://pan.baidu.com/s/1k74-o8wbFp5QC8Ee4Fu1YQ

package cn.bigdata.hdfs.LogEnhance;

import java.sql.Connection;

import java.sql.DriverManager;

import java.sql.ResultSet;

import java.sql.Statement;

import java.util.Map;

public class DBLoader {

    public static void dbLoader(Map<String, String> ruleMap) throws Exception {

        Connection conn = null;

        Statement st = null;

        ResultSet res = null;

        try {

            Class.forName("com.mysql.jdbc.Driver");

            conn = DriverManager.getConnection("jdbc:mysql://192.168.232.201:3306/mysql", "root", "root");

            st = conn.createStatement();

            res = st.executeQuery("select url,content from url_rule");

            while (res.next()) {

                ruleMap.put(res.getString(1), res.getString(2));

            }

        } finally {

            try{

                if(res!=null){

                    res.close();

                }

                if(st!=null){

                    st.close();

                }

                if(conn!=null){

                    conn.close();

                }

            }catch(Exception e){

                e.printStackTrace();

            }

        }

    }

}

2.自定义一个outputformat继承自FileOutputFormat，实现getRecordWriter方法：

package cn.bigdata.hdfs.LogEnhance;

import java.io.IOException;

import org.apache.hadoop.fs.FSDataOutputStream;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.RecordWriter;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**

 * maptask或者reducetask在最终输出时，先调用OutputFormat的getRecordWriter方法拿到一个RecordWriter

 * 然后再调用RecordWriter的write(k,v)方法将数据写出

 */

public class LogEnhanceOutputFormat extends FileOutputFormat<Text, NullWritable> {

    @Override

    public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext context) throws IOException, InterruptedException {

        ///拿到一个文件系统操作的客户端实例对象

        FileSystem fs = FileSystem.get(context.getConfiguration());

        Path enhancePath = new Path("F:/temp/en/log.dat");

        Path tocrawlPath = new Path("F:/temp/crw/url.dat");

        //流式创建文件

        FSDataOutputStream enhancedOs = fs.create(enhancePath);

        FSDataOutputStream tocrawlOs = fs.create(tocrawlPath);

        return new EnhanceRecordWriter(enhancedOs, tocrawlOs);

    }

    /**

     * 构造一个自己的recordwriter

     */

    static class EnhanceRecordWriter extends RecordWriter<Text, NullWritable> {

        FSDataOutputStream enhancedOs = null;

        FSDataOutputStream tocrawlOs = null;

        public EnhanceRecordWriter(FSDataOutputStream enhancedOs, FSDataOutputStream tocrawlOs) {

            super();

            this.enhancedOs = enhancedOs;

            this.tocrawlOs = tocrawlOs;

        }

        //实现抽象方法write

        @Override

        public void write(Text key, NullWritable value) throws IOException, InterruptedException {

            String result = key.toString();

            // 如果要写出的数据是待爬的url，则写入待爬清单文件 /logenhance/tocrawl/url.dat

            if (result.contains("tocrawl")) {

                tocrawlOs.write(result.getBytes());

            } else {

                // 如果要写出的数据是增强日志，则写入增强日志文件 /logenhance/enhancedlog/log.dat

                enhancedOs.write(result.getBytes());

            }

        }

        //实现抽象方法close

        @Override

        public void close(TaskAttemptContext context) throws IOException, InterruptedException {

            if (tocrawlOs != null) {

                tocrawlOs.close();

            }

            if (enhancedOs != null) {

                enhancedOs.close();

            }

        }

    }

}

3.开发mapreduce处理流程：

　　这个程序是对每个小时不断产生的用户上网记录日志进行增强(将日志中的url所指向的网页内容分析结果信息追加到每一行

原始日志后面

　　maptask在初始化时会先调用setup方法一次利用这个机制，将外部的知识库加载到maptask执行的机器内存中

package cn.bigdata.hdfs.LogEnhance;

import java.io.IOException;

import java.util.HashMap;

import java.util.Map;

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.conf.Configuration;

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.Counter;

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;

public class LogEnhance {

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

        Map<String, String> ruleMap = new HashMap<String, String>();

        Text k = new Text();

        NullWritable v = NullWritable.get();

        // 从数据库中加载规则信息倒ruleMap中

        @Override

        protected void setup(Context context) throws IOException, InterruptedException {

            try {

                DBLoader.dbLoader(ruleMap);

            } catch (Exception e) {

                e.printStackTrace();

            }

        }

        @Override

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

            // 获取一个计数器用来记录不合法的日志行数, 组名, 计数器名称

            Counter counter = context.getCounter("malformed", "malformedline");

            String line = value.toString();

            String[] fields = StringUtils.split(line, "\t");

            try {

                String url = fields[26];

                String content_tag = ruleMap.get(url);

                // 判断内容标签是否为空，如果为空，则只输出url到待爬清单；如果有值，则输出到增强日志

                if (content_tag == null) {

                    k.set(url + "\t" + "tocrawl" + "\n");

                    context.write(k, v);

                } else {

                    k.set(line + "\t" + content_tag + "\n");

                    context.write(k, v);

                }

            } catch (Exception exception) {

                counter.increment(1);

            }

        }

    }

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

        Configuration conf = new Configuration();

        Job job = Job.getInstance(conf);

        job.setJarByClass(LogEnhance.class);

        job.setMapperClass(LogEnhanceMapper.class);

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(NullWritable.class);

        // 要控制不同的内容写往不同的目标路径，可以采用自定义outputformat的方法

        job.setOutputFormatClass(LogEnhanceOutputFormat.class);

        //本地原始日志文件存放目录

        FileInputFormat.setInputPaths(job, new Path("F:/webloginput/"));

        // 尽管我们用的是自定义outputformat，但是它是继承制fileoutputformat

        // 在fileoutputformat中，必须输出一个_success文件，所以在此还需要设置输出path

        FileOutputFormat.setOutputPath(job, new Path("F:/weblogoutput/"));

        // 不需要reducer

        job.setNumReduceTasks(0);

        job.waitForCompletion(true);

        System.exit(0);

    }

}

总结：

　　1.其中在mapreduce程序中用到了计数器；获取一个计数器用来记录不合法的日志行数, 组名, 计数器名称

　　2.拷贝mysql的驱动包到工程的lib目录下，这里使用本地运行模式；https://pan.baidu.com/s/1ldzQ0i5qdvvJ3Yw08LvF5Q

　　3.maptask或者reducetask在最终输出时，先调用OutputFormat的getRecordWriter方法拿到一个RecordWriter，然后再调用

RecordWriter的write(k,v)方法将数据写出

　　4.在setup方法中完成知识库的加载，写入到Map中

　　5.Map端在Context,write时，如果后面没有Reduce,将没有整个的shuffe过程，将直接调用outPutFormat进行输出，进来什

么顺序，则出去什么顺序（总之：没有reduce就没有shuffle）