Hadoop学习---7、OutputFormat数据输出、MapReduce内核源码解析、Join应用、数据清洗、MapReduce开发总结

1、OutputFormat数据输出

1.1 OutputFormat接口实现类

OutputFormat是MapReduce输出的基类，所以实现MapReduce输出都实现了OutputFormat接口。
在这里插入图片描述
1、MapReduce默认的输出格式是TextOutputFormat
2、也可以自定义OutputFormat类，只要继承就行。

1.2 自定义OutputFormat案例实操

1、需求
过滤输入的 log 日志，包含 atguigu 的网站输出到 e:/atguigu.log，不包含 atguigu 的网站输出到 e:/other.log。
（1）输入数据
链接：https://pan.baidu.com/s/1UYNVYaRCxp5kbrbS8AXJaw
提取码：zhm6
2、需求分析
在这里插入图片描述
3、案例实操
（1）Mapper类

package org.example._08outputformat;

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;

/**
 * @ClassName LogMapper
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 9:26
 * @Version 1.0
 */
public class LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {

    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        context.write(value,NullWritable.get());
    }
}

（2）Reducer类

package org.example._08outputformat;

import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * @ClassName LogReducer
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 9:30
 * @Version 1.0
 */
public class LogReducer extends Reducer<Text, NullWritable,Text,NullWritable> {
    @Override
    protected void reduce(Text key, Iterable<NullWritable> values, Reducer<Text, NullWritable, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        for (NullWritable value : values) {
            context.write(key,value);
        }
    }
}

（3）OutputFormat类

package org.example._08outputformat;

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;

import java.io.IOException;

/**
 * @ClassName LogOutFormat
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 9:31
 * @Version 1.0
 */
public class LogOutputFormat extends FileOutputFormat<Text, NullWritable> {

    @Override
    public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
        //自定义一个RecordWriter返回
        LogRecordWriter logRecordWriter=new LogRecordWriter(taskAttemptContext);
        return logRecordWriter;

    }
}

（4）编写RecordWriter类

package org.example._08outputformat;

import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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 java.io.IOException;

/**
 * @ClassName LogRecordWriter
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 9:33
 * @Version 1.0
 */
public class LogRecordWriter extends RecordWriter<Text, NullWritable> {
    private FSDataOutputStream zhmOut;
    private FSDataOutputStream otherOut;
    public LogRecordWriter(TaskAttemptContext job) {
        try {
            //获取文件系统对象
            FileSystem fileSystem=FileSystem.get(job.getConfiguration());
            //利用文件系统对象创建两个输出流对应不同的目录
            zhmOut=fileSystem.create(new Path("E:\\test\\output7\\zhm.log"));
            otherOut=fileSystem.create(new Path("E:\\test\\output7\\other.log"));

        } catch (IOException e) {
            throw new RuntimeException(e);
        }
    }

    @Override
    public void write(Text text, NullWritable nullWritable) throws IOException, InterruptedException {
        String log=text.toString();
        //根据一行的log数据是否包含atguigu,判段两条输出输入流输出的内容
        if (log.contains("atguigu")){
            zhmOut.writeBytes(log+"\n");
        }else {
            otherOut.writeBytes(log+"\n");
        }
    }

    @Override
    public void close(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
        IOUtils.closeStream(zhmOut);
        IOUtils.closeStream(otherOut);
    }
}

（5）编写Driver类

package org.example._08outputformat;

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;

/**
 * @ClassName LogDriver
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 9:50
 * @Version 1.0
 */
public class LogDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        Configuration configuration=new Configuration();
        Job job=Job.getInstance();

        job.setJarByClass(LogDriver.class);

        job.setMapperClass(LogMapper.class);
        job.setReducerClass(LogReducer.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        //设置自定义的outputformat
        job.setOutputFormatClass(LogOutputFormat.class);


        FileInputFormat.setInputPaths(job,new Path("E:\\test\\input3"));
        //虽然我们自定义了outputformat，但是因为我们的outputformat继承自fileOutputformat
        //而fileoutputformat要输出一个_success文件，所以在这还得指定一个输出目录
        FileOutputFormat.setOutputPath(job,new Path("E:\\test\\output7"));

        System.exit(job.waitForCompletion(true)?0:1);

    }
}

2、MapReduce内核源码解析

2.1 MapTask工作机制

在这里插入图片描述
（1）Read阶段：MapTask通过InputFormat获得的RecordReader，从输入InputSpilt中解析出一个个key/value.
（2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。
（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。
（4）Spill阶段：即“溢写”,当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生产一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。
溢写阶段详情：
（a）利用快速排序算法对缓冲区内的数据进行排序，排序的方式是，先按照分区编号partition进行排序，然后按照key进行排序。这样，进过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
（b）按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
（c）将分区数据的元信息写到内存索引数据结构SpillRecord中，其实每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。
（5）Merge阶段：当所以数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。
当所有数据处理完成后，Maptask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生产相应的索引文件output/file.out.index。
在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并mapreduce.task.io.sort.factor(默认10)个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，知道最终得到一个大文件。
让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

2.2 ReduceTask工作机制

在这里插入图片描述
（1）copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定的阙值，则写在磁盘上，否者直接放到内存中。
（2）Sort阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚合的一组数据。为了将key相同的数据聚集在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需要对所有数据进行一次归并排序即可。
（3）Reduce阶段：reduce()函数将计算结果写到HDFS上。

2.3 ReduceTask并行度决定机制

MapTask并行度是由切片个数决定，切片个数由输入文件和切片规则决定。
1·、设置ReduceTask并行度（个数）。
ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask的数量是可以手动进行设置的：

job.setNumReduceTasks(4);//这样就设置了4个ReduceTask

2、注意事项
（1）ReduceTask=0，表示没有Reduce阶段，输出文件个数和Map个数一致。
（2））ReduceTask默认值就是1，所以输出文件个数为一个。
（3）如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜。
（4）ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个ReduceTask。
（5）具体多少个ReduceTask，需要根据集群性能而定。
（6）如果分区数不是1，但是ReduceTask为1，是否执行分区过程。答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。

2.4 MapTask&&ReduceTask源码解析

1、MapTask源码解析
在这里插入图片描述
2、ReduceTask源码解析

3、Join应用

3.1 Reduce Join

（1）Map端的主要工作：为来自不同表或文件的key/value对，打标签以区别不同来源的记录。然后用连接字段作为key，其余部分和新加的标志作为value，最后进行输出。
（2）Reduce端的主要工作：在Reduce端以连接字段作为key的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录（在Map阶段已经打标志）分开，最后进行合并就ok了。

3.2 Reduce Join实操

1、需求
在这里插入图片描述

在这里插入图片描述
2、需求分析
通过将关联条件作为Map输出的key，将两表满足Join条件的数据并携带数据所来源的文件信息，发往同一个ReduceTask，在Reduce中进行数据的串联。

3、代码实现
（1）创建商品和订单合并后的TableBean类

package org.example._09ReduceJoin;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * @ClassName TableBean
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 15:09
 * @Version 1.0
 */
public class TableBean implements Writable {
    //订单表id
    private int id;
    //公司id
    private int pid;
    //库存数量
    private int amount;
    //公司名字
    private String pname;

    //表名
    private String flag;

    public TableBean() {
    }

    public int getId() {
        return id;
    }

    public void setId(int id) {
        this.id = id;
    }

    public int getPid() {
        return pid;
    }

    public void setPid(int pid) {
        this.pid = pid;
    }

    public int getAmount() {
        return amount;
    }

    public void setAmount(int amount) {
        this.amount = amount;
    }

    public String getPname() {
        return pname;
    }

    public void setPname(String pname) {
        this.pname = pname;
    }

    public String getFlag() {
        return flag;
    }

    public void setFlag(String flag) {
        this.flag = flag;
    }

    @Override
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeInt(id);
        dataOutput.writeInt(pid);
        dataOutput.writeInt(amount);
        dataOutput.writeUTF(pname);
        dataOutput.writeUTF(flag);
    }

    @Override
    public void readFields(DataInput dataInput) throws IOException {
        this.id=dataInput.readInt();
        this.pid=dataInput.readInt();
        this.amount=dataInput.readInt();
        this.pname= dataInput.readUTF();
        this.flag=dataInput.readUTF();
    }

    @Override
    public String toString() {
        return id+"\t"+pname+"\t"+amount;
    }
}

（2）创建Mapper类

package org.example._09ReduceJoin;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import java.io.IOException;

/**
 * @ClassName TableMapper
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 15:13
 * @Version 1.0
 */
public class TableMapper extends Mapper<LongWritable, Text, IntWritable,TableBean> {
    //pid
    private IntWritable outK=new IntWritable();
    private TableBean outV=new TableBean();
    private String filename;


    //每一个切片进一次
    @Override
    protected void setup(Mapper<LongWritable, Text, IntWritable, TableBean>.Context context) throws IOException, InterruptedException {
        //获取对应文件名称
        InputSplit inputSplit = context.getInputSplit();
        FileSplit fileSplit= (FileSplit) inputSplit;
        filename = fileSplit.getPath().getName();
    }

    //每一行进一次
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, IntWritable, TableBean>.Context context) throws IOException, InterruptedException {
        String line = value.toString();

        //判断是哪个文件，然后针对文件进行不同的操作
        if (filename.contains("order")){//订单表的处理
            String[] split = line.split("\t");
            //封装outK
            outK.set(Integer.parseInt(split[1]));

            //封装outV
            outV.setId(Integer.parseInt(split[0]));
            outV.setPid(Integer.parseInt(split[1]));
            outV.setAmount(Integer.parseInt(split[2]));
            outV.setPname("");
            outV.setFlag("order");
        }else {  //pd表的处理
            String[] split = line.split("\t");

            //封装outK
            outK.set(Integer.parseInt(split[0]));

            //封装outV
            outV.setId(0);
            outV.setPid(Integer.parseInt(split[0]));
            outV.setAmount(0);
            outV.setPname(split[1]);
            outV.setFlag("pd");
        }
        context.write(outK,outV);
    }
}

（3）创建Reduce类

package org.example._09ReduceJoin;

import org.apache.commons.beanutils.BeanUtils;
import org.apache.commons.beanutils.BeanUtilsBean;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.lang.reflect.InvocationTargetException;
import java.util.ArrayList;

/**
 * @ClassName TableReducer
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 15:27
 * @Version 1.0
 */
public class TableReducer extends Reducer<IntWritable,TableBean,TableBean, NullWritable> {
    //每次key相同进来一次
    @Override
    protected void reduce(IntWritable key, Iterable<TableBean> values, Reducer<IntWritable, TableBean, TableBean, NullWritable>.Context context) throws IOException, InterruptedException {
        ArrayList<TableBean> orderBeans=new ArrayList<>();
        TableBean pdBean=new TableBean();

        for (TableBean value : values) {
            if ("order".equals(value.getFlag())){//订单表
                //创建一个临时TableBean对象接受Value
                TableBean tmpOrderBean=new TableBean();

                try {
                    //将value对象复制给tmpOrderBean
                    BeanUtils.copyProperties(tmpOrderBean,value);
                } catch (IllegalAccessException e) {
                    throw new RuntimeException(e);
                } catch (InvocationTargetException e) {
                    throw new RuntimeException(e);
                }


                //将临时TableBean对象添加到集合orderBeans
                orderBeans.add(tmpOrderBean);
            }else { //商品表
                try {
                    BeanUtils.copyProperties(pdBean,value);
                } catch (IllegalAccessException e) {
                    throw new RuntimeException(e);
                } catch (InvocationTargetException e) {
                    throw new RuntimeException(e);
                }
            }
        }

        //便利集合orderBeans，替换掉每个orderBean的pid为pname，然后写出
        for (TableBean orderBean : orderBeans) {
            orderBean.setPname(pdBean.getPname());

            //写出修改后的orderBean对象
            context.write(orderBean,NullWritable.get());
        }
    }
}

（4）创建Driver类

package org.example._09ReduceJoin;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
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;

/**
 * @ClassName TableDriver
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 15:39
 * @Version 1.0
 */
public class TableDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        Configuration configuration=new Configuration();
        Job job=Job.getInstance(configuration);

        job.setJarByClass(TableDriver.class);

        job.setMapperClass(TableMapper.class);
        job.setReducerClass(TableReducer.class);

        job.setMapOutputKeyClass(IntWritable.class);
        job.setMapOutputValueClass(TableBean.class);

        job.setOutputKeyClass(TableBean.class);
        job.setOutputValueClass(NullWritable.class);

        FileInputFormat.addInputPath(job,new Path("E:\\test\\input4"));
        FileOutputFormat.setOutputPath(job,new Path("E:\\test\\output8"));

        System.exit(job.waitForCompletion(true)?0:1);
    }
}

4、测试
运行结果

1004 小米 4
1001 小米 1
1005 华为 5
1002 华为 2
1006 格力 6
1003 格力 3

5、总结
缺点：这种方式中，合并的操作是在Reduce阶段完成的，Reduce端的处理压力太大，Map节点的运算负载很低，资源利用率不高，且在Reduce阶段极易产生数据倾斜。

解决方法：Map端实现数据合并。

3.3 Mapper Join

1、使用场景
Map Join适合于一张表很小、一张表很大的场景。
2、优点：
在 Map 端缓存多张表，提前处理业务逻辑，这样增加 Map 端业务，减少 Reduce 端数据的压力，尽可能的减少数据倾斜。
3、具体办法
（1）在 Mapper 的 setup 阶段，将文件读取到缓存集合中。
（2）在 Driver 驱动类中加载缓存。

//缓存普通文件到 Task 运行节点。
job.addCacheFile(new URI("file:///e:/cache/pd.txt"));
//如果是集群运行,需要设置 HDFS 路径
job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));

3.4 Map Join案例实操

1、需求
在这里插入图片描述
2、需求分析

3、实现代码
（1）先在Driver中添加缓存文件

package org.example._10MapperJoin;

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;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * @ClassName MapJoinDriver
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 16:16
 * @Version 1.0
 */
public class MapJoinDriver {
    public static void main(String[] args) throws IOException, URISyntaxException, InterruptedException, ClassNotFoundException {
        // 1 获取 job 信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        // 2 设置加载 jar 包路径
        job.setJarByClass(MapJoinDriver.class);
        // 3 关联 mapper
        job.setMapperClass(MapJoinMapper.class);
        // 4 设置 Map 输出 KV 类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
        // 5 设置最终输出 KV 类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
        // 加载缓存数据
        job.addCacheFile(new URI("file:///E:/test/input4/pd.txt"));
        // Map 端 Join 的逻辑不需要 Reduce 阶段，设置 reduceTask 数量为 0
        job.setNumReduceTasks(0);
        // 6 设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path("E:\\test\\input5"));
        FileOutputFormat.setOutputPath(job, new Path("E:\\test\\output9"));
        // 7 提交
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);

    }
}

（2）Mapper（在setup方法中读取缓冲文件）

package org.example._10MapperJoin;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;

/**
 * @ClassName MapJoinMapper
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 16:17
 * @Version 1.0
 */
public class MapJoinMapper extends Mapper<LongWritable, Text,Text, NullWritable> {

    private Map<String,String> pdMap=new HashMap<>();
    Text text=new Text();

    //任务开始之前将pd数据缓存进pdMap
    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        //通过缓存文件得到小表数据pd.txt
        URI[] cacheFiles = context.getCacheFiles();
        Path path=new Path(cacheFiles[0]);

        //获取文件系统对象，并开流
        FileSystem fileSystem = FileSystem.get(context.getConfiguration());
        FSDataInputStream open = fileSystem.open(path);

        //通过包装流转换为reader，方便按行读取
        BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(open, "UTF-8"));

        //逐行读取，按行处理
        String line;
        while (StringUtils.isNotEmpty(line=bufferedReader.readLine())){
            //切割一行
            //01 小米
            String[] split = line.split("\t");
            pdMap.put(split[0],split[1]);
        }

        //关流
        IOUtils.closeStream(bufferedReader);
    }

    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {
        //读取大表数据
        String[] split = value.toString().split("\t");

        //通过大表每行数据的pid，去pdMap里面取出pname
        String name=pdMap.get(split[1]);

        //将大表每行数据的pid替换为pname
        text.set(split[0]+"\t"+name+"\t"+split[2]);

        context.write(text,NullWritable.get());
    }
}

4、数据清洗

“ETL，是英文 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。ETL 一词较常用在数据仓库，但其对象并不限于数据仓库。

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。清理的过程往往只需要运行 Mapper 程序，不需要运行 Reduce 程序。

1、需求
去除日志中字段个数小于等于 11 的日志。
（1）输入数据
链接：https://pan.baidu.com/s/1z_nM2e3JrHHZL_5WfbxjaQ
提取码：zhm6
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。
3、实现代码
（1）Mapper类

package org.example._11ETL;

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 org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;

import java.io.IOException;

/**
 * @ClassName ETLMapper
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 16:33
 * @Version 1.0
 */
public class ETLMapper 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
        boolean result=parseLog(line,context);


        //3、日志不合法
        if (!result){
            return;
        }

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

    //封装解析日志的方法
    private boolean parseLog(String line, Mapper<LongWritable, Text, Text, NullWritable>.Context context) {
        //1、截取
        String[] fields = line.split(" ");

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

（2）Driver类

package org.example._11ETL;

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 org.example._08outputformat.LogDriver;

import java.io.IOException;

/**
 * @ClassName ETLDriver
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/22 16:39
 * @Version 1.0
 */
public class ETLDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        // 输入输出路径需要根据自己电脑上实际的输入输出路径设置
        args = new String[] { "E:\\test\\input6", "E:\\test\\output10" };
// 1 获取 job 信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
// 2 加载 jar 包
        job.setJarByClass(LogDriver.class);
// 3 关联 map
        job.setMapperClass(ETLMapper.class);
// 4 设置最终输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);
// 设置 reducetask 个数为 0
        job.setNumReduceTasks(0);
// 5 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 6 提交
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);

    }
}

5、MapReduce开发总结

1、输入数据接口：InputFormat
（1）默认使用的实现类是TextInputFormat
（2）TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为key，行内容作为value返回。
（3）CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高处理效率。

2、逻辑处理接口：Mapper
用户根据业务需求实现其中的三个方法：map() setup() cleanup()

3、Partitioner分区
（1）有默认实现HashPartitioner，逻辑是根据key的哈希值和numReduces来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces
（2）如果业务上有特别的需求，可以自定义分区。

4、Comparable排序
（1）当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，重写其中的compareTo()方法。
（2）部分排序：对最输出的每一个文件内部进行排序。
（3）全排序：对所以数据进行排序，通常只有一个Reduce。
（4）二次排序：排序的条件有两个。

5、Combiner合并
Combiner合并可以提高程序执行效率，减少IO传输。但是使用时必须不能影响原有的业务处理结果。

6、逻辑处理接口：Reducer
用户根据业务需求实现其中的三个方法： reduce() setup() cleanup()

7、输出数据接口：OutputFormat
（1）默认实现类是TextOutputFormat，功能逻辑是：将每一个KV对，向目标文本文件输出一行。
（2）用户还可以自定义OutputFormat。