数据清洗-使用hadoop进行数据清洗操作

需求:目前业务有一对真实数据,需要入库到数据库中,但是需要进行清洗操作，去除数据长度都符合的数据。要求符合要求的数据和清洗出来的数据都需要保存。

1.不多说直接上代码

package com.kkt.mr2.Dataclean;

/**
 * @author yang****
 * @date 2021.06.25
 */

import org.apache.commons.lang.ObjectUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
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.Counter;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import javax.xml.crypto.Data;
import java.io.IOException;

/**
 * 数据清洗,将符合规则的和不符合规则的数据分别放置在不同的文件中,并统计不符合规则的数据数目
 */
public class DataCleanOut extends Configured implements Tool {
    @Override
    public int run(String[] args) throws Exception {
        Job job = Job.getInstance(super.getConf(), DataCleanOut.class.getSimpleName());
        job.setJarByClass(DataCleanOut.class);
　　　　　　//定义输入的数据类型
        job.setInputFormatClass(TextInputFormat.class);
        TextInputFormat.addInputPath(job,new Path(args[0]));
　　　　　　//定义我们的自定义mapper
        job.setMapperClass(DatacleanOutMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
　　　　　　//定义自定义的分区
        job.setPartitionerClass(DataCleanPartition.class);
        job.setNumReduceTasks(2);
　　　　　　//数据清洗是没有reduce操作的，所以我们直接定义输出的数据类型，使用的是默认的reduce即直接输出map产生的数据而不做任何处理
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        job.setOutputFormatClass(TextOutputFormat.class);
　　　　　//为了解决重复运行时，文件夹存在报错，添加一个文件夹已存在判断
        FileSystem fs = FileSystem.get(super.getConf());
        if(fs.exists(new Path(args[1]))){
            fs.delete(new Path(args[1]),true);
        }
        TextOutputFormat.setOutputPath(job,new Path(args[1]));
　　　　　//真正开始执行
        boolean b = job.waitForCompletion(true);

        return b?0:1;

    }
    //自定义的mapper
    public static class DatacleanOutMapper extends Mapper<LongWritable, Text,Text, NullWritable>{
        private NullWritable nullWritable;

        @Override
        protected void setup(Context context) throws IOException, InterruptedException {
            nullWritable=NullWritable.get();
        }

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            Counter counter = context.getCounter("errorCount", "countNum");
            if((value.toString().split("\t").length!=6)){
                counter.increment(1L);
            }
            context.write(value,nullWritable);
        }

    }
　　　//自定义分区
    public static class DataCleanPartition extends Partitioner<Text, NullWritable>{

        @Override
        public int getPartition(Text text, NullWritable nullWritable, int numPartitions) {
            String[] wordsSP = text.toString().split("\t");
            if(wordsSP.length==6){
                return 0;
            }else {
                return 1;
            }
        }
    }

    public static void main(String[] args) throws Exception {
        int run = ToolRunner.run(new Configuration(), new DataCleanOut(), args);
        System.exit(run);
    }

}