Hadoop分组统计计算案例

Hadoop分组统计计算案例

假如现在有一个用户流量使用情况的日志表，需要对用户的上行流量，下行流量和总流量进行统计；同时还要按照号码的前3位不同进行分别输出。

日志记录如下：（【2】号码，【8】上行流量，【9】下行流量，中间Tab隔开）

思路：

1、设计一个对象，记录手机号，上行流量，下行流量，总流量。

2、设计分组规则

3、遍历所有行得到每一行的字符串。

4、分割字符串，取出第一个，第八个，第九个数据，封装到一个对象中。

5、对所有对象遍历计算。

设计一个对象存储数据：

package cn.guyouda.hadoop.mapreduce.flowcount.partition;

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

import org.apache.hadoop.io.WritableComparable;

public class FlowBean implements WritableComparable{
	
	
	private String phoneNB;
	private long up_flow;
	private long d_flow;
	private long s_flow;
	
	//在反序列化时，反射机制需要调用空参构造函数，所以显示定义了一个空参构造函数
	public FlowBean(){}
	
	//为了对象数据的初始化方便，加入一个带参的构造函数
	public FlowBean(String phoneNB, long up_flow, long d_flow) {
		this.phoneNB = phoneNB;
		this.up_flow = up_flow;
		this.d_flow = d_flow;
		this.s_flow = up_flow + d_flow;
	}

	public String getPhoneNB() {
		return phoneNB;
	}

	public void setPhoneNB(String phoneNB) {
		this.phoneNB = phoneNB;
	}

	public long getUp_flow() {
		return up_flow;
	}

	public void setUp_flow(long up_flow) {
		this.up_flow = up_flow;
	}

	public long getD_flow() {
		return d_flow;
	}

	public void setD_flow(long d_flow) {
		this.d_flow = d_flow;
	}

	public long getS_flow() {
		return s_flow;
	}

	public void setS_flow(long s_flow) {
		this.s_flow = s_flow;
	}

	
	
	//将对象数据序列化到流中
	@Override
	public void write(DataOutput out) throws IOException {

		out.writeUTF(phoneNB);
		out.writeLong(up_flow);
		out.writeLong(d_flow);
		out.writeLong(s_flow);
		
	}

	
	//从数据流中反序列出对象的数据
	//从数据流中读出对象字段时，必须跟序列化时的顺序保持一致
	@Override
	public void readFields(DataInput in) throws IOException {

		phoneNB = in.readUTF();
		up_flow = in.readLong();
		d_flow = in.readLong();
		s_flow = in.readLong();
		
	}
	
	
	@Override
	public String toString() {

		return "Up:" + up_flow + "\t Down:" +d_flow + "\t Total:" + s_flow;
	}

	@Override
	public int compareTo(FlowBean o) {
		return s_flow>o.getS_flow()?-1:1;
	}
	

}

设计分组规则：

package cn.guyouda.hadoop.mapreduce.flowcount.partition;

import java.util.HashMap;
import org.apache.hadoop.mapreduce.Partitioner;

/**
 * 自定义分组机制
 * 将电话号码按区域分组统计输出
 * @author Youda
 *
 * @param 
 * @param 
 */
public class AreaPartitioner extends Partitioner{

	private static HashMap areaMap = new HashMap<>();
	
	static{
		loadPartition(areaMap);
	}
	
	/*
	 * 模拟分组规则
	 * 假设取前三位进行分组
	 * 在正式开发中应该提前准备数据规则并加载入内存中，以后直接去内存里面查询
	 */
	public static void loadPartition(HashMap map){
		map.put("135", 0);
		map.put("136", 1);
		map.put("137", 2);
		map.put("138", 3);
		map.put("139", 4);
	}
	
	
	
	
	
	@Override
	public int getPartition(KEY key, VALUE value, int numPartitions) {
		//从key中拿到手机号，查询手机归属地字典，不同的省份返回不同的组号
		
		int areaCoder  = areaMap.get(key.toString().substring(0, 3))==null?5:areaMap.get(key.toString().substring(0, 3));

		return areaCoder;
	}

}

计算：

package cn.guyouda.hadoop.mapreduce.flowcount.partition;

import java.io.IOException;

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.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;



/**
 * 对流量原始日志进行流量统计，将不同省份的用户统计结果输出到不同文件
 * 需要自定义改造两个机制：
 * 1、改造分组的逻辑，自定义一个partitioner
 * 2、自定义reduer task的并发任务数
 * 
 * @author Youda
 *
 */
public class FlowSumByArea {

	public static class FlowSumAreaMapper extends Mapper{
		
		@Override
		protected void map(LongWritable key, Text value,Context context)
				throws IOException, InterruptedException {

			//拿一行数据
			String line = value.toString();
			//切分成各个字段
			String[] fields = StringUtils.split(line, "\t");
			
			//获取需要的字段
			String phoneNB = fields[1];
			long u_flow = Long.parseLong(fields[7]);
			long d_flow = Long.parseLong(fields[8]);
			
			//封装数据并输出
			context.write(new Text(phoneNB), new FlowBean(phoneNB,u_flow,d_flow));

		}
		
		
	}
	
	
	public static class FlowSumAreaReducer extends Reducer{
		
		@Override
		protected void reduce(Text key, Iterable values,Context context)
				throws IOException, InterruptedException {

			long up_flow_counter = 0;
			long d_flow_counter = 0;
			
			for(FlowBean bean: values){
				
				up_flow_counter += bean.getUp_flow();
				d_flow_counter += bean.getD_flow();					
			}
			
			context.write(key, new FlowBean(key.toString(), up_flow_counter, d_flow_counter));
					
		}
		
	}
	
	public static void main(String[] args) throws Exception {
		
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf);
		
		job.setJarByClass(FlowSumByArea.class);
		
		job.setMapperClass(FlowSumAreaMapper.class);
		job.setReducerClass(FlowSumAreaReducer.class);
		
		//设置我们自定义的分组逻辑定义
		job.setPartitionerClass(AreaPartitioner.class);
		
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(FlowBean.class);
		
		/*
		 * 设置reduce的任务并发数，应该跟分组的数量保持一致
		 * 若小于但不等于一会报错
		 * 若大于，多余的分组没意义
		 */
		job.setNumReduceTasks(6);
		
		
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		
		
		System.exit(job.waitForCompletion(true)?0:1);
		
		
	}
	
	
}

准备工作：

1、将工程打成一个jar文件上传

2、准备数据

3、开启hdfs,yarn

运行程序：

查看结果：

在输出文件夹下将按照分组输出6个统计文件

查看每个统计文件，恰好和我们设计的规则一致