NCDC 天气数据的预处理

 “Hadoop： The Definitive Guild” 这本书的例子都是使用NCDC 天气数据的，但由于书的出版和现在已经有一段时间了，NCDC现在提供的原始数据结构已经有了一些变化，本文主要描述书中附表C中的GSOD数据的预处理过程。

GSOD的数据可以在NCDC官网找到：

其实就是如下FTP信息：

ftp://ftp.ncdc.noaa.gov/pub/data/gsod

路径：/pub/data/gsod

进入FTP你会发现所有天气信息按年保存文件夹里面，当前有115个文件夹(1901至2015年)：

以2012年的数据为例，里面含有12409个文件:这表示里面含有全球12408个观测站点提供的数据，分别各占一个gz包，每一年的数据最终被打包在gsod_2012.tar的文件里面：

如果这时候你打算下载所有包，那你需要下载约40万个，所以我们filter掉gz包，只需要下载115个tar包就含有所有数据。

在FileZila中新建一个filter：

在远程文件中应用该设置：

此时FTP上只显示tar文件：

然后下载整个gsod文件夹到本地，最终是3.43GB的数据.

每个tar文件是如下文件结构：

由于每个tar文件都含有数千上万的小文件，在Hadoop在数量小且单个文件大的场景下表现得最好，所以Hadoop： The Definitive Guild建议大家讲将每一年所有站点的数据合并问一个大文件，这也就是最后一本书讲的内容。

首先介绍下我的环境：

Hadoop 2.6.0  一个主节点 三个从节点：

Ubuntu 14.04.01

192.168.137.10  namenode
192.168.137.11  datanode1
192.168.137.12  datanode2
192.168.137.13  datanode3

首先将Windows本地的gsod文件夹上传到namenode：

在HDFS上新建GSOD文件夹保存所有tar文件，新建GSOD_ALL文件夹来保存打包后的文件：

hdfs dfs -mkdir /GSOD /GSOD_ALL

查看文件夹是否建立：

hdfs dfs -ls /

输出如下：

将本地的namenode上的gsod文件夹里的文件上传到HDFS上：

hdfs dfs -put gsod/* /GSOD/

本例中我只上传了10个文件到HDFS：

hadoopid@namenode:~$ hdfs dfs -ls /GSOD
Found 10 items
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2000
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2001
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2002
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2003
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2004
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2005
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2006
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2007
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2008
drwxr-xr-x   - hadoopid supergroup          0 2015-01-26 11:06 /GSOD/2009
你可以通过如下命令查看文件块的分布情况：

hdfs fsck /GSOD -files -blocks -racks

结果如下：

/GSOD/2007

/GSOD/2007/gsod_2007.tar 88842240 bytes, 1 block(s):  OK
0. BP-1861083552-192.168.137.10-1420535325500:blk_1073742813_2006 len=88842240 repl=3 [/default-rack/192.168.137.13:50010, /default-rack/192.168.137.12:50010, /default-rack/192.168.137.11:50010]

/GSOD/2008
/GSOD/2008/gsod_2008.tar 59555840 bytes, 1 block(s):  OK
0. BP-1861083552-192.168.137.10-1420535325500:blk_1073742814_2007 len=59555840 repl=3 [/default-rack/192.168.137.12:50010, /default-rack/192.168.137.11:50010, /default-rack/192.168.137.13:50010]

/GSOD/2009
/GSOD/2009/gsod_2009.tar 47206400 bytes, 1 block(s):  OK
0. BP-1861083552-192.168.137.10-1420535325500:blk_1073742815_2008 len=47206400 repl=3 [/default-rack/192.168.137.13:50010, /default-rack/192.168.137.11:50010, /default-rack/192.168.137.12:50010]

Status: HEALTHY
 Total size:    754892800 B
 Total dirs:    11
 Total files:   10
 Total symlinks:                0
 Total blocks (validated):      10 (avg. block size 75489280 B)
 Minimally replicated blocks:   10 (100.0 %)
 Over-replicated blocks:        0 (0.0 %)
 Under-replicated blocks:       0 (0.0 %)
 Mis-replicated blocks:         0 (0.0 %)
 Default replication factor:    3
 Average block replication:     3.0
 Corrupt blocks:                0
 Missing replicas:              0 (0.0 %)
 Number of data-nodes:          3
 Number of racks:               1
FSCK ended at Mon Jan 26 11:09:42 CST 2015 in 8 milliseconds

接下来我们在Hadoop上处理这些文件：

首先我新建了一个generate_input_list.sh来生成MR的input文件

#!/bin/bash
a=$1
rm ncdc_files.txt
hdfs dfs -rm /ncdc_files.txt

while [ $a -le $2 ]
do
        filename="/GSOD/${a}/gsod_${a}.tar" 
        echo -e "$filename" >>ncdc_files.txt
        a=`expr $a + 1`
done

hdfs dfs -put ncdc_files.txt /

给generate_input_list.sh添加执行能力：

chmod +x generate_input_list.sh

使用如下命令来生成在本例中需要处理的文件列表：

./generate_input_list.sh 2000 2009

查看ncdc_files.txt文件：

more ncdc_files.txt

结果如下：

hadoopid@namenode:~$ more ncdc_files.txt 
/GSOD/2000/gsod_2000.tar
/GSOD/2001/gsod_2001.tar
/GSOD/2002/gsod_2002.tar
/GSOD/2003/gsod_2003.tar
/GSOD/2004/gsod_2004.tar
/GSOD/2005/gsod_2005.tar
/GSOD/2006/gsod_2006.tar
/GSOD/2007/gsod_2007.tar
/GSOD/2008/gsod_2008.tar
/GSOD/2009/gsod_2009.tar

我们在接下来的MapReduce中将读取ncdc_files.txt作为入参,读入的格式是Nline,这里我们指定了10个tar文件,所以会产生10个mapper作业

借来新建一个load_ncdc_map.sh文件：

#!/bin/bash
read hdfs_file
echo "$hdfs_file"
# Retrieve file from HDFS to local disk
echo "reporter:status:Retrieving $hdfs_file" >&2 
/hadoop/hadoop260/bin/hdfs dfs -get $hdfs_file .
# Create local directory
target=`basename $hdfs_file .tar`
mkdir $target

echo "reporter:status:Un-tarring $hdfs_file to $target" >&2 
tar xf `basename $hdfs_file` -C $target
# Unzip each station file and concat into one file
echo "reporter:status:Un-gzipping $target" >&2
for file in $target/*
do
        gunzip -c $file >> $target.all
        echo "reporter:status:Processed $file" >&2
done
# Put gzipped version into HDFS
echo "reporter:status:Gzipping $target and putting in HDFS" >&2 
gzip -c $target.all | /hadoop/hadoop260/bin/hdfs dfs -put - /GSOD_ALL/$target.gz
rm `basename $hdfs_file`
rm -r $target
rm $target.all

给load_ncdc_map.sh添加运行权限：

chmod +x load_ncdc_map.sh

通过如下命令查看结果是否正确：

ll load_ncdc_map.sh

结果如下：

-rwxrwxr-x 1 hadoopid hadoopid 792 Jan 26 11:21 load_ncdc_map.sh*

streaming的程序可以通过如下简单的方式检测下运气情况：

cat ncdc_files.txt |./load_ncdc_map.sh 

结果如下：

reporter:status:Processed gsod_2000/996430-99999-2000.op.gz
reporter:status:Processed gsod_2000/996440-99999-2000.op.gz
reporter:status:Gzipping gsod_2000 and putting in HDFS

但是本例中的代码只会处理第一行记录，即2000年的

查看HDFS上目标文件是否生成：

hdfs dfs -ls /GSOD_ALL 

结果如下：

Found 1 items
-rw-r--r--   3 hadoopid supergroup   70931742 2015-01-26 11:27 /GSOD_ALL/gsod_2000.gz

接下来你需要修改load_ncdc_map.sh，使其可以在MapReduce的Streaming上正常运行，因为使用NLineInputFormat，所以只修改了read那一行：

#!/bin/bash
read offset hdfs_file
echo -e "$offset\t$hdfs_file"

接下来使用如下命令调用streaming:

hadoop jar /hadoop/hadoop260/share/hadoop/tools/lib/hadoop-streaming-2.6.0.jar \
-D mapreduce.job.reduces=0 \
-D mapreduce.map.speculative=false \
-D mapreduce.task.timeout=12000000 \
-inputformat org.apache.hadoop.mapred.lib.NLineInputFormat \
-input /ncdc_files.txt \
-output /output/1 \
-mapper load_ncdc_map.sh \
-file load_ncdc_map.sh

作业提交后屏幕显示如下：

提示运行完毕后使用如下命令查看目标文件是否生成：

hdfs dfs -ls /GSOD_ALL

结果如下：

运行的最后一行告诉你log的位置：

15/01/26 16:29:21 INFO streaming.StreamJob: Output directory: /output/1

查看目录：

hdfs dfs -ls /output/1

结果如下：

Found 11 items
-rw-r--r--   3 hadoopid supergroup          0 2015-01-26 16:29 /output/1/_SUCCESS
-rw-r--r--   3 hadoopid supergroup         71 2015-01-26 16:26 /output/1/part-00000
-rw-r--r--   3 hadoopid supergroup         71 2015-01-26 16:22 /output/1/part-00001
-rw-r--r--   3 hadoopid supergroup         71 2015-01-26 16:27 /output/1/part-00002
-rw-r--r--   3 hadoopid supergroup         72 2015-01-26 16:26 /output/1/part-00003
-rw-r--r--   3 hadoopid supergroup         72 2015-01-26 16:23 /output/1/part-00004
-rw-r--r--   3 hadoopid supergroup         72 2015-01-26 16:29 /output/1/part-00005
-rw-r--r--   3 hadoopid supergroup         72 2015-01-26 16:27 /output/1/part-00006
-rw-r--r--   3 hadoopid supergroup         72 2015-01-26 16:20 /output/1/part-00007
-rw-r--r--   3 hadoopid supergroup         72 2015-01-26 16:28 /output/1/part-00008
-rw-r--r--   3 hadoopid supergroup         70 2015-01-26 16:25 /output/1/part-00009

因为我们的input文件里面有10天记录，所以MR自动产生了10个mapper作业，也就产生了10个output文件

使用cat命令查看文件内容:

hdfs dfs -cat /output/1/part-00000

hadoopid@namenode:~$ hdfs dfs -cat /output/1/part-00000
25      /GSOD/2001/gsod_2001.tar
hadoopid@namenode:~$ hdfs dfs -cat /output/1/part-00001
50      /GSOD/2002/gsod_2002.tar
hadoopid@namenode:~$ hdfs dfs -cat /output/1/part-00003
100     /GSOD/2004/gsod_2004.tar

前面就是输入行的offset，每天记录占25字节“/GSOD/2000/gsod_2000.tar”

生成的文件用Notepad++打开就是如下的样子：

GSOD_DESC.txt有文件的描述

接下来书中的所有实验都可以继续展开了