任务13：使用MapReduce对天气数据进行ETL（获取各基站ID）

任务描述

知识点：

• 天气数据进行ETL

重  点：

• 掌握MapReduce程序的运行流程
• 熟练编写MapReduce程序
• 使用MapReduce进行ETL

内  容：

• 编写MapReduce程序
• 编写Shell脚本，获取MapReduce程序的inputPath
• 将生成的inputPath文件传入到Windows环境
• 运行MapReduce程序对天气数据进行ETL处理

任务指导

1. 准备2000-2022年气象数据

（如在任务12中，按照手册已自行处理好2000-2022年的所有气象数据，也可跳过此步骤，使用自己处理好的数据文件即可，但需要在后续步骤中注意数据路径的问题）

先前按照任务12处理了2021-2022年数据，在后续气象预测部分任务需要2000-2022年的数据作为支持，所以现将处理后的（解压后）2000年-2022年的气象数据进行提供，可通过下述的URL下载地址进行下载

数据集路径：

格式：url/dataSet/systemLib/b3084be184684ee18f3b00b048bab0cc.zip，url参见实验窗口右侧菜单“实验资源下载”。

例如：https://staticfile.eec-cn.com/dataSet/systemLib/b3084be184684ee18f3b00b048bab0cc.zip

• 在master机器的/home路径下载数据集
• 解压数据集
• 在/home/china_data目录中包含了2000-2022年，22年间的中国各个基站的气象数据

• 在每个文件夹下均已将气象数据文件解压完成

使用MapReduce对天气数据进行预处理，并在数据文件中添加对应基站ID，并将原来字段间的分隔符改为使用逗号分隔，以便于大Hive中使用该数据集。

2. 使用MapReduce对数据进行ETL

当前在数据集中不包含基站编号字段，每个基站的编号体现在各个文件名的前5位，例如在“450010-99999-2000”文件中包含的是编号为“45001”的基站数据，所以需要将各个基站的编号添加到对应的数据文件中，并且在各个文件中每个字段之间的分隔符也是不一致的，所以也需要对数据进行清理，由于数据量较大，可以考虑使用MapReduce进行数据清理的工作。

• 创建Maven项目：china_etl
• 编写MapReduce程序
  • ChinaMapper：读取数据，对数据添加stn（基站ID）字段，并进行格式化处理
  • ChinaReducer：对处理后的数据进行输出
  • ChinaDriver：MapReduce程序的驱动类
• 在master机器编写Shell脚本获取MapReduce程序的inputPath

• 将生成的inputPath文件传入到Windows环境
• 在Windows运行MapReduce程序
• 程序运行完成，进入master机器查看结果

• 数据格式说明：

基站编号	年	月	日	时间	温度	露点温度	气压	风向	风速	云量	1小时雨量	6小时雨量
59997	2022	12	31	21	274	250	10133	70	20	5	-9999	-9999

任务实现

1. 准备2000-2022年气象数据

（如在任务12中，按照手册已自行处理好2000-2022年的所有气象数据，也可跳过此步骤，使用自己处理好的数据文件即可，但需要在后续步骤中注意数据路径的问题）

先前按照任务12处理了2021-2022年数据，在后续气象预测部分任务需要2000-2022年的数据作为支持，所以现将处理后的（解压后）2000年-2022年的气象数据进行提供，可通过下述的URL下载地址进行下载

数据集路径：

格式：url/dataSet/systemLib/b3084be184684ee18f3b00b048bab0cc.zip，url参见实验窗口右侧菜单“实验资源下载”。

例如：https://staticfile.eec-cn.com/dataSet/systemLib/b3084be184684ee18f3b00b048bab0cc.zip

• 在master机器的/home路径下载数据集

# cd /home
# wget https://staticfile.eec-cn.com/dataSet/systemLib/b3084be184684ee18f3b00b048bab0cc.zip

• 解压数据集

# unzip /home/b3084be184684ee18f3b00b048bab0cc.zip

• 在/home/china_data目录中包含了2000-2022年，22年间的中国各个基站的气象数据

• 在每个文件夹下均已将气象数据文件解压完成

• 将下载后的数据集上传至HDFS中
• 将2000-2022年的所有气象数据上传至HDFS的/china目录中

# hadoop fs -mkdir /china
# hadoop fs -put /home/china_data/* /china

天气的格式如下：

NCDC天气的格式说明：

气象要素包括：气温、气压、露点、风向风速、云量、降水量等。

• 例如：

• 各字段的含义如下：

年	月	日	时间	温度	露点温度	气压	风向	风速	云量	1小时雨量	6小时雨量
2021	01	01	00	80	-94	10285	50	60	1	-9999	-9999

当前在数据集中不包含基站编号字段，每个基站的编号体现在各个文件名的前5位，例如在“450010-99999-2000”文件中包含的是编号为“45001”的基站数据，所以需要将各个基站的编号添加到对应的数据文件中，并且在各个文件中每个字段之间的分隔符也是不一致的，所以也需要对数据进行清理，由于数据量较大，可以考虑使用MapReduce进行数据清理的工作。

2. 使用MapReduce对数据进行ETL

使用MapReduce对天气数据进行ETL流程如下：

• 打开IDEA，如先前创建过项目，需点击File --> Close Project返回IDEA初始界面

• 点击New Project新建项目

• 创建Maven项目：china_etl

• 打开File --> Settings，按照之前的方式配置Maven

• 修改pom.xml文件，在标识位置填写标签中的内容，下载项目所需依赖

• 标签内容如下：

    
	        
	org.apache.hadoop        
	hadoop-client        
	2.9.2    
	

• 依赖下载完成后，将默认生成在src/main/java/com的Main类删除

• 在src/main/java/com包下创建Mapper类：ChinaMapper.java

本次MapReduce任务的主要处理逻辑在Map函数中，在Map中获取当前正在处理的文件信息，通过文件信息获取相应的文件名，然后获取到文件名的前五位，前五位则是每个基站对应的基站编号，然后获取到数据文件中的每条数据并进行分割，分割后根据索引获取所需的数据，最后通过","对数据进行分隔，作为每个字段数据的新分隔符，根据所需重新将数据进行拼接

package com;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileSplit;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class ChinaMapper extends Mapper {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//         获取当前map正在处理的文件信息
        InputSplit inputSplit = (InputSplit) context.getInputSplit();
//         获取文件名，例如：当前获取到“450010-99999-2000”
        String fileName = inputSplit.toString().split("/")[5];
        NullWritable val = NullWritable.get();
//        取出基站编号，例如：“45001”
        String stn = fileName.substring(0,5);
//     System.out.println(stn);

/**     获取所需字段
        year=[]   #年
        month=[]  #月
        day=[]    #日
        hour=[]   #时间
        temp=[]   #温度
        dew_point_temp=[]  #露点温度
        pressure=[]        #气压
        wind_direction=[]   #风向
        wind_speed=[]       #风速
        clouds=[]          #云量
        precipitation_1=[]   #1小时降水量
        precipitation_6=[]   #6小时降水量
*/
//     获取输入的每一条数据
        String values = value.toString();
//     通过分隔符进行分割
        String[] lines = values.split("\\s+");
        String year = lines[0];
        String month = lines[1];
        String day = lines[2];
        String hour = lines[3];
        String temp = lines[4];
        String dew_point_temp = lines[5];
        String pressure = lines[6];
        String wind_direction = lines[7];
        String wind_speed = lines[8];
        String cloud=lines[9];
        String precipitation_1 = lines[10];
        String precipitation_6 = lines[11];
//     使用“,”对每条数据进行拼接，每条数据的分隔符设置为","
        String line = stn+","+year+","+month+","+day+","+hour+","+temp+","+dew_point_temp
                +","+pressure+","+wind_direction+","+wind_speed+","+cloud+","+precipitation_1+","+precipitation_6;
        System.out.println(line);
//     每条数据作为key进行输出
        context.write(new Text(line),val);
    }
}

• 在src/main/java/com包下创建Reducer类：ChinaReducer.java

package com;

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

import java.io.IOException;

public class ChinaReducer extends Reducer {
    @Override
    protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
        NullWritable val = NullWritable.get();
        // 获取key
        Text outLine = key;
        context.write(outLine,val);
    }
}

• 在src/main/java/com包下创建Driver类： ChinaDriver.java

package com;

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.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;

public class ChinaDriver {
    public static void main(String[] args) {
        Configuration conf = new Configuration();
        Job job = null;

        try {
            // 读取filename文件内容获取inputpath
            BufferedReader br = new BufferedReader(new FileReader("C:\\installed\\filename.txt"));
            String line = null;
            ArrayList list = new ArrayList();
            while((line=br.readLine())!=null){
                list.add(line);
            }
            Path[] inputPath = new Path[list.size()];
            for(int i = 0;i< inputPath.length;i++){
                inputPath[i] = new Path(list.get(i).toString());
                System.out.println(inputPath[i]);
            }

            job = Job.getInstance(conf);

            job.setJarByClass(ChinaDriver.class);
            job.setJobName("ChinaDriver");
//         设置Mapper类
            job.setMapperClass(ChinaMapper.class);
//         设置Reducer类
            job.setReducerClass(ChinaReducer.class);
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(NullWritable.class);

            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(NullWritable.class);
//         设置输入路径
            FileInputFormat.setInputPaths(job, inputPath);
//         设置输出路径
            FileOutputFormat.setOutputPath(job, new Path("hdfs://master:9000/china_all/"));
            System.exit(job.waitForCompletion(true) ? 0 : 1);
        } catch (IOException e) {
            e.printStackTrace();
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
    }
}

• 编写完成后，进入master机器

由于本次MapRedcue任务需要处理2000-2022年的数据，每个年份的数据都保存在一个以年份命名的文件夹下，所以MapReduce需要读取22个文件夹下的所有数据，因此在运行MapReduce程序前，需要编写一个Shell脚本以生成MapReduce的inputPath文件，在该文件中包含所有需要处理的数据路径（该操作类似任务12中的generate_input_list.sh脚本）

• 在master机器的/home/shell目录下，编写getHDFSfile.sh脚本，以生成MapReduce的inputPath文件

# vim /home/shell/getHDFSfile.sh

• 脚本内容如下：

#/bin/bash
rm -rf /home/filename.txt
# file = echo `hdfs dfs -ls /china | awk -F ' ' '{print $8}'`
for line in `hdfs dfs -ls /china | awk -F ' ' '{print $8}'`
do
	filename="hdfs://master:9000$line"
	echo -e "$filename" >> /home/filename.txt
done

• 为Shell脚本赋予执行权限

# chmod u+x /home/shell/getHDFSfile.sh

• 运行Shell脚本，生成inputPath

# /home/shell/getHDFSfile.sh

• 脚本运行完成，在/home目录下会生成一个filename.txt文件，在文件中包含所有需要处理的路径信息
• 查看/home/filename.txt文件

# cat /home/filename.txt 

• filename.txt文件生成后，将其通过filezilla工具传入到Windows环境的C:\installed目录
• 进入Windows环境，打开filezilla工具，filezilla需要配置master的主机名（IP地址）、用户名、密码以及端口；

• 可通过右侧工具栏，获取master机器的相关信息并将其进行填入

• 配置完成后，点击快速连接master机器
• 在左侧拦中是本地Windows环境的文件管理器，右侧是连接的远程Linux（master）机器文件管理器

• 在Windows文件管理器，进入C:\installed目录，在右侧master机器中进入/home目录，找到生成的filename.txt文件，将其从master机器中拖拽到Windows机器

• 右键ChinaDriver，点击Run 'ChinaDriver.main()'运行MapReduce程序

• 控制台显示数据

进入master机器，查看运行结果最后5行数据：

# hadoop fs -cat /china_all/* | tail -5

数据格式说明：

基站编号	年	月	日	时间	温度	露点温度	气压	风向	风速	云量	1小时雨量	6小时雨量
59997	2022	12	31	21	274	250	10133	70	20	5	-9999	-9999

上一个任务下一个任务