茄子快传数据分析之原理分析及数据清洗

版权声明：闻道有先后，术业有专攻。 https://blog.csdn.net/wlk_328909605/article/details/82227410

需求：联想集团有一款app产品叫茄子快传（有上亿的活跃用户，集中在第三世界国家） 
现在需要开发一个数据分析系统，来对app的用户行为数据做各类分析；

原理： 
流程如下图： 

流程简单介绍： 
用户通过茄子的客户端产生数据， 
将使用时间，手机号，ip地址，手机的序列号，app的版本，app的下载渠道等重要信息上传到联想的web日志服务器上，服务器的后台系统打印出日志文件，通过flume（一种日志采集工具）将生成的日志上传到hdfs上，先进行数据清洗，将版本，渠道，用户等重要信息丢失的过滤掉，生成新的文件，数据加载到hive中，进行运算处理，处理后的结果通过sqoop（一种数据迁移工具）保存到关系型数据库中，比如MySql，再通过web服务器，将分析出的结果显示到浏览器上。 
预处理需求（mapreduce）： 
1/ 请对app事件请求日志进行预处理： 
a) 过滤掉一些不合法数据（缺失device_id，app_ver_name,os_name，app_token，city,release_channel字段需要过滤） 
b) 将原格式json，解析成csv（逗号分隔的文本）格式，并去掉”events”字段 
c) 在原始数据中，追加一个字段user_id（如果是苹果，就用device_id,如果是android，就用android_id） 
数据预处理的时候，只需要map就可以完成，所以就不需要reduce了。 
处理要求：device_id，app_ver_name,os_name，app_token，city,release_channel 缺失则过滤 
代码如下：

package com.cleanLog;

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.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.codehaus.jackson.JsonNode;
import org.codehaus.jackson.map.ObjectMapper;

public class AppLogClean {

    public static class MapTask extends Mapper<LongWritable, Text, Text, NullWritable>{
        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context)
                throws IOException, InterruptedException {
            String line = value.toString();
            ObjectMapper mapper = new ObjectMapper();
            JsonNode log = mapper.readTree(line);
            JsonNode header = log.get("header");

            if(StringUtils.isBlank(header.get("device_id").getTextValue())||
                    //也可以直接getString（）
                    StringUtils.isBlank(header.get("app_ver_name").getTextValue())||
                    StringUtils.isBlank(header.get("os_name").getTextValue())||
                    StringUtils.isBlank(header.get("app_token").getTextValue())||
                    StringUtils.isBlank(header.get("city").getTextValue())||
                    StringUtils.isBlank(header.get("release_channel").getTextValue())) {
                return;
            }else {
                String user_id = "";
                if (header.get("device_id_type").getTextValue().equals("mac")) {
                    user_id = header.get("device_id").getTextValue();
                } else {
                    user_id = header.get("android_id").getTextValue();
                }

                StringBuilder sb = new StringBuilder();
                sb.append(header.get("cid_sn").getTextValue()).append(",");
                sb.append(header.get("mobile_data_type").getTextValue()).append(",");
                sb.append(header.get("os_ver").getTextValue()).append(",");
                sb.append(header.get("mac").getTextValue()).append(",");
                sb.append(header.get("resolution").getTextValue()).append(",");
                sb.append(header.get("commit_time").getTextValue()).append(",");
                sb.append(header.get("sdk_ver").getTextValue()).append(",");
                sb.append(header.get("device_id_type").getTextValue()).append(",");
                sb.append(header.get("city").getTextValue()).append(",");
                sb.append(header.get("android_id").getTextValue()).append(",");
                sb.append(header.get("device_model").getTextValue()).append(",");
                sb.append(header.get("carrier").getTextValue()).append(",");
                sb.append(header.get("promotion_channel").getTextValue()).append(",");
                sb.append(header.get("app_ver_name").getTextValue()).append(",");
                sb.append(header.get("imei").getTextValue()).append(",");
                sb.append(header.get("app_ver_code").getTextValue()).append(",");
                sb.append(header.get("pid").getTextValue()).append(",");
                sb.append(header.get("net_type").getTextValue()).append(",");
                sb.append(header.get("device_id").getTextValue()).append(",");
                sb.append(header.get("app_device_id").getTextValue()).append(",");
                sb.append(header.get("release_channel").getTextValue()).append(",");
                sb.append(header.get("country").getTextValue()).append(",");
                sb.append(header.get("time_zone").getTextValue()).append(",");
                sb.append(header.get("os_name").getTextValue()).append(",");
                sb.append(header.get("manufacture").getTextValue()).append(",");
                sb.append(header.get("commit_id").getTextValue()).append(",");
                sb.append(header.get("app_token").getTextValue()).append(",");
                sb.append(header.get("account").getTextValue()).append(",");
                sb.append(header.get("app_id").getTextValue()).append(",");
                sb.append(header.get("build_num").getTextValue()).append(",");
                sb.append(header.get("language").getTextValue()).append(",");
                sb.append(user_id);

                context.write(new Text(sb.toString()), NullWritable.get());
            }

        }

        public static void main(String[] args) throws Exception {
            Configuration conf = new Configuration();
            Job job = Job.getInstance(conf);
            job.setJarByClass(AppLogClean.class);
            job.setMapperClass(MapTask.class);
            job.setOutputKeyClass(Text.class);

            //设置reduce的数量为0
            job.setNumReduceTasks(0);

            FileInputFormat.addInputPath(job, new Path("D:\\data\\appuserdata\\input\\20170102"));//这里可以设置成参数args[0]
            FileOutputFormat.setOutputPath(job, new Path("D:\\data\\appuserdata\\output\\20170102"));

            boolean completion = job.waitForCompletion(true);//提交的时候也可以是submit，只不过这个是能看到过程。

            System.out.println(completion?"成功":"失败");

        }
    }
}

这样，数据就简单的清理了，只需要将生成的文件再放到集群上就可以用hive进行处理了。

原文地址：https://www.cnblogs.com/timxgb/p/10659952.html