本示例说明如何使用Pentaho MapReduce把原始web日志解析成格式化的记录。 一、向HDFS导入示例数据文件 将weblogs_rebuild.txt文件放到HDFS的/user/grid/raw/目录下(因资源有限,本示例只取了这个文件的前10行数据) 参考: http://blog.csdn.net/wzy0623/article/details/51133760 二、建立一个用于Mapper的转换 1. 新建一个转换,如图1所示。
图1 2. 编辑'MapReduce Input'步骤,如图2所示。
图2 3. 编辑'Regex Evaluation'步骤,如图3所示。
图3 说明: . “正则表达式”里面填写如下内容:
^([^\s]{7,15})\s # client_ip
-\s # unused IDENT field
-\s # unused USER field
\[((\d{2})/(\w{3})/(\d{4}) # request date dd/MMM/yyyy
:(\d{2}):(\d{2}):(\d{2})\s([-+ ]\d{4}))\]
# request time :HH:mm:ss -0800
\s"(GET|POST)\s # HTTP verb
([^\s]*) # HTTP URI
\sHTTP/1\.[01]"\s # HTTP version
(\d{3})\s # HTTP status code
(\d+)\s # bytes returned
"([^"]+)"\s # referrer field
" # User agent parsing, always quoted.
"? # Sometimes if the user spoofs the user_agent, they incorrectly quote it.
( # The UA string
[^"]*? # Uninteresting bits
(?:
(?:
rv: # Beginning of the gecko engine version token
(?=[^;)]{3,15}[;)]) # ensure version string size
( # Whole gecko version
(\d{1,2}) # version_component_major
\.(\d{1,2}[^.;)]{0,8}) # version_component_minor
(?:\.(\d{1,2}[^.;)]{0,8}))? # version_component_a
(?:\.(\d{1,2}[^.;)]{0,8}))? # version_component_b
)
[^"]* # More uninteresting bits
)
|
[^"]* # More uninteresting bits
)
) # End of UA string
"?
"
. “捕获组(Capture Group)字段”如下所示,所有字段都是String类型
client_ip
full_request_date
day
month
year
hour
minute
second
timezone
http_verb
uri
http_status_code
bytes_returned
referrer
user_agent
firefox_gecko_version
firefox_gecko_version_major
firefox_gecko_version_minor
firefox_gecko_version_a
firefox_gecko_version_b
4. 编辑'Filter Rows'步骤,如图4所示。
图4 5. 编辑'Value Mapper'步骤,如图5所示。
图5 6. 编辑'User Defined Java Expression'步骤,如图6所示。
图6 说明:“Java Expression”列填写如下内容:
client_ip + '\t' + full_request_date + '\t' + day + '\t' + month + '\t' + month_num + '\t' + year + '\t' + hour + '\t' + minute + '\t' + second + '\t' + timezone + '\t' + http_verb + '\t' + uri + '\t' + http_status_code + '\t' + bytes_returned + '\t' + referrer + '\t' + user_agent
7. 编辑'MapReduce Output'步骤,如图7所示。
图7 将转换保存为weblog_parse_mapper.ktr 三、建立一个调用MapReduce步骤的作业,使用mapper转换,仅运行map作业 1. 新建一个作业,如图8所示。
图8 2. 编辑'Pentaho MapReduce'作业项,如图9到图11所示。
图9
图10
图11
说明: . 只需要编辑“Mapper”、“Job Setup”和“Cluster”三个标签 . hadoop_local是已经建立好的Hadoop Clusters连接,设置如图12所示
图12 建立过程参考 http://blog.csdn.net/wzy0623/article/details/51086821。 将作业保存为weblogs_parse_mr.kjb 四、执行作业并验证输出 1. 启动hadoop集群 # 启动HDFS $HADOOP_HOME/sbin/start-dfs.sh # 启动yarn $HADOOP_HOME/sbin/start-yarn.sh # 启动historyserver $HADOOP_HOME/sbin/mr-jobhistory-daemon.sh start historyserver 2. 执行作业,日志如图13所示。
图13 从图13可以看到,作业已经成功执行。 3. 检查Hadoop的输出文件,结果如图14所示。
图14 从图14可以看到,/user/grid/parse目录下生成了名为part-00000和part-00001的两个输出文件。
参考:
http://wiki.pentaho.com/display/BAD/Using+Pentaho+MapReduce+to+Parse+Weblog+Data