Pentaho Work with Big Data(五)—— 格式化原始web日志
一、向HDFS导入演示样例数据文件
将weblogs_rebuild.txt文件放到HDFS的/user/grid/raw/文件夹下(因资源有限,本演示样例仅仅取了这个文件的前10行数据)
參考: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所看到的。
图1
2. 编辑'MapReduce Input'步骤,如图2所看到的。
图2
3. 编辑'Regex Evaluation'步骤,如图3所看到的。
图3
说明:. “正則表達式”里面填写例如以下内容:
^([^\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. "?. “捕获组(Capture Group)字段”例如以下所看到的,全部字段都是String类型# 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 "?
"
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_b4. 编辑'Filter Rows'步骤,如图4所看到的。
图4
5. 编辑'Value Mapper'步骤。如图5所看到的。
图5
6. 编辑'User Defined Java Expression'步骤,如图6所看到的。
图6
说明:“Java Expression”列填写例如以下内容: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所看到的。
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,仅执行map作业
1. 新建一个作业,如图8所看到的。
图8
2. 编辑'Pentaho MapReduce'作业项。如图9到图11所看到的。
图9
图10
图11
说明:. 仅仅须要编辑“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所看到的
图12
建立过程參考http://blog.csdn.net/wzy0623/article/details/51086821。将作业保存为weblogs_parse_mr.kjb
四、运行作业并验证输出
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. 运行作业,日志如图13所看到的。
图13
从图13能够看到,作业已经成功运行。
3. 检查Hadoop的输出文件。结果如图14所看到的。
图14
从图14能够看到,/user/grid/parse文件夹下生成了名为part-00000和part-00001的两个输出文件。參考:
http://wiki.pentaho.com/display/BAD/Using+Pentaho+MapReduce+to+Parse+Weblog+Data