《分布式》布置了一道小做业，让我花了7天时间学习了Hadoop。。。如今终于能够正式地作这个做业了，记录一下。前端
使用Hadoop分析气象数据
1 获取数据
1.1 下载数据
注意：为了避免出现横向拖拉，命令里我加了换行，全部命令都是如此。
获取命令：
java
wget -D --accept-regex=REGEX -P data -r -c ftp://ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite/2019/5*
注意：下载可能出现卡顿，直接 ctrl+c 中断，而后再次输入命令便可。node
我就下载了下面这么多，共计78429条。
mysql
1.2 数据格式
截取部分数据，格式以下：web
2019 01 01 00 -65 -123 10199 345 95 8 -9999 -9999 2019 01 01 01 -62 -115 10213 350 86 -9999 -9999 -9999 2019 01 01 02 -62 -110 10223 343 86 -9999 -9999 -9999 2019 01 01 03 -62 -114 10234 337 77 -9999 -9999 -9999 2019 01 01 04 -62 -118 10242 345 86 -9999 -9999 -9999 2019 01 01 05 -62 -116 10252 331 63 -9999 -9999 -9999 2019 01 01 06 -62 -114 10259 306 38 6 -9999 -9999 2019 01 01 07 -62 -114 10264 281 29 -9999 -9999 -9999 2019 01 01 08 -62 -113 10268 268 39 -9999 -9999 -9999 2019 01 01 09 -59 -116 10271 254 31 3 -9999 -9999 2019 01 01 10 -62 -115 10271 238 24 -9999 -9999 -9999 2019 01 01 11 -80 -122 10269 254 12 -9999 -9999 -9999 2019 01 01 12 -67 -103 10264 322 12 5 -9999 -9999 2019 01 01 13 -62 -100 10261 27 13 -9999 -9999 -9999 2019 01 01 14 -29 -72 10259 230 40 -9999 -9999 -9999 2019 01 01 15 -20 -67 10254 242 49 5 -9999 -9999
字段解释以下：sql
字段1：位置1-4，长度4:观测年份，四舍五入到最接近 字段2：位置6-7，长度2：观察月，四舍五入到最接近 字段3：位置9-11，长度2：观察日，四舍五入到最接近 字段4：位置12-13，长度2：观察时，四舍五入到最接近 字段5：位置14-19，长度6：空气温度，单位：摄氏度，比例因子：10，缺乏值：-9999， 字段6：位置20-24，长度6：露点温度，为了达到饱和，必须在恒定的压力和水蒸气含量下 冷却给定的空气包的温度。单位：摄氏度，比例因子：10，缺乏值：-9999 字段7:Pos 26-31，长度6：海平面压力，相对于平均海平面的气压。单位：公顷，比例因 子：10，缺乏值：-9999 字段8：32-37号位置，长度6：风向。正北角在正北和风向之间以顺时针方向测量的角度。 单位：角度。比例因子：1，缺乏值：-9999。*注：静风风向编码为0。 字段9：38-43位置，长度6：风速，空气经过一个固定点的水平运动速度。单位：米每秒。 比例因子：10。缺乏值：-9999 字段10:位置44-49，长度6:天空情况总覆盖代码，表示被云层或其它遮蔽现象覆盖的整个穹 顶的一部分的代码。缺乏值：-9999 域： 0:无，SKC或CLR 1： 一个okta-1/10或更小但不是零 2： 两个oktas-2/10-3/10，或几个 3： 三个oktas-4/10 4： 四个oktas-5/10，或SCT 5： 五个oktas-6/10 6： 六个oktas-7/10-8/10 7： 七个oktas-9/10或以上，但不是10/10或BKN 8： 八个oktas-10/10，或OVC 9： 天空模糊不清，或云量没法估计 10： 部分遮蔽 11： 稀散 12： 分散的 13： 暗散射 14： 薄断 15： 破碎的 16： 暗断 17： 薄阴 18： 阴天 19： 阴天 字段11：位置50-55，长度6：液体沉淀深度尺寸-持续一小时，在一个小时的积累期内测量 的液体沉淀的深度。单位：毫米，比例因子：10，缺乏值：-9999。*注：痕量降水编码为-1 字段12：位置56-61，长度6：液体沉淀深度尺寸-持续6小时，在六小时的积累期内测量的液 体沉淀的深度。单位：毫米。比例因子：10。缺乏值：-9999。*注：痕量降水编码为-1
字段不少，可是这里我只用前5个字段，任务是统计每日最高温度、最低温度、平均温度，有时间的话顺便计算点儿静态统计值。其他字段应该是相似的，正所谓一通百通。shell
1.3 合并数据
数据很分散，合并数据：
zcat 2019/*.gz > data.txt
数据库
到此数据获取完毕。后端
2 MapReduce处理数据
2.1 环境配置，启动集群
详情跳转到 : 大数据学习系列：Hadoop3.0苦命学习（一），本文再也不赘述。app
2.2 上传到HDFS
hdfs dfs -mkdir -p /usr/hadoop/in hdfs dfs -ls /usr/hadoop/ hdfs dfs -put data.txt /usr/hadoop/in/
执行截图：
去控制台查看一下是否成功：
2.2 编写MapReduce代码
2.2.1 TemperatureMapper
public class TemperatureMapper extends Mapper<LongWritable, Text, Text, LongWritable> { private static final long MISSING = -9999; @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String line = value.toString(); Iterable<String> split = Splitter.on(" ").omitEmptyStrings().split(line); ArrayList<String> arrayList = new ArrayList<>(16); for (String s : split) { arrayList.add(s); } // 过滤掉字段不足的数据 if (arrayList.size() >= 5) { String month = arrayList.get(1); String day = arrayList.get(2); long temperature = Long.parseLong(arrayList.get(4)); // 过滤掉温度不存在的数据 if (Math.abs(temperature - MISSING) > 0.0001) { context.write(new Text(month + "/" + day), new LongWritable((temperature))); } } } }
主要是原数据进行了清洗，过滤了一些不合格的数据。
2.2.2 TemperatureReducer
public class TemperatureReducer extends Reducer<Text, LongWritable, Text, Temperature> { @Override protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException { long maxTemperature = Long.MIN_VALUE; long minTemperature = Long.MAX_VALUE; double avgTemperature = 0.0; long temp; int count = 0; if (values!=null) { for (LongWritable value: values) { temp = value.get(); maxTemperature = Math.max(temp, maxTemperature); minTemperature = Math.min(temp, minTemperature); avgTemperature += temp; count++; } Temperature temperature = new Temperature(maxTemperature, minTemperature, avgTemperature/count); context.write(key, temperature); } } }
计算出每日温度的最大值、最小值和平均值，并放入Temperature对象中。
2.2.3 JobMain
public class JobMain extends Configured implements Tool { @Override public int run(String[] strings) throws Exception { // 建立一个任务对象 Job job = Job.getInstance(super.getConf(), "mapreduce_temperature"); // 打包放在集群运行时，须要作一个配置 job.setJarByClass(JobMain.class); // 第一步：设置读取文件的类：K1和V1 job.setInputFormatClass(TextInputFormat.class); TextInputFormat.addInputPath(job, new Path("hdfs://node01:8020/usr/hadoop/in")); // 第二步：设置Mapper类 job.setMapperClass(TemperatureMapper.class); // 设置Map阶段的输出类型：k2和v2的类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); // 第3、4、5、六步采用默认方式（分区，排序，规约，分组） // 第七步：设置Reducer类 job.setReducerClass(TemperatureReducer.class); // 设置Reduce阶段的输出类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(Temperature.class); // 第八步：设置输出类 job.setOutputFormatClass(TextOutputFormat.class); // 设置输出路径 TextOutputFormat.setOutputPath(job, new Path("hdfs://node01:8020/usr/hadoop/temperature")); boolean b = job.waitForCompletion(true); return b?0:1; } public static void main(String[] args) throws Exception { Configuration configuration = new Configuration(); // 启动一个任务 ToolRunner.run(configuration, new JobMain(), args); } }
2.3 执行
2.3.1 打包、上传
老套路，不说了。
2.3.2 运行
hadoop jar temperature_test-1.0-SNAPSHOT.jar cn.sky.hadoop.JobMain
执行结果：
在这里看一眼数据：
嗯，还行。
3 导入数据到Hive
Hive详情过程，请参考：大数据学习系列：Hadoop3.0苦命学习（五）
有个问题，若直接从HDFS导入数据到Hive，HDFS上的数据会丢失。
因此我将数据下载下来，重命名为 temperature_data ，并上传到 node03 上
数据有了，开始建立Hive表：
create external table temperature (t_date string, t_max double, t_min double, t_avg double) row format delimited fields terminated by '\t';
加载数据到hive：
load data local inpath '/export/services/temperature_data' overwrite into table temperature;
查前面5条数据，看一眼：
select * from temperature limit 5;
4 Hive数据分析
弄得简单，就查几个静态数据吧。
- 查询2019整年平均温度
select avg(t_avg) from temperature;
哇，太慢了，查了25秒，最终结果是3.46（由于数据是被放大了10倍）左右
- 查询2019整年高于平均温度的天数
select count(1) from temperature where t_avg > 34.6;
答案是：196天，很显然低于平均气温的天数是169天。
好了，差很少就好了。
5 使用Sqoop导入数据到Mysql
Sqoop详情过程，请参考：大数据学习系列：Hadoop3.0苦命学习（七）
5.1 Mysql建立数据库
CREATE TABLE `temperature` ( `Tem_Date` varchar(10) NOT NULL, `Tem_Max` double DEFAULT NULL, `Tem_Min` double DEFAULT NULL, `Tem_Avg` double DEFAULT NULL, PRIMARY KEY (`Tem_Date`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8
5.2 开始导入
bin/sqoop export --connect jdbc:mysql://192.168.0.102:3306/userdb --username root --password 123456 --table temperature --export-dir /usr/hadoop/temperature --input-fields-terminated-by "\t"
通过半分钟的等待，就能够在mysql中查到数据了，见下图：
不错，数据很好。
6 展现数据
这里前端使用echart，jsp，后端使用Spring、SpringMVC、Mybatis。
代码较多，展现主要的。
6.1 前端代码
主要是这一段，使用Ajax向后台请求数据，而后将数据丢进eChart中。
6.2 后端代码
controller层
@Autowired private TemperatureService tempService; @RequestMapping("/getTemperature.action") @ResponseBody public TemperatureReturnPojo getTemperature(){ TemperatureReturnPojo temperaturePojo = tempService.getAllTemperature(); System.out.println(temperaturePojo); return temperaturePojo; }
Service层
public interface TemperatureService { TemperatureReturnPojo getAllTemperature(); }
Service实现类
@Service public class TemperatureServiceImpl implements TemperatureService { @Autowired private TemperatureMapper temperatureMapper; @Override public TemperatureReturnPojo getAllTemperature() { TemperatureReturnPojo temperatureReturnPojo = new TemperatureReturnPojo(); ArrayList<String> dates = new ArrayList<>(); ArrayList<String> maxs = new ArrayList<>(); ArrayList<String> mins = new ArrayList<>(); ArrayList<String> avgs = new ArrayList<>(); DecimalFormat df = new DecimalFormat("#.00"); List<TemperaturePojo> allTemperature = temperatureMapper.getAllTemperature(); for (TemperaturePojo pojo : allTemperature) { dates.add(pojo.getTem_Date()); maxs.add(df.format(pojo.getTem_Max()/10.0)); mins.add(df.format(pojo.getTem_Min()/10.0)); avgs.add(df.format(pojo.getTem_Avg()/10.0)); } temperatureReturnPojo.setTem_Dates(dates); temperatureReturnPojo.setTem_Maxs(maxs); temperatureReturnPojo.setTem_Mins(mins); temperatureReturnPojo.setTem_Avgs(avgs); return temperatureReturnPojo; } }
实体类
public class TemperaturePojo { private String Tem_Date; private Double Tem_Max; private Double Tem_Min; private Double Tem_Avg; // 省略Get()、Set()、ToString()方法 } public class TemperatureReturnPojo { private List<String> Tem_Dates; private List<String> Tem_Maxs; private List<String> Tem_Mins; private List<String> Tem_Avgs; // 省略Get()、Set()、ToString()方法 }
Mapper
public interface TemperatureMapper { List<TemperaturePojo> getAllTemperature(); }
<mapper namespace="cn.itcast.weblog.mapper.TemperatureMapper" > <select id="getAllTemperature" resultType="cn.itcast.weblog.pojo.TemperaturePojo"> select * from temperature; </select> </mapper>
运行结果以下：
流程完成，撒花~~~
代码：完整代码下载