MapReduce实现手机上网日志分析（分区）

一、问题背景

　　实际业务的需要，比如以移动为例，河南的用户去了北京上网，那么他的上网信息默认保存在了北京的基站，那么我们想要查询北京地区的上网日志信息默认也包含了其他地区用户的在本区的上网信息，否则只能扫描日志找到北京，很慢，所以分区很需要。

二、数据集分析

1363157985066 	13726230503	00-FD-07-A4-72-B8:CMCC	120.196.100.82	i02.c.aliimg.com		24	27	2481	24681	200
1363157995052 	13826544101	5C-0E-8B-C7-F1-E0:CMCC	120.197.40.4			4	0	264	0	200
1363157991076 	13926435656	20-10-7A-28-CC-0A:CMCC	120.196.100.99			2	4	132	1512	200
1363154400022 	13926251106	5C-0E-8B-8B-B1-50:CMCC	120.197.40.4			4	0	240	0	200
1363157993044 	18211575961	94-71-AC-CD-E6-18:CMCC-EASY	120.196.100.99	iface.qiyi.com	视频网站	15	12	1527	2106	200
1363157995074 	84138413	5C-0E-8B-8C-E8-20:7DaysInn	120.197.40.4	122.72.52.12		20	16	4116	1432	200
1363157993055 	13560439658	C4-17-FE-BA-DE-D9:CMCC	120.196.100.99			18	15	1116	954	200
1363157995033 	15920133257	5C-0E-8B-C7-BA-20:CMCC	120.197.40.4	sug.so.360.cn	信息安全	20	20	3156	2936	200
1363157983019	13719199419	68-A1-B7-03-07-B1:CMCC-EASY	120.196.100.82			4	0	240	0	200
1363157984041 	13660577991	5C-0E-8B-92-5C-20:CMCC-EASY	120.197.40.4	s19.cnzz.com	站点统计	24	9	6960	690	200
1363157973098 	15013685858	5C-0E-8B-C7-F7-90:CMCC	120.197.40.4	rank.ie.sogou.com	搜索引擎	28	27	3659	3538	200
1363157986029 	15989002119	E8-99-C4-4E-93-E0:CMCC-EASY	120.196.100.99	www.umeng.com	站点统计	3	3	1938	180	200
1363157992093 	13560439658	C4-17-FE-BA-DE-D9:CMCC	120.196.100.99			15	9	918	4938	200
1363157986041 	13480253104	5C-0E-8B-C7-FC-80:CMCC-EASY	120.197.40.4			3	3	180	180	200
1363157984040 	13602846565	5C-0E-8B-8B-B6-00:CMCC	120.197.40.4	2052.flash2-http.qq.com	综合门户	15	12	1938	2910	200
1363157995093 	13922314466	00-FD-07-A2-EC-BA:CMCC	120.196.100.82	img.qfc.cn		12	12	3008	3720	200
1363157982040 	13502468823	5C-0A-5B-6A-0B-D4:CMCC-EASY	120.196.100.99	y0.ifengimg.com	综合门户	57	102	7335	110349	200
1363157986072 	18320173382	84-25-DB-4F-10-1A:CMCC-EASY	120.196.100.99	input.shouji.sogou.com	搜索引擎	21	18	9531	2412	200
1363157990043 	13925057413	00-1F-64-E1-E6-9A:CMCC	120.196.100.55	t3.baidu.com	搜索引擎	69	63	11058	48243	200
1363157988072 	13760778710	00-FD-07-A4-7B-08:CMCC	120.196.100.82			2	2	120	120	200
1363157985066 	13726238888	00-FD-07-A4-72-B8:CMCC	120.196.100.82	i02.c.aliimg.com		24	27	2481	24681	200
1363157993055 	13560436666	C4-17-FE-BA-DE-D9:CMCC	120.196.100.99			18	15	1116	954	200　

　　查看电话号码一列，看前三位分为移动、联通和电信，不过还有以84开头的同意归属为海外，那么我们需要的共有4个reducer，那么需要Partitioner里面需要自己分为四类。

　　一个reducer对应一个结果文件。

　　不能再本地运行，这样的话只能一个map，一个reducer，无论设置。

三、理论准备

3.1 抽象类与接口

　　我们都知道在面向对象的领域一切都是对象，同时所有的对象都是通过类来描述的，但是并不是所有的类都是来描述对象的。如果一个类没有足够的信息来描述一个具体的对象，而需要其他具体的类来支撑它，那么这样的类我们称它为抽象类。比如new Animal()，我们都知道这个是产生一个动物Animal对象，但是这个Animal具体长成什么样子我们并不知道，它没有一个具体动物的概念，所以他就是一个抽象类，需要一个具体的动物，如狗、猫来对它进行特定的描述，我们才知道它长成啥样。

　　抽象类和普通类的区别是强制让子类去重写弗雷的方法。

public abstract class Animal {
    public abstract void cry();
}  

public class Cat extends Animal{  

    @Override
    public void cry() {
        System.out.println("猫叫：喵喵...");
    }
}  

public class Dog extends Animal{  

    @Override
    public void cry() {
        System.out.println("狗叫:汪汪...");
    }  

}  

public class Test {  

    public static void main(String[] args) {
        Animal a1 = new Cat();
        Animal a2 = new Dog();  

        a1.cry();
        a2.cry();
    }
}  

--------------------------------------------------------------------
Output:
猫叫：喵喵...
狗叫:汪汪...  

　　其实抽象类就是一个规范，譬如打印机肯定有打印功能，但是具体打印彩色还是黑白就由具体的打印机去实现，强制其他打印机实现发音方法，但是普通类并没有这样的要求，可能出错。

　　抽象层次不同。抽象类是对类抽象，而接口是对行为的抽象。抽象类是对整个类整体进行抽象，包括属性、行为，但是接口却是对类局部（行为）进行抽象。

抽象类所跨域的是具有相似特点的类，而接口却可以跨域不同的类。我们知道抽象类是从子类中发现公共部分，然后泛化成抽象类，子类继承该父类即可，但是接口不同。实现它的子类可以不存在任何关系，共同之处。例如猫、狗可以抽象成一个动物类抽象类，具备叫的方法。鸟、飞机可以实现飞Fly接口，具备飞的行为，这里我们总不能将鸟、飞机共用一个父类吧！所以说抽象类所体现的是一种继承关系，要想使得继承关系合理，父类和派生类之间必须存在"is-a" 关系，即父类和派生类在概念本质上应该是相同的。对于接口则不然，并不要求接口的实现者和接口定义在概念本质上是一致的， 仅仅是实现了接口定义的契约而已。

 　　java本身不支持多继承，通过实现多个接口来达到多继承的目的。

3.2 static块与单例

　　static块会在实例初始化之前执行，所以你可以在方法调用之前进行一些初始化操作，

　　单例是获取对象的一种方式而已，保证只有一个实现类，

　　实际开发中几乎用不到，单例spring提供有实现，static在测试的时候可能会用到，还有加载一些系统配置文件的时候可能会把加载写在static块中。

四、代码实现

//Partitioner是map执行完成后reduce还没执行，所以他的类型是map的输出类型
public class DataCountPartitioner extends Partitioner<Text,DataBean> {

	//没执行一次变读取一次数据库很不好，可以做缓存，或者搞成单利，
	//为了简单直接搞一个static块
	private static Map<String , Integer> dataCountMap =
			new HashMap<String , Integer>();
	static {
		//静态的从上往下执行，也就是先执行上面的datacoutnMap，否则静态块里
		//网datacountmap里棉放东西
		dataCountMap.put("135",1);
		dataCountMap.put("136",1);
		dataCountMap.put("137",1);
		dataCountMap.put("138",1);
		dataCountMap.put("139",1);
		dataCountMap.put("150",2);
		dataCountMap.put("159",2);
		dataCountMap.put("182",2);
		dataCountMap.put("183",2);
	}

	//int表示分区号
	//numPartitions：几个reducer就有几个这个值
	@Override
	public int getPartition(Text key, DataBean value, int numPartitions) {
		// TODO Auto-generated method stub
		String telNo = key.toString();
		//从0开始取3位
		String subTelNo = telNo.substring(0, 3);
		Integer code = dataCountMap.get(subTelNo);
		//186 843等开头的默认是国外
		if(null==code) {
			code = 0;
		}
		return code;
	}
}

　　

五、结果分析

5.1 _SUCCESS

　　这个没啥用，mapreduce自带的，不过如果你的程序有多部mapreduce，肯定会有中间结果，那么倒是可以这个_success来判断是否执行了上个步骤，也就是说在补数据的时候，如果发现某一步_success了 那么就说明上一步不用补跑mapreduce，直接执行下面的程序.

5.2 结果

　　查看结果发现0里面是134和841开头的，达到预期，1和2分别是联通，3是空的，为什么呢？因为partitioner里面的分类设置类3个，而reducer个数是4个，其中一个reducer没有数据粉发过去所以就是空的。

　　那如果reducer个数小于partitioner个数呢，我发现输出文件加油，也没报错，就是空文件夹。需要log4j才能看到报错信息。