【大数据之Hadoop】十七、MapReduce之数据清洗ETL

ETL是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程，目的是将分散、零乱、标准不统一的数据整合到一起，为决策提供分析依据。

ETL的设计分三部分：数据抽取、数据的清洗转换、数据的加载。

1 ETL体系结构

ETL主要是用来实现异构数据源数据集成的。多种数据源的所有原始数据大部分未作修改就被载人ETL。无论数据源在关系型数据库、非关系型数据库，还是外部文件，集成后的数据都将被置于数据库的数据表或数据仓库的维度表中，以便在数据库内或数据仓库中作进一步转换。即一般会将最终的数据存储到数据库或者数据仓库中。

数据源1和2均为数据库管理系统，可以使用SQL语句完成一部分数据清洗工作。

数据源为外部文件时，不能使用SQL语句进行数据清洗工作，只能直接从数据源中抽取出来，然后在数据转换的时候进行数据清洗的工作。

因此，数据仓库中的数据清洗工作主要还是在数据转换的时候进行。清洗好的数据将保存到目标数据库中，用于后续的数据分析、数据挖掘等。

抽取：
这个环节的主要抽取工具：Sqoop、Flume、Kafka、Kettle、DataX、Maxwell。抽取离线数据根据：Sqoop、DataX。抽取实时数据：Flume、Kafka、Maxwell、Kettle。

转换：
转换包括清洗、合并、拆分、加工等，可以用Hadoop生态的东西， MapReduce、Spark、Flink、Hive等对数据的清洗。

加载：
抽取转换之后，将数据加载到目标数据库。用Hbase去存储一些大数据方面的东西，或者HDFS等这些工具。

2 ETL正则匹配汇总

1、匹配中文:[\u4e00-\u9fa5]2、英文字母:[a-zA-Z]3、数字:[0-9]4、匹配中文，英文字母和数字及下划线：^[\u4e00-\u9fa5_a-zA-Z0-9]+$
 同时判断输入长度：[\u4e00-\u9fa5_a-zA-Z0-9_]{4,10}5、
(?!*)　　不能以_开头
(?!.*?*$)　　不能以_结尾
[a-zA-Z0-9_\u4e00-\u9fa5]+　　至少一个汉字、数字、字母、下划线
$　　与字符串结束的地方匹配
 
6、只含有汉字、数字、字母、下划线，下划线位置不限：^[a-zA-Z0-9_\u4e00-\u9fa5]+$
 
7、由数字、26个英文字母或者下划线组成的字符串：^\w+$
 
8、2~4个汉字："^[\u4E00-\u9FA5]{2,4}$";9、最长不得超过7个汉字，或14个字节(数字，字母和下划线)正则表达式：
{1,7}$|^[\dA-Za-z_]{1,14}$
 
10、匹配双字节字符(包括汉字在内)：[^x00-xff]
评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1）
 
11、匹配空白行的正则表达式：ns*r
评注：可以用来删除空白行
 
12、匹配HTML标记的正则表达式：<(S*?)[^>]*>.*?|<.*?/>
评注：网上流传的版本太糟糕，上面这个也仅仅能匹配部分，对于复杂的嵌套标记依旧无能为力
 
13、匹配首尾空白字符的正则表达式：^s*|s*$
评注：可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式
 
14、匹配Email地址的正则表达式：
[\w.-]*[a-zA-Z0-9]@[a-zA-Z0-9][\w.-]*[a-zA-Z0-9].[a-zA-Z][a-zA-Z.]*[a-zA-Z]$
 
15、手机号：^((13[0-9])|(14[0-9])|(15[0-9])|(17[0-9])|(18[0-9]))\d{8}$
 
16、身份证：(^\d{15}$)|(^\d{17}([0-9]|X|x)$)17、匹配网址URL的正则表达式：[a-zA-z]+://[^s]*
评注：网上流传的版本功能很有限，上面这个基本可以满足需求
 
18、匹配帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
评注：表单验证时很实用
 
19、匹配国内电话号码：d{3}-d{8}|d{4}-d{7}
评注：匹配形式如 0511-4405222 或 021-8788882220、匹配腾讯QQ号：[1-9][0-9]{4,}
评注：腾讯QQ号从10000开始
 
21、匹配中国邮政编码：[1-9]d{5}(?!d)
评注：中国邮政编码为6位数字
 
22、匹配身份证：d{15}|d{18}
评注：中国的身份证为15位或18位
 
23、匹配ip地址：d+.d+.d+.d+
评注：提取ip地址时有用
 
24、匹配特定数字：

^[1-9]d*$ //匹配正整数^-[1-9]d*$ //匹配负整数^-?[1-9]d*$ //匹配整数^[1-9]d*|0$ //匹配非负整数（正整数 + 0）^-[1-9]d*|0$ //匹配非正整数（负整数 + 0）^[1-9]d*.d*|0.d*[1-9]d*$ //匹配正浮点数^-([1-9]d*.d*|0.d*[1-9]d*)$ //匹配负浮点数^-?([1-9]d*.d*|0.d*[1-9]d*|0?.0+|0)$ //匹配浮点数^[1-9]d*.d*|0.d*[1-9]d*|0?.0+|0$ //匹配非负浮点数（正浮点数 + 0）^(-([1-9]d*.d*|0.d*[1-9]d*))|0?.0+|0$ //匹配非正浮点数（负浮点数 + 0）
 
评注：处理大量数据时有用，具体应用时注意修正
 
25、匹配特定字符串：
 
^[A-Za-z]+$ //匹配由26个英文字母组成的字符串^[A-Z]+$ //匹配由26个英文字母的大写组成的字符串^[a-z]+$ //匹配由26个英文字母的小写组成的字符串^[A-Za-z0-9]+$ //匹配由数字和26个英文字母组成的字符串^w+$ //匹配由数字、26个英文字母或者下划线组成的字符串26、
 
在使用RegularExpressionValidator验证控件时的验证功能及其验证表达式介绍如下:
 
只能输入数字：“^[0-9]*$”
 
只能输入n位的数字：“^d{n}$”
 
只能输入至少n位数字：“^d{n,}$”
 
只能输入m-n位的数字：“^d{m,n}$”
 
只能输入零和非零开头的数字：“^(0|[1-9][0-9]*)$”
 
只能输入有两位小数的正实数：“^[0-9]+(.[0-9]{2})?$”
 
只能输入有1-3位小数的正实数：“^[0-9]+(.[0-9]{1,3})?$”
 
只能输入非零的正整数：“^+?[1-9][0-9]*$”
 
只能输入非零的负整数：“^-[1-9][0-9]*$”
 
只能输入长度为3的字符：“^.{3}$”
 
只能输入由26个英文字母组成的字符串：“^[A-Za-z]+$”
 
只能输入由26个大写英文字母组成的字符串：“^[A-Z]+$”
 
只能输入由26个小写英文字母组成的字符串：“^[a-z]+$”
 
只能输入由数字和26个英文字母组成的字符串：“^[A-Za-z0-9]+$”
 
只能输入由数字、26个英文字母或者下划线组成的字符串：“^w+$”
 
验证用户密码:“^[a-zA-Z]w{5,17}$”正确格式为：以字母开头，长度在6-18之间，
 
只能包含字符、数字和下划线。
 
验证是否含有^%&',;=?$"等字符：“[^%&',;=?$x22]+”
 
只能输入汉字：“^[u4e00-u9fa5],{0,}$”
 
验证Email地址：“^w+[-+.]w+)*@w+([-.]w+)*.w+([-.]w+)*$”
 
验证InternetURL：“^http://([w-]+.)+[w-]+(/[w-./?%&=]*)?$”
 
验证身份证号（15位或18位数字）：“^d{15}|d{}18$”
 
验证一年的12个月：“^(0?[1-9]|1[0-2])$”正确格式为：“01”-“09”和“1”“12”
 
验证一个月的31天：“^((0?[1-9])|((1|2)[0-9])|30|31)$”
 
正确格式为：“01”“09”和“1”“31”。
 
匹配中文字符的正则表达式： [u4e00-u9fa5]
 
匹配双字节字符(包括汉字在内)：[^x00-xff]
 
匹配空行的正则表达式：n[s|]*r

匹配HTML标记的正则表达式：/<(.*)>.*|<(.*)/>/

匹配首尾空格的正则表达式：(^s*)|(s*$)

匹配Email地址的正则表达式：w+([-+.]w+)*@w+([-.]w+)*.w+([-.]w+)*

匹配网址URL的正则表达式：http://([w-]+.)+[w-]+(/[w-./?%&=]*)?

校验数字的表达式

只含数字：^[0-9]*$
 
n位的数字：^\d{n}$
 
至少n位的数字：^\d{n,}$
 
m-n位的数字：^\d{m,n}$
 
零和非零开头的数字：^(0|[1-9][0-9]*)$
 
非零开头的最多带两位小数的数字：^([1-9][0-9]*)+(.[0-9]{1,2})?$
 
带1-2位小数的正数或负数：^(\-)?\d+(\.\d{1,2})$
 
正数、负数、和小数：^(\-|\+)?\d+(\.\d+)?$
 
有两位小数的正实数：^[0-9]+(\.[0-9]{2})?$
 
有1~3位小数的正实数：^[0-9]+(\.[0-9]{1,3})?$
 
非零的正整数：\d*$ 或 ^([1-9][0-9]*){1,3}$ 或 ^+?[1-9][0-9]*$
 
非零的负整数：^-[1-9][]0-9"*$ 或 ^-[1-9]\d*$
 
非负整数：^\d+$ 或 ^[1-9]\d*|0$
 
非正整数：^-[1-9]\d*|0$ 或 ^((-\d+)|(0+))$
 
非负浮点数：^\d+(\.\d+)?$ 或 ^[1-9]\d*\.\d*|0\.\d*[1-9]\d*|0?\.0+|0$
 
非正浮点数：^((-\d+(\.\d+)?)|(0+(\.0+)?))$ 或 ^(-([1-9]\d*\.\d*|0\.\d*[1-9]\d*))|0?\.0+|0$
 
正浮点数：\d*.\d*|0.\d*[1-9]\d*$ 或 ^(([0-9]+.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*.[0-9]+)|([0-9]*[1-9][0-9]*))$
 
负浮点数：^-([1-9]\d*.\d*|0.\d*[1-9]\d*)$ 或 ^(-(([0-9]+.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*.[0-9]+)|([0-9]*[1-9][0-9]*)))$
 
浮点数：^(-?\d+)(.\d+)?$ 或 ^-?([1-9]\d*.\d*|0.\d*[1-9]\d*|0?.0+|0)$

校验字符的表达式

汉字：^[\u4e00-\u9fa5]{0,}$
 
英文和数字：^[A-Za-z0-9]+$ 或 ^[A-Za-z0-9]{4,40}$
 
长度为3-20的所有字符：^.{3,20}$
 
由26个英文字母组成的字符串：^[A-Za-z]+$
 
由26个大写英文字母组成的字符串：^[A-Z]+$
 
由26个小写英文字母组成的字符串：^[a-z]+$
 
由数字和26个英文字母组成的字符串：^[A-Za-z0-9]+$
 
由数字、26个英文字母或者下划线组成的字符串：^\w+$ 或 ^\w{3,20}$
 
中文、英文、数字包括下划线：^[\u4E00-\u9FA5A-Za-z0-9_]+$
 
中文、英文、数字但不包括下划线等符号：^[\u4E00-\u9FA5A-Za-z0-9]+$ 或 ^[\u4E00-\u9FA5A-Za-z0-9]{2,20}$
 
可以输入含有^%&',;=?$\"等字符：[^%&',;=?$\x22]+
 
禁止输入含有~的字符：[^~\x22]+

特殊需求表达式

Email地址：^\w+([-+.]\w+)*@\w+([-.]\w+)*.\w+([-.]\w+)*$
 
SQL中Email的正则匹配："^[A-Za-z0-9]+([_\.][A-Za-z0-9]+)*@([A-Za-z0-9\-]+\.)+[A-Za-z]{2,6}$"
 
域名：[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(\.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+\.?
 
InternetURL：[a-zA-z]+://[^\s]* 或 ^http://([\w-]+\.)+[\w-]+(/[\w-./?%&=]*)?$
 
手机号码：^(13[0-9]|14[5|7]|15[0|1|2|3|4|5|6|7|8|9]|18[0|1|2|3|5|6|7|8|9])\d{8}$
 
电话号码("XXX-XXXXXXX"、"XXXX-XXXXXXXX"、"XXX-XXXXXXX"、"XXX-XXXXXXXX"、"XXXXXXX"和"XXXXXXXX)：^(\(\d{3,4}-)|\d{3.4}-)?\d{7,8}$
 
国内电话号码(0511-4405222、021-87888822)：\d{3}-\d{8}|\d{4}-\d{7}
 
电话号码正则表达式（支持手机号码，3-4位区号，7-8位直播号码，1－4位分机号）:((\d{11})|^((\d{7,8})|(\d{4}|\d{3})-(\d{7,8})|(\d{4}|\d{3})-(\d{7,8})-(\d{4}|\d{3}|\d{2}|\d{1})|(\d{7,8})-(\d{4}|\d{3}|\d{2}|\d{1}))$)
 
身份证号(15位、18位数字)，最后一位是校验位，可能为数字或字符X：(^\d{15}$)|(^\d{18}$)|(^\d{17}(\d|X|x)$)
 
帐号是否合法(字母开头，允许5-16字节，允许字母数字下划线)：^[a-zA-Z][a-zA-Z0-9_]{4,15}$
 
密码(以字母开头，长度在6~18之间，只能包含字母、数字和下划线)：^[a-zA-Z]\w{5,17}$
 
强密码(必须包含大小写字母和数字的组合，不能使用特殊字符，长度在 8-10 之间)：^(?=.*\d)(?=.*[a-z])(?=.*[A-Z])[a-zA-Z0-9]{8,10}$
 
强密码(必须包含大小写字母和数字的组合，可以使用特殊字符，长度在8-10之间)：^(?=.*\d)(?=.*[a-z])(?=.*[A-Z]).{8,10}$
 
日期格式：^\d{4}-\d{1,2}-\d{1,2}
 
一年的12个月(01～09和1～12)：^(0?[1-9]|1[0-2])$
 
一个月的31天(01～09和1～31)：^((0?[1-9])|((1|2)[0-9])|30|31)$
 
钱的输入格式：
 
有四种钱的表示形式我们可以接受:"10000.00" 和 "10,000.00", 和没有 "分" 的 "10000" 和 "10,000"：^[1-9][0-9]*$
 
这表示任意一个不以0开头的数字,但是,这也意味着一个字符"0"不通过,所以我们采用下面的形式：^(0|[1-9][0-9]*)$
 
一个0或者一个不以0开头的数字.我们还可以允许开头有一个负号：^(0|-?[1-9][0-9]*)$
 
这表示一个0或者一个可能为负的开头不为0的数字.让用户以0开头好了.把负号的也去掉,因为钱总不能是负的吧。下面我们要加的是说明可能的小数部分：^[0-9]+(.[0-9]+)?$
 
必须说明的是,小数点后面至少应该有1位数,所以"10."是不通过的,但是 "10" 和 "10.2" 是通过的：^[0-9]+(.[0-9]{2})?$
 
这样我们规定小数点后面必须有两位,如果你认为太苛刻了,可以这样：^[0-9]+(.[0-9]{1,2})?$
 
这样就允许用户只写一位小数.下面我们该考虑数字中的逗号了,我们可以这样：^[0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$
 
1到3个数字,后面跟着任意个 逗号+3个数字,逗号成为可选,而不是必须：^([0-9]+|[0-9]{1,3}(,[0-9]{3})*)(.[0-9]{1,2})?$
 
备注：这就是最终结果了,别忘了"+"可以用"*"替代如果你觉得空字符串也可以接受的话(奇怪,为什么?)最后,别忘了在用函数时去掉去掉那个反斜杠,一般的错误都在这里
 
xml文件：^([a-zA-Z]+-?)+[a-zA-Z0-9]+\\.[x|X][m|M][l|L]$
 
中文字符的正则表达式：[\u4e00-\u9fa5]
 
双字节字符：[^\x00-\xff](包括汉字在内，可以用来计算字符串的长度(一个双字节字符长度计2，ASCII字符计1))
 
空白行的正则表达式：\n\s*\r (可以用来删除空白行)
 
HTML标记的正则表达式：<(\S*?)[^>]*>.*?|<.*?/>( 首尾空白字符的正则表达式：^\s*|\s*$或(^\s*)|(\s*$)(可以用来删除行首行尾的空白字符(包括空格、制表符、换页符等等)，非常有用的表达式)
 
腾讯QQ号：[1-9][0-9]{4,}(腾讯QQ号从10000开始)
 
中国邮政编码：[1-9]\d{5}(?!\d)(中国邮政编码为6位数字)
 
IP地址：((?:(?:25[0-5]|2[0-4]\d|[01]?\d?\d)\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d?\d))

3 ETL例子

在运行核心业务MapReduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。

需求：去除日志中字段个数小于等于11的日志。需要在Map阶段对输入的数据根据规则进行过滤清洗。

WebLogMapper类

packagecom.study.mapreduce.weblog;importjava.io.IOException;importorg.apache.hadoop.io.LongWritable;importorg.apache.hadoop.io.NullWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Mapper;publicclassWebLogMapper extendsMapper<LongWritable,Text,Text,NullWritable>{@Override
    protectedvoid map(LongWritable key,Text value,Context context)throwsIOException,InterruptedException{//1 获取1行数据Stringline= value.toString();//2 解析日志
        booleanresult =parseLog(line,context);//3 日志不合法退出if(!result){return;}//4 日志合法就直接写出
        context.write(value,NullWritable.get());}//2 封装解析日志的方法
    privateboolean parseLog(String line,Context context){//1 截取String[]fields = line.split(" ");//2 日志长度大于11的为合法if(fields.length >11){
           returntrue;}else{
           returnfalse;}}}

WebLogDriver类

packagecom.atguigu.mapreduce.weblog;importorg.apache.hadoop.conf.Configuration;importorg.apache.hadoop.fs.Path;importorg.apache.hadoop.io.NullWritable;importorg.apache.hadoop.io.Text;importorg.apache.hadoop.mapreduce.Job;importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;publicclassWebLogDriver{
    publicstatic voidmain(String[] args)throwsException{//1 获取job信息Configurationconf=newConfiguration();Jobjob=Job.getInstance(conf);//2 加载jar包
        job.setJarByClass(LogDriver.class);//3 关联map
        job.setMapperClass(WebLogMapper.class);//4 设置最终输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);// 设置reducetask个数为0
        job.setNumReduceTasks(0);//5 设置输入和输出路径FileInputFormat.setInputPaths(job,newPath("D:\\loginput"));FileOutputFormat.setOutputPath(job,newPath("D:\\logoutput"));//6 提交boolean b =job.waitForCompletion(true);System.exit(b ?0:1);}}