一、问题背景
现在的移动刚一通话就可以在网站上看自己的通话记录，以前是本月只能看上一个月。不过流量仍然是只能看上一月的。
目的就是找到用户在一段时间内的上网流量。
本文并没有对时间分组。下一节进行分区，有兴趣的参看下一篇。
二、数据集分析
![]()
可以看出实际数据集并不是每个字段都有值，但是还好，完整地以tab隔开了，数据格式还是不错的，我们需要的上行下行数据都有，没有缺失值。其实这个需要在程序中处理，如果不在的话 该怎么办。
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
三、实验分析
3.1Mapper
首先看咱们的目的是统计每个人的上行总流量和下行总流量以及上下行总流，上下行=上行+下行，这个是有意义的，因为我们并不能实时得到自己的上网流量，这个说的有点大了，我们并没有六式计算，或者说是为了实现。
输入的key是行号，一般是Object和LongWritable，一般输入的key没啥用，数据集市一行一行文本，输入value是text，输入以电话号码为key，那么是text，输出value包含三类信息，上行总、下行总和总，可以封装在数组中，但是这样很不利于修改，比如说项目经历要你增加一些属性要显示，或者减少一些，一般用bean。
package cn.app.hadoop.mr.datacount;
import java.io.IOException;
import java.text.FieldPosition;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
//第一个处理文本的话一般是LongWritable 或者object
//一行一行的文本是text
//输出的key的手机号 定位Text
//结果是DataBean 一定要实现Writable接口
public class DataCountMapper extends Mapper<LongWritable, Text, Text, DataBean> {
//实际处理中已经进行了数据清洗 在这就不catch
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
String line = value.toString();
String[] fields = line.split("\t");
String telNo = fields[1];
long upPayLoad = Long.parseLong(fields[8]);
long downPayLoad = Long.parseLong(fields[9]);
//封装到bean，如果格式不对那么跳过 这里不考虑，假设已经清洗
DataBean dataBean = new DataBean(telNo,upPayLoad,downPayLoad);
//但是这种方式 每行都new了一个databena下次并没有释放 很慢
//能不能在外边new DataBean，每次修改值，如果按以前的思维是不行的，因为指向了
//同一块内存，没法相加
//但是在hadoop里是可以的，因为每次写入以后就已经序列化了，下次不一样了
context.write(new Text(telNo), dataBean);
}
}
3.2 DataBean
bean要能在网络间传输，需要实现hadoop的writable接口，那么首先实现接口的方法，
//反序列化 deserializable 从字节流独处 赋值给内存
public void readFields(DataInput in) throws IOException {
// TODO Auto-generated method stub
//注意顺序 类型 里面没参数
//this.telNo = in.readUTF(telNo);是错的
this.telNo = in.readUTF();
this.upPayLoad = in.readLong();
this.downPayLoad = in.readLong();
this.totalPayLoad = in.readLong();
}
//序列化serializable,从内存写入到字节流 或者通过rmi在网上传输
public void write(DataOutput out) throws IOException {
// TODO Auto-generated method stub
//手机号是String，但是没有writeString，用writeUTF
out.writeUTF(telNo);
out.writeLong(upPayLoad);
out.writeLong(downPayLoad);
out.writeLong(totalPayLoad);
}
write就是序列化，吧对象写入到字节流，注意String类型并没有对性的writeString算法，可以用通用的writeUTF方法，证书类型用long，又对影的writeLong。
readFile就是反序列化，从硬盘或者网络读出，然后赋值给对象，注意读的时候不需要参数，比如
this.telNo = on.readUTF(telNo);
这样是错误的，想想看对象都成字节流，怎么能看得出是什么，所以是按顺序来判断对应属性的，但是每个属性攒了多少个字节呢，这就要靠属性的类型来确定了，这就想分配内存一样，以上纯属个人理解。
那么bean有什么属性呢？需要手机号码，上行、下行，以及赞自己见得总流量，然后产生getter和setter；mapper提交的时候就提交DataBean，这就需要有参数的够着方法，不能每次都setter，另外mapper写入的时候通过反射机制得到实例化的dataBean，那么我们就需要午餐的默认垢找方法。
另外写入databean的时候默认输出类名+hashcode值，这不是我们需要的，所以重写toString方法，eclipse可以自动生成。
@Override
public String toString() {
//电话号码不要了
return "DataBean [upPayLoad=" + upPayLoad
+ ", downPayLoad=" + downPayLoad + ", totalPayLoad="
+ totalPayLoad + "]";
}
3.3 Reducer
reducer的输入类型就是mapper的输出类型，分别是text和databean，他的输出类型野是text和databean。
这其实就是业务逻辑复杂一些的wordcount，mapper提交到reducer的已合并相同key格式是<telNo,{{up1,dw1},{up2,dw2}}>，我们需要便利value结合，廉价上行流量得到上行总流量，廉价下行流量得到下行总刘玲，那么最总得流量是上下行总得和。
3.4 Main
可以直接在eclipse里，new reducer driver，就是main函数了，为什么main里总是要new conf，这是为了给本job个性化配置，通过conf.set也是kv对，否则就找全聚德conf。
另外注意写路径的时候加上hdfs://hostname:8020，因为没有上下文的FileSystem，所以必须加，否则认为是本地的file，提示找不到。
四、实验分析
![]()
可以从原始数据找到一个用户的两条或者多交记录，求和，然后对比，看看业务逻辑对不。
