基于Hadoop平臺(tái)的數(shù)據(jù)清洗研究

范會(huì)麗 彭寧 任薇

摘要：各行各業(yè)數(shù)據(jù)的指數(shù)級(jí)增長，導(dǎo)致數(shù)據(jù)倉庫建設(shè)管理，數(shù)據(jù)庫中知識(shí)發(fā)現(xiàn)和總體數(shù)據(jù)質(zhì)量管理中涉及的重復(fù)數(shù)據(jù)、數(shù)據(jù)值缺失、錯(cuò)誤記錄、沒有意義的異常值等數(shù)據(jù)問題越來越棘手。這三個(gè)領(lǐng)域也是數(shù)據(jù)清洗的主要領(lǐng)域。基于當(dāng)前現(xiàn)狀，結(jié)合當(dāng)前各大企業(yè)數(shù)據(jù)處理的平臺(tái)，利用Hadoop平臺(tái)中的相關(guān)組件對(duì)企業(yè)中的完全重復(fù)的數(shù)據(jù)和相似重復(fù)的數(shù)據(jù)進(jìn)行清洗研究。

關(guān)鍵詞：Hadoop平臺(tái);數(shù)據(jù)清洗;完全重復(fù)數(shù)據(jù);相似重復(fù)數(shù)據(jù)

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）05-0027-02

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

數(shù)據(jù)清洗（Data Cleaning）旨在提高數(shù)據(jù)質(zhì)量，為后續(xù)數(shù)據(jù)的使用做準(zhǔn)備，主要應(yīng)用在數(shù)據(jù)倉庫建設(shè)管理，數(shù)據(jù)庫中知識(shí)發(fā)現(xiàn)和總體數(shù)據(jù)質(zhì)量管理3個(gè)領(lǐng)域[1]。數(shù)據(jù)清洗主要是對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，通過判斷識(shí)別，得到數(shù)據(jù)集含有的諸如錯(cuò)誤，無效，重復(fù)的數(shù)據(jù)等，再填補(bǔ)空值，最大可能地保證在數(shù)據(jù)真正使用和分析應(yīng)用前的正確性，從而提高數(shù)據(jù)決策的質(zhì)量。互聯(lián)網(wǎng)的普及給人類的生活帶來了極大的便利，但是人類產(chǎn)生的龐大數(shù)據(jù)也給互聯(lián)網(wǎng)的發(fā)展以及人類對(duì)互聯(lián)網(wǎng)的使用帶來了各種問題。以數(shù)據(jù)倉庫為例，數(shù)據(jù)倉庫中數(shù)據(jù)的存儲(chǔ)，數(shù)據(jù)庫中知識(shí)發(fā)現(xiàn)的復(fù)雜度以及數(shù)據(jù)冗余度的上升等。為了解決類似問題，結(jié)合我國目前很多大型企業(yè)使用的大數(shù)據(jù)架構(gòu)都是Hadoop架構(gòu)，因此本實(shí)驗(yàn)采用Hadoop架構(gòu)進(jìn)行完全重復(fù)數(shù)據(jù)和相似重復(fù)數(shù)據(jù)的處理，達(dá)到提高數(shù)據(jù)質(zhì)量。

1 研究內(nèi)容

Hadoop是由Apache基金會(huì)開發(fā)的一個(gè)開源的分布式系統(tǒng)基礎(chǔ)架構(gòu)，主要是對(duì)大文件（GB級(jí)別及以上）進(jìn)行存儲(chǔ)和管理[2]。它的主要功能是利用分布式架構(gòu)來存儲(chǔ)海量數(shù)據(jù)和實(shí)現(xiàn)分布式的計(jì)算。Hadoop架構(gòu)具有極好的可擴(kuò)展性和可用性[3]。Ha—doop的可擴(kuò)展性是由于其自身可以通過增加廉價(jià)的服務(wù)器個(gè)數(shù)從而增加整個(gè)集群的數(shù)據(jù)存儲(chǔ)量和提高集群的并行計(jì)算數(shù)據(jù)的速度。Hadoop的可用性是因?yàn)槠渥陨淼母北緳C(jī)制。在完全分布式的集群中，每個(gè)存儲(chǔ)數(shù)據(jù)的block（HDFS設(shè)計(jì)的存儲(chǔ)數(shù)據(jù)的基本單元是數(shù)據(jù)塊）的副本都有3個(gè)。當(dāng)其中一個(gè)副本丟失時(shí)，集群中的DataNode利用心跳機(jī)制中NameNode發(fā)送的指令，通過管道進(jìn)行副本的復(fù)制，從而保證副本數(shù)量。Hadoop生態(tài)系統(tǒng)如下圖所示：

HDFS（Hadoop Distributed File System）：來源于《Coogle FileSystem》的一個(gè)高吞吐量的分布式文件系統(tǒng)。HDFS提供高吞吐率來訪問數(shù)據(jù)，適合具有海量數(shù)據(jù)的應(yīng)用需求[4]，HDFS的主要功能就是提供一個(gè)存儲(chǔ)系統(tǒng)，用來存儲(chǔ)海量數(shù)據(jù)，未經(jīng)處理的數(shù)據(jù)和經(jīng)過處理的數(shù)據(jù)。

MapReduce：谷歌工程師開發(fā)的分布式計(jì)算模型。主要用于大規(guī)模數(shù)據(jù)的并行計(jì)算。MapReduce框架的節(jié)點(diǎn)由Job-Tracker和TaskTracker組成。JobTracker對(duì)人物進(jìn)行調(diào)度，管理多個(gè)TaskTracker;TaskTracker負(fù)責(zé)執(zhí)行任務(wù)。MapReduce處理數(shù)據(jù)是先經(jīng)過map處理，然后再經(jīng)過reduce處理。Map處理通過map函數(shù)自定義規(guī)則，將輸入值映射為key-value鍵值對(duì)，再給reduce函數(shù)處理，reduce函數(shù)也根據(jù)需求自定義規(guī)則，將keyhash值相同的value進(jìn)行合并處理得到最終結(jié)果。本課題中，reduce階段處理輸出的結(jié)果再次存到HDFS中。

ZooKeeper：分布式的協(xié)調(diào)服務(wù)框架，主要解決分布式系統(tǒng)中數(shù)據(jù)的一致性問題。數(shù)據(jù)的一致性主要由Zookeeper的ZAB協(xié)議和過半原則來保證。Zookeeper類似于一個(gè)動(dòng)物管理員，對(duì)hadoop系統(tǒng)中的各個(gè)組件進(jìn)行協(xié)調(diào)管理。

Hive：分布式數(shù)據(jù)倉庫工具，提供數(shù)據(jù)整理、特殊查詢和分析存儲(chǔ)數(shù)據(jù)等功能。采用類似soL的操作語言HQL，通過編譯器底層轉(zhuǎn)化為MapReduce任務(wù)執(zhí)行。擁有針對(duì)大型數(shù)據(jù)集的查詢功能[5]。

本實(shí)驗(yàn)中，主要涉及Hadoop的核心模塊是HDFS和Ma-pReduce。HDFS提供大量數(shù)據(jù)存儲(chǔ)的地方，MapReduce提供分布式計(jì)算的程序設(shè)計(jì)需要的編程接口，編寫集群分布式并行程序，計(jì)算數(shù)據(jù)。

實(shí)驗(yàn)過程中搭建的Hadoop集群如圖2所示。

2 技術(shù)方案

對(duì)于完全重復(fù)的數(shù)據(jù)的處理，實(shí)驗(yàn)中的Hadoop平臺(tái)是利用3臺(tái)CentOs系統(tǒng)的虛擬機(jī)搭建的一個(gè)小型Hadoop集群。其中涉及了Hadoop中的HDFS組件進(jìn)行大量數(shù)據(jù)的存儲(chǔ)，使用MapReduce編寫程序進(jìn)行完全重復(fù)數(shù)據(jù)的清洗處理;然后將處理后的沒有完全重復(fù)數(shù)據(jù)但是包含相似重復(fù)數(shù)據(jù)的文件再次存儲(chǔ)到HDFS中，為后續(xù)算法的處理做準(zhǔn)備。

對(duì)于相似重復(fù)數(shù)據(jù)的處理，采用的是Windows 7系統(tǒng)，運(yùn)行內(nèi)存8GB，使用Anaconda和Pvcharm的python語言環(huán)境。本文改進(jìn)的是編輯距離算法。并對(duì)改進(jìn)前和改進(jìn)后的編輯距離算法的處理結(jié)果進(jìn)行對(duì)比及反復(fù)調(diào)優(yōu)，使能夠得到最理想的效果。

參考文獻(xiàn)：

[1]葉鷗，張璨，李軍懷，中文數(shù)據(jù)清洗研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（14）：121-129.

[2] http：//hadoop.apache.org/

[3]李元亨，鄒學(xué)玉.Hadoop綜述[Jl.電腦知識(shí)與技術(shù)，2018（3）：8-19.

[4]李亞.智能電網(wǎng)大數(shù)據(jù)在線分析與決策系統(tǒng)研究[Dl.北京：華北電力大學(xué)，2017.

[5]曾新勵(lì).基于Hadoop平臺(tái)的分布式web日志分析系統(tǒng)的研究與實(shí)現(xiàn)[D].西南石油大學(xué)，2017.

【通聯(lián)編輯：唐一東】（上接第6頁）健康水平。與外部社交數(shù)據(jù)不同，來自傳感器的大數(shù)據(jù)公司可直接管理。

4 小結(jié)

大數(shù)據(jù)具有眾多特性，導(dǎo)致傳統(tǒng)的處理方式無法對(duì)其進(jìn)行分析，本文主要介紹了幾個(gè)有代表性大數(shù)據(jù)處理系統(tǒng)，介紹了機(jī)器學(xué)習(xí)、可視化分析等大數(shù)據(jù)分析技術(shù)，并對(duì)大數(shù)據(jù)在幾個(gè)行業(yè)中的應(yīng)用進(jìn)行了簡單的介紹。

參考文獻(xiàn)：

[1]程學(xué)旗，靳小龍，王元卓，等，大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J].軟件學(xué)報(bào)，2014，25（9）：1889-1908.

[2]何清，李寧，羅文娟，等，大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述[J].模式識(shí)別與人工智能，2014，27（4）：327-336.

[3]路晶，大數(shù)據(jù)可視分析研究綜述[J].科技展望，2015，25（16）：20.

[4]沈榮，張保文.大數(shù)據(jù)分析和大數(shù)據(jù)處理技術(shù)研究綜述[J].電腦知識(shí)與技術(shù)，2019，15（11）：13-16.

[5]武永成.基于云計(jì)算的大數(shù)據(jù)處理與分析綜述[J].軟件導(dǎo)刊，2016，15（12）：161-163.

【通聯(lián)編輯：光文玲】

收稿日期：2019 -11-15

作者簡介：范會(huì)麗（1993-），山西太原人，碩士，主要研究方向?yàn)檐浖こ膛c信息系統(tǒng)集成技術(shù);彭寧（1994-），女，河北唐山人，碩士，千要研究方向?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)與信息安全技術(shù);任薇（1995-），河北宣化人，碩士，主要研究方向?yàn)樽匀徽Z言處理。