一、数据集分析

数据文件按照气象站和日期进行组织，每个气象站都是一个总目录，而且每个气象站下面从 1980 年到 2010 年，每一年又都作为一个子目录。 因为某国有成千上万个气象站，所以整个数据集由大量的小文件组成。通常情况下，处理少量的大型文件更容易、更有效，因此，这些数据需要经过预处理，将每个气象站的数据文件拼接成一个单独的文件。 预处理过的数据文件示例如下所示：

30yr_03103.dat
30yr_03812.dat
30yr_03813.dat
30yr_03816.dat
30yr_03820.dat
30yr_03822.dat
30yr_03856.dat
30yr_03860.dat
30yr_03870.dat
30yr_03872.dat

其中03103、03812、03813、03816、03820、03822、03856、03860、03870、03872代表的是气象站编号。

这些数据按行并以 ASCII 格式存储，其中每一行是一条记录。 下面我们展示一行采样数据，其中重要的字段被突出显示。该行数据被分割成很多行以突出每个字段，但在实际文件中，这些字段被整合成一行且没有任何分隔符。

数据              含义              所占位数
1998            #year               4
03              #month              3
09              #day                3
17              #hour               3
11              #temperature        6
-100            #dew                6
10237           #pressure           6
60              #wind_direction     6
72              #wind_speed         6
0               #sky_condition      6
0               #rain_1h            6
-9999           #rain_6h            6

真实数据如下所示：

2010 09 08 21   200    83 10091   230    72 -9999     0 -9999

数据集下载：请点击这里.

二、将数据导入到HDFS上

通过HDFS Java API封装了一个本地上传文件到HDFS的工具类HDFSUploadFileUtil,目前支持将本地目录下的所有文件上传到HDFS的某个目录，也可以通过正则表达式去过滤本地目录的文件，将不需要的文件过滤掉。实现代码如下：

private static FileSystem fileSystem = null;private static FileSystem localFileSystem = null;public static void uploadFile(String srcDirectory, String tagDirectory, String hdfsUrl, String regex) throws URISyntaxException, IOException {Configuration conf = new Configuration();URI uri = new URI(hdfsUrl);if (fileSystem == null) {fileSystem = FileSystem.get(uri, conf);}if (localFileSystem == null) {localFileSystem = FileSystem.getLocal(conf);}Path path = new Path(hdfsUrl + tagDirectory);if (fileSystem.exists(path)) {if (fileSystem.listStatus(path).length > 0) {fileSystem.close();throw new IllegalArgumentException("目标目录存在其他文件！");}} else {fileSystem.mkdirs(path);}FileStatus[] listStatus = null;if (regex.length() > 0) {listStatus = localFileSystem.globStatus(new Path(srcDirectory), new RegexAcceptPathFilter(regex));} else {listStatus = localFileSystem.globStatus(new Path(srcDirectory));}Path[] sources = FileUtil.stat2Paths(listStatus);for (Path p : sources) {fileSystem.copyFromLocalFile(p, path);System.out.println("文件[" + p.toString() + "]上传成功!");}fileSystem.close();
}

三、spark分析数据

我们要计算每个气象站的平均气温，那首先要得到两个东西：气象站编号、气温值大小

气温值大小：通过观察数据，我们知道截取每行数据的14~19位就可以获取到气温值

气象站编号：我们发现，在数据中是获取不到我们所需要的气象站编号，只能通过输入文件的文件名去截取，所以这里的解决方案是通过hadoop的InputSplit去获取文件名，具体代码如下：

val fileRDD = sc.hadoopFile[LongWritable, Text, TextInputFormat](input)val hadoopRDD = fileRDD.asInstanceOf[HadoopRDD[LongWritable, Text]]val lines = hadoopRDD.mapPartitionsWithInputSplit((inputSplit : InputSplit, iterator : Iterator[(LongWritable, Text)]) =>{val file = inputSplit.asInstanceOf[FileSplit]iterator.map(x => x._2 + " " + file.getPath.toString)
})

这里通过InputSplit获取到输入文件的名称之后，将文件名拼在每行数据的后面，产生新的RDD

然后就可以用截取每行数据获取我们所需要的信息，同时在这里我们可以对数据做校验，过滤掉没用的数据：

val groupRDD = lines.filter(line => line.substring(14, 19).trim().toInt != 9999).map(line => (line.substring(line.length - 9, line.length - 4), line.substring(14, 19).trim().toInt))

获取到的数据为：("03812", 22),key为气象站编号，value为气温值

最后，通过强大的combineByKey进行平均值的计算，并打印出来，也可以将输出结果保存到文件中：

val resultRDD = groupRDD.combineByKey((temp) => (1, temp),(tmp : (Int, Int), temp) => (tmp._1 + 1, tmp._2 + temp),(tmp1 : (Int, Int), tmp2 : (Int, Int)) => (tmp1._1 + tmp2._1, tmp1._2 + tmp2._2)
).map{case(name, (num, temp)) => (name, temp/num)}.collect().foreach(println)

四、完整代码

import org.apache.hadoop.io.{LongWritable, Text}
import org.apache.hadoop.mapred.{FileSplit, InputSplit, TextInputFormat}
import org.apache.spark.rdd.HadoopRDD
import org.apache.spark.{SparkConf, SparkContext}object WeatherAverage {def main(args: Array[String]): Unit = {val conf = new SparkConf().setAppName("weather-average")val sc = new SparkContext(conf)val input = "/data/spark-example/weather/"val fileRDD = sc.hadoopFile[LongWritable, Text, TextInputFormat](input)val hadoopRDD = fileRDD.asInstanceOf[HadoopRDD[LongWritable, Text]]val lines = hadoopRDD.mapPartitionsWithInputSplit((inputSplit : InputSplit, iterator : Iterator[(LongWritable, Text)]) =>{val file = inputSplit.asInstanceOf[FileSplit]iterator.map(x => x._2 + " " + file.getPath.toString)})val groupRDD = lines.filter(line => line.substring(14, 19).trim().toInt != 9999).map(line => (line.substring(line.length - 9, line.length - 4), line.substring(14, 19).trim().toInt))val resultRDD = groupRDD.combineByKey((temp) => (1, temp),(tmp : (Int, Int), temp) => (tmp._1 + 1, tmp._2 + temp),(tmp1 : (Int, Int), tmp2 : (Int, Int)) => (tmp1._1 + tmp2._1, tmp1._2 + tmp2._2)).map{case(name, (num, temp)) => (name, temp/num)}.collect().foreach(println)sc.stop()}
}   

五、打包，提交spark任务

通过maven将写好的代码打成jar包，并上传到装有spark的服务器的某个目录上，并运行

bin/spark-submit \
--class cn.oldsix.spark.weather.WeatherAverage \
--master local \
/home/oldsix/app/app-jars/spark/spark-example-0.0.1.jar

从控制台可以看到如下结果：