一、向HDFS导入示例数据文件
将weblogs_rebuild.txt文件放到HDFS的/user/grid/raw/目录下（因资源有限，本示例只取了这个文件的前10行数据）
参考： http://blog.csdn.net/wzy0623/article/details/51133760
二、建立一个用于Mapper的转换
1. 新建一个转换，如图1所示。
图1
2. 编辑'MapReduce Input'步骤，如图2所示。
图2
3. 编辑'Regex Evaluation'步骤，如图3所示。
图3
说明：. “正则表达式”里面填写如下内容：
^([^\s]{7,15})\s # client_ip
-\s # unused IDENT field
-\s # unused USER field
\[((\d{2})/(\w{3})/(\d{4}) # request date dd/MMM/yyyy
:(\d{2}):(\d{2}):(\d{2})\s([-+ ]\d{4}))\]
# request time :HH:mm:ss -0800
\s"(GET|POST)\s # HTTP verb
([^\s]*) # HTTP URI
\sHTTP/1\.[01]"\s # HTTP version
(\d{3})\s # HTTP status code
(\d+)\s # bytes returned
"([^"]+)"\s # referrer field
" # User agent parsing, always quoted.
"? # Sometimes if the user spoofs the user_agent, they incorrectly quote it.
( # The UA string
[^"]*? # Uninteresting bits
(?:
(?:
rv: # Beginning of the gecko engine version token
(?=[^;)]{3,15}[;)]) # ensure version string size
( # Whole gecko version
(\d{1,2}) # version_component_major
\.(\d{1,2}[^.;)]{0,8}) # version_component_minor
(?:\.(\d{1,2}[^.;)]{0,8}))? # version_component_a
(?:\.(\d{1,2}[^.;)]{0,8}))? # version_component_b
)
[^"]* # More uninteresting bits
)
|
[^"]* # More uninteresting bits
)
) # End of UA string
"?
". “捕获组(Capture Group)字段”如下所示，所有字段都是String类型
client_ip full_request_date day month year hour minute second timezone http_verb uri http_status_code bytes_returned referrer user_agent firefox_gecko_version firefox_gecko_version_major firefox_gecko_version_minor firefox_gecko_version_a firefox_gecko_version_b4. 编辑'Filter Rows'步骤，如图4所示。
图4
5. 编辑'Value Mapper'步骤，如图5所示。
图5
6. 编辑'User Defined Java Expression'步骤，如图6所示。
图6
说明：“Java Expression”列填写如下内容：client_ip + '\t' + full_request_date + '\t' + day + '\t' + month + '\t' + month_num + '\t' + year + '\t' + hour + '\t' + minute + '\t' + second + '\t' + timezone + '\t' + http_verb + '\t' + uri + '\t' + http_status_code + '\t' + bytes_returned + '\t' + referrer + '\t' + user_agent
7. 编辑'MapReduce Output'步骤，如图7所示。
图7
将转换保存为weblog_parse_mapper.ktr三、建立一个调用MapReduce步骤的作业，使用mapper转换，仅运行map作业
1. 新建一个作业，如图8所示。
图8
2. 编辑'Pentaho MapReduce'作业项，如图9到图11所示。
图9
图10
图11
说明：. 只需要编辑“Mapper”、“Job Setup”和“Cluster”三个标签
. hadoop_local是已经建立好的Hadoop Clusters连接，设置如图12所示
图12
建立过程参考 http://blog.csdn.net/wzy0623/article/details/51086821。将作业保存为weblogs_parse_mr.kjb
四、执行作业并验证输出
1. 启动hadoop集群
# 启动HDFS
$HADOOP_HOME/sbin/start-dfs.sh
# 启动yarn
$HADOOP_HOME/sbin/start-yarn.sh
# 启动historyserver
$HADOOP_HOME/sbin/mr-jobhistory-daemon.sh start historyserver
2. 执行作业，日志如图13所示。
图13
从图13可以看到，作业已经成功执行。3. 检查Hadoop的输出文件，结果如图14所示。
图14
从图14可以看到，/user/grid/parse目录下生成了名为part-00000和part-00001的两个输出文件。参考：
http://wiki.pentaho.com/display/BAD/Using+Pentaho+MapReduce+to+Parse+Weblog+Data