Hadoop 的日志项目，蛮适合用来练练 MapReduce。压缩包叫Mapper和Reducer，怎么配置Job提交到集群。嗯，日志内容也挺常见的，IP、时间戳、URL 一大堆，有点经验的朋友上手应该不难。
Web 日志的格式关键，别小看这一步。你得先一下，比如说清洗脏数据、挑掉 404 之类的无效求。在Mapper里搞点正则提取，把 IP、URL 这些字段拆出来，生成key-value对。比如key是 URL，value是 1，用来统计访问次数。逻辑简单，但量大，用 Hadoop 刚好。
MapReduce的运行过程也比较有意思：Map阶段拆数据，Shuffle负责分组排序，Reduce来聚合结果。比如你想找最常被访问的页面，就让Reducer统计一下每个 URL 的访问量。代码写起来不难，关键是理解这个流程。建议你熟一下org.apache.hadoop.mapreduce里的两个核心类。
项目里还有个main方法，用来配置和提交作业，记得设定输入输出路径、Job名、Mapper 和 Reducer 类。输出文件会被写入到 HDFS，想后续也方便。结果可以是文本，也可以用别的格式保存，灵活点看你需求。
哦对了，性能这块别忘了优化。Combiner、自定义分区、数据本地化啥的，用得好可以省不少资源。尤其是日志量大的时候，慢可不行。建议你边做边调试，试试各种优化参数，熟了之后效率提升蛮。
如果你刚好在搞日志或者想学MapReduce，这个 demo 挺合适的，结构清晰，实战味十足。顺便可以看看这些资源：Hadoop MapReduce 编程实战，还有一些关于 IP 库的，适合扩展下数据的维度。