Hadoop學習筆記(8) ——實戰 做個倒排索引

Hadoop學習筆記(8)

——實戰 做個倒排索引

倒排索引是文檔檢索系統中最常用數據結構。根據單詞反過來查在文檔中出現的頻率，而不是根據文檔來，所以稱倒排索引(Inverted Index)。結構如下:

這張索引表中， 每個單詞都對應着一系列的出現該單詞的文檔，權表示該單詞在該文檔中出現的次數。現在我們假定輸入的是以下的文件清單：

T1 ： hello world hello china

T2 : hello hadoop

T3 ： bye world bye hadoop bye bye

 

輸入這些文件，我們最終將會得到這樣的索引文件：

bye    T3:4;

china    T1:1;

hadoop    T2:1;T3:1;

hello    T1:2;T2:1;

world    T1:1;T3:1;

 

接下來，我們就是要想辦法利用hadoop來把這個輸入，變成輸出。從上一章中，其實也就是分析如何將hadoop中的步驟個性化，讓其工作。整個步驟中，最主要的還是map和reduce過程，其它的都可稱之為配角，所以我們先來分析下map和reduce的過程將會是怎樣？

首先是Map的過程。Map的輸入是文本輸入，一條條的行記錄進入。輸出呢？應該包含：單詞、所在文件、單詞數。 Map的輸入是key-value。 那這三個信息誰是key，誰是value呢？ 數量是需要累計的，單詞數肯定在value里，單詞在key中，文件呢？不同文件內的相同單詞也不能累加的，所以這個文件應該在key中。這樣key中就應該包含兩個值：單詞和文件，value則是默認的數量1，用於后面reduce來進行合並。

所以Map后的結果應該是這樣的：

Key value

Hello;T1 1

Hello:T1 1

World:T1 1

China:T1 1

Hello:T2 1

…

即然這個key是復合的，所以常歸的類型已經不能滿足我們的要求了，所以得設置一個復合健。復合健的寫法在上一章中描述到了。所以這里我們就直接上代碼：

1. public static class MyType implements WritableComparable<MyType>{
2.       public MyType(){
3.       }
4.  
5.       private String word;
6.       public String Getword(){return word;}
7.       public void Setword(String value){ word = value;}
8.  
9.       private String filePath;
10.       public String GetfilePath(){return filePath;}
11.       public void SetfilePath(String value){ filePath = value;}
12.  
13.       @Override
14.       public void write(DataOutput out) throws IOException {
15.          out.writeUTF(word);
16.          out.writeUTF(filePath);
17.       }
18.  
19.       @Override
20.       public void readFields(DataInput in) throws IOException {
21.          word = in.readUTF();
22.          filePath = in.readUTF();
23.       }
24.  
25.       @Override
26.       public int compareTo(MyType arg0) {
27.             if (word != arg0.word)
28.                return word.compareTo(arg0.word);
29.          return filePath.compareTo(arg0.filePath);
30.       }
31. }

有了這個復合健的定義后，這個Map函數就好寫了：

1. public static class InvertedIndexMapper extends
2.          Mapper<Object, Text, MyType, Text> {
3.  
4.       public void map(Object key, Text value, Context context)
5.             throws InterruptedException, IOException {
6.  
7.          FileSplit split = (FileSplit) context.getInputSplit();
8.          StringTokenizer itr = new StringTokenizer(value.toString());
9.  
10.          while (itr.hasMoreTokens()) {
11.             MyType keyInfo = new MyType();
12.             keyInfo.Setword(itr.nextToken());
13.             keyInfo.SetfilePath(split.getPath().toUri().getPath().replace("/user/zjf/in/", ""));
14.             context.write(keyInfo, new Text("1"));
15.          }
16.       }
17.    }

注意：第13行，路徑是全路徑的，為了看起來方便，我們把目錄替換掉，直接取文件名。

 

有了Map，接下來就可以考慮Recude了，以及在Map之后的Combine。Map的輸出的Key類型是MyType，所以Reduce以及Combine的輸入就必須是MyType了。

如果直接將Map的結果送到Reduce后，發現還需要做大量的工作來將Key中的單詞再重排一下。所以我們考慮在Reduce前加一個Combine，先將數量進行一輪合並。

這個Combine將會輸入下面的值：

Key value

bye    T3:4;

china    T1:1;

hadoop    T2:1;

hadoop    T3:1;

hello    T1:2;

hello    T2:1;

world    T1:1;

world    T3:1;

代碼如下：

1. public static class InvertedIndexCombiner extends
2.          Reducer<MyType, Text, MyType, Text> {
3.  
4.       public void reduce(MyType key, Iterable<Text> values, Context context)
5.             throws InterruptedException, IOException {
6.          int sum = 0;
7.          for (Text value : values) {
8.             sum += Integer.parseInt(value.toString());
9.          }
10.          context.write(key, new Text(key.GetfilePath()+ ":" + sum));
11.       }
12.    }

 

有了上面Combine后的結果，再進行Reduce就容易了，只需要將value結果進行合並處理：

1. public static class InvertedIndexReducer extends
2.          Reducer<MyType, Text, Text, Text> {
3.  
4.       public void reduce(MyType key, Iterable<Text> values, Context context)
5.             throws InterruptedException, IOException {
6.          Text result = new Text();
7.  
8.          String fileList = new String();
9.          for (Text value : values) {
10.             fileList += value.toString() + ";";
11.          }
12.          result.set(fileList);
13.  
14.          context.write(new Text(key.Getword()), result);
15.       }
16.    }

    經過這個Reduce處理，就得到了下面的結果：

bye    T3:4;

china    T1:1;

hadoop    T2:1;T3:1;

hello    T1:2;T2:1;

world    T1:1;T3:1;

 

最后，MapReduce函數都寫完后，就可以掛在Job中運行了。

1. public static void main(String[] args) throws IOException,
2.          InterruptedException, ClassNotFoundException {
3.       Configuration conf = new Configuration();
4.       System.out.println("url:" + conf.get("fs.default.name"));
5.  
6.       Job job = new Job(conf, "InvertedIndex");
7.       job.setJarByClass(InvertedIndex.class);
8.       job.setMapperClass(InvertedIndexMapper.class);
9.       job.setMapOutputKeyClass(MyType.class);
10.       job.setMapOutputValueClass(Text.class);
11.  
12.       job.setCombinerClass(InvertedIndexCombiner.class);
13.       job.setReducerClass(InvertedIndexReducer.class);
14.  
15.       job.setOutputKeyClass(Text.class);
16.       job.setOutputValueClass(Text.class);
17.  
18.       Path path = new Path("out");
19.       FileSystem hdfs = FileSystem.get(conf);
20.       if (hdfs.exists(path))
21.          hdfs.delete(path, true);
22.  
23.       FileInputFormat.addInputPath(job, new Path("in"));
24.       FileOutputFormat.setOutputPath(job, new Path("out"));
25.       job.waitForCompletion(true);
26. }

注：這里為了調試方便，我們把in和out都寫死，不用傳入執行參數了，並且，每次執行前，判斷out文件夾是否存在，如果存在則刪除。