欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  网络运营

Hadoop编程基于MR程序实现倒排索引示例

程序员文章站 2022-07-09 13:16:16
相信接触过搜索引擎开发的同学对倒排索引并不陌生,谷歌、百度等搜索引擎都是用的倒排索引,关于倒排索引的有关知识,这里就不再深入讲解,有兴趣的同学到网上了解一下。这篇博文就带着...

相信接触过搜索引擎开发的同学对倒排索引并不陌生,谷歌、百度等搜索引擎都是用的倒排索引,关于倒排索引的有关知识,这里就不再深入讲解,有兴趣的同学到网上了解一下。这篇博文就带着大家一起学习下如何利用hadoop的mr程序来实现倒排索引的功能。

一、数据准备

1、输入文件数据

这里我们准备三个输入文件,分别如下所示

a.txt

hello tom 
hello jerry 
hello tom 

b.txt

hello jerry 
hello jerry 
tom jerry 

c.txt

hello jerry 
hello tom 

2、最终输出文件数据

最终输出文件的结果为:

[plain] view plain copy
hello  c.txt-->2 b.txt-->2 a.txt-->3  
jerry  c.txt-->1 b.txt-->3 a.txt-->1  
tom c.txt-->1 b.txt-->1 a.txt-->2  

二、倒排索引过程分析

根据输入文件数据和最终的输出文件结果可知,此程序需要利用两个mr实现,具体流程可总结归纳如下:

-------------第一步mapper的输出结果格式如下:-------------------- 
context.wirte("hello->a.txt", "1") 
context.wirte("hello->a.txt", "1") 
context.wirte("hello->a.txt", "1") 
context.wirte("hello->b.txt", "1") 
context.wirte("hello->b.txt", "1") 
context.wirte("hello->c.txt", "1") 
context.wirte("hello->c.txt", "1") 
-------------第一步reducer的得到的输入数据格式如下:------------- 
<"hello->a.txt", {1,1,1}> 
<"hello->b.txt", {1,1}> 
<"hello->c.txt", {1,1}> 
-------------第一步reducer的输出数据格式如下--------------------- 
context.write("hello->a.txt", "3") 
context.write("hello->b.txt", "2") 
context.write("hello->c.txt", "2") 
-------------第二步mapper得到的输入数据格式如下:----------------- 
context.write("hello->a.txt", "3") 
context.write("hello->b.txt", "2") 
context.write("hello->c.txt", "2") 
-------------第二步mapper输出的数据格式如下:-------------------- 
context.write("hello", "a.txt->3") 
context.write("hello", "b.txt->2") 
context.write("hello", "c.txt->2") 
-------------第二步reducer得到的输入数据格式如下:----------------- 
<"hello", {"a.txt->3", "b.txt->2", "c.txt->2"}> 
-------------第二步reducer输出的数据格式如下:----------------- 
context.write("hello", "a.txt->3 b.txt->2 c.txt->2") 
最终结果为: 
hello  a.txt->3 b.txt->2 c.txt->2 

三、程序开发

3.1、第一步mr程序与输入输出

package com.lyz.hdfs.mr.ii; 
import java.io.ioexception; 
import org.apache.commons.lang.stringutils; 
import org.apache.hadoop.conf.configuration; 
import org.apache.hadoop.fs.path; 
import org.apache.hadoop.io.longwritable; 
import org.apache.hadoop.io.text; 
import org.apache.hadoop.mapreduce.job; 
import org.apache.hadoop.mapreduce.mapper; 
import org.apache.hadoop.mapreduce.reducer; 
import org.apache.hadoop.mapreduce.lib.input.fileinputformat; 
import org.apache.hadoop.mapreduce.lib.input.filesplit; 
import org.apache.hadoop.mapreduce.lib.output.fileoutputformat; 
/** 
 * 倒排索引第一步map reduce程序,此处程序将所有的map/reduce/runner程序放在一个类中 
 * @author liuyazhuang 
 * 
 */ 
public class inverseindexstepone { 
  /** 
   * 完成倒排索引第一步的mapper程序 
   * @author liuyazhuang 
   * 
   */ 
  public static class steponemapper extends mapper<longwritable, text, text, longwritable>{ 
    @override 
    protected void map(longwritable key, text value, mapper<longwritable, text, text, longwritable>.context context) 
        throws ioexception, interruptedexception { 
      //获取一行数据 
      string line = value.tostring(); 
      //切分出每个单词 
      string[] fields = stringutils.split(line, " "); 
      //获取数据的切片信息 
      filesplit filesplit = (filesplit) context.getinputsplit(); 
      //根据切片信息获取文件名称 
      string filename = filesplit.getpath().getname(); 
      for(string field : fields){ 
        context.write(new text(field + "-->" + filename), new longwritable(1)); 
      } 
    } 
  } 
  /** 
   * 完成倒排索引第一步的reducer程序 
   * 最终输出结果为: 
   * hello-->a.txt  3 
    hello-->b.txt  2 
    hello-->c.txt  2 
    jerry-->a.txt  1 
    jerry-->b.txt  3 
    jerry-->c.txt  1 
    tom-->a.txt 2 
    tom-->b.txt 1 
    tom-->c.txt 1 
   * @author liuyazhuang 
   * 
   */ 
  public static class steponereducer extends reducer<text, longwritable, text, longwritable>{ 
    @override 
    protected void reduce(text key, iterable<longwritable> values, 
        reducer<text, longwritable, text, longwritable>.context context) throws ioexception, interruptedexception { 
      long counter = 0; 
      for(longwritable value : values){ 
        counter += value.get(); 
      } 
      context.write(key, new longwritable(counter)); 
    } 
  } 
  //运行第一步的mr程序 
  public static void main(string[] args) throws exception{ 
    configuration conf = new configuration(); 
    job job = job.getinstance(conf); 
    job.setjarbyclass(inverseindexstepone.class); 
    job.setmapperclass(steponemapper.class); 
    job.setreducerclass(steponereducer.class); 
    job.setmapoutputkeyclass(text.class); 
    job.setmapoutputvalueclass(longwritable.class); 
    job.setoutputkeyclass(text.class); 
    job.setoutputvalueclass(longwritable.class); 
    fileinputformat.addinputpath(job, new path("d:/hadoop_data/ii")); 
    fileoutputformat.setoutputpath(job, new path("d:/hadoop_data/ii/result")); 
    job.waitforcompletion(true); 
  } 
} 

3.1.1 输入数据

a.txt

hello tom 
hello jerry 
hello tom 

b.txt

hello jerry 
hello jerry 
tom jerry 

c.txt

hello jerry 
hello tom 

3.1.2

输出结果:

hello-->a.txt  3 
hello-->b.txt  2 
hello-->c.txt  2 
jerry-->a.txt  1 
jerry-->b.txt  3 
jerry-->c.txt  1 
tom-->a.txt 2 
tom-->b.txt 1 
tom-->c.txt 1 

3.2 第二步mr程序与输入输出

package com.lyz.hdfs.mr.ii; 
import java.io.ioexception; 
import org.apache.commons.lang.stringutils; 
import org.apache.hadoop.conf.configuration; 
import org.apache.hadoop.fs.path; 
import org.apache.hadoop.io.longwritable; 
import org.apache.hadoop.io.text; 
import org.apache.hadoop.mapreduce.job; 
import org.apache.hadoop.mapreduce.mapper; 
import org.apache.hadoop.mapreduce.reducer; 
import org.apache.hadoop.mapreduce.lib.input.fileinputformat; 
import org.apache.hadoop.mapreduce.lib.output.fileoutputformat; 
/** 
 * 倒排索引第二步map reduce程序,此处程序将所有的map/reduce/runner程序放在一个类中 
 * @author liuyazhuang 
 * 
 */ 
public class inverseindexsteptwo { 
  /** 
   * 完成倒排索引第二步的mapper程序 
   * 
   * 从第一步mr程序中得到的输入信息为: 
   * hello-->a.txt  3 
    hello-->b.txt  2 
    hello-->c.txt  2 
    jerry-->a.txt  1 
    jerry-->b.txt  3 
    jerry-->c.txt  1 
    tom-->a.txt 2 
    tom-->b.txt 1 
    tom-->c.txt 1 
   * @author liuyazhuang 
   * 
   */ 
  public static class steptwomapper extends mapper<longwritable, text, text, text>{ 
    @override 
    protected void map(longwritable key, text value, mapper<longwritable, text, text, text>.context context) 
        throws ioexception, interruptedexception { 
      string line = value.tostring(); 
      string[] fields = stringutils.split(line, "\t"); 
      string[] wordandfilename = stringutils.split(fields[0], "-->"); 
      string word = wordandfilename[0]; 
      string filename = wordandfilename[1]; 
      long counter = long.parselong(fields[1]); 
      context.write(new text(word), new text(filename + "-->" + counter)); 
    } 
  } 
  /** 
   * 完成倒排索引第二步的reducer程序 
   * 得到的输入信息格式为: 
   * <"hello", {"a.txt->3", "b.txt->2", "c.txt->2"}>, 
   * 最终输出结果如下: 
   * hello  c.txt-->2 b.txt-->2 a.txt-->3 
    jerry  c.txt-->1 b.txt-->3 a.txt-->1 
    tom c.txt-->1 b.txt-->1 a.txt-->2 
   * @author liuyazhuang 
   * 
   */ 
  public static class steptworeducer extends reducer<text, text, text, text>{ 
    @override 
    protected void reduce(text key, iterable<text> values, reducer<text, text, text, text>.context context) 
        throws ioexception, interruptedexception { 
      string result = ""; 
      for(text value : values){ 
        result += value + " "; 
      } 
      context.write(key, new text(result)); 
    } 
  } 
  //运行第一步的mr程序 
  public static void main(string[] args) throws exception{ 
    configuration conf = new configuration(); 
    job job = job.getinstance(conf); 
    job.setjarbyclass(inverseindexsteptwo.class); 
    job.setmapperclass(steptwomapper.class); 
    job.setreducerclass(steptworeducer.class); 
    job.setmapoutputkeyclass(text.class); 
    job.setmapoutputvalueclass(text.class); 
    job.setoutputkeyclass(text.class); 
    job.setoutputvalueclass(text.class); 
    fileinputformat.addinputpath(job, new path("d:/hadoop_data/ii/result/part-r-00000")); 
    fileoutputformat.setoutputpath(job, new path("d:/hadoop_data/ii/result/final")); 
    job.waitforcompletion(true); 
  } 
} 

3.2.1 输入数据

hello-->a.txt  3 
hello-->b.txt  2 
hello-->c.txt  2 
jerry-->a.txt  1 
jerry-->b.txt  3 
jerry-->c.txt  1 
tom-->a.txt 2 
tom-->b.txt 1 
tom-->c.txt 1 

3.2.2 输出结果

hello  c.txt-->2 b.txt-->2 a.txt-->3  
jerry  c.txt-->1 b.txt-->3 a.txt-->1  
tom c.txt-->1 b.txt-->1 a.txt-->2  

总结

以上就是本文关于hadoop编程基于mr程序实现倒排索引示例的全部内容,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站:hadoop对文本文件的快速全局排序实现方法及分析hadoop重新格式化hdfs步骤解析浅谈七种常见的hadoop和spark项目案例等,有什么问题可以直接留言,小编会及时回复大家的。感谢朋友们对本站的支持!