Hadoop编程基于MR程序实现倒排索引示例

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！