• Mapreduce实例——倒排索引

    原理

    "倒排索引"是文档检索系统中最常用的数据结构，被广泛地应用于全文搜索引擎。它主要是用来存储某个单词（或词组）在一个文档或一组文档中的存储位置的映射，即提供了一种根据内容来查找文档的方式。由于不是根据文档来确定文档所包含的内容，而是进行相反的操作，因而称为倒排索引（Inverted Index）。

    实现"倒排索引"主要关注的信息为：单词、文档URL及词频。

    下面以本实验goods3、goods_visit3、order_items3三张表的数据为例，根据MapReduce的处理过程给出倒排索引的设计思路：

    （1）Map过程

    首先使用默认的TextInputFormat类对输入文件进行处理，得到文本中每行的偏移量及其内容。显然，Map过程首先必须分析输入的<key,value>对，得到倒排索引中需要的三个信息：单词、文档URL和词频，接着我们对读入的数据利用Map操作进行预处理，如下图所示：

    这里存在两个问题：第一，<key,value>对只能有两个值，在不使用Hadoop自定义数据类型的情况下，需要根据情况将其中两个值合并成一个值，作为key或value值。第二，通过一个Reduce过程无法同时完成词频统计和生成文档列表，所以必须增加一个Combine过程完成词频统计。

    这里将商品ID和URL组成key值（如"1024600：goods3"），将词频（商品ID出现次数）作为value，这样做的好处是可以利用MapReduce框架自带的Map端排序，将同一文档的相同单词的词频组成列表，传递给Combine过程，实现类似于WordCount的功能。

    （2）Combine过程

    经过map方法处理后，Combine过程将key值相同的value值累加，得到一个单词在文档中的词频，如下图所示。如果直接将下图所示的输出作为Reduce过程的输入，在Shuffle过程时将面临一个问题：所有具有相同单词的记录（由单词、URL和词频组成）应该交由同一个Reducer处理，但当前的key值无法保证这一点，所以必须修改key值和value值。这次将单词（商品ID）作为key值，URL和词频组成value值（如"goods3：1"）。这样做的好处是可以利用MapReduce框架默认的HashPartitioner类完成Shuffle过程，将相同单词的所有记录发送给同一个Reducer进行处理。

    （3）Reduce过程

    经过上述两个过程后，Reduce过程只需将相同key值的所有value值组合成倒排索引文件所需的格式即可，剩下的事情就可以直接交给MapReduce框架进行处理了。如下图所示

    环境

    Linux Ubuntu 14.04

    jdk-7u75-linux-x64

    hadoop-2.6.0-cdh5.4.5

    hadoop-2.6.0-eclipse-cdh5.4.5.jar

    eclipse-java-juno-SR2-linux-gtk-x86_64

    内容

    现有某电商网站的3张信息数据表，分别为商品库表goods3，商品访问情况表goods_visit3，订单明细表order_items3，goods表记录了商品的状态数据，goods_visit3记录了商品的点击情况，order_items3记录了用户购买的商品的信息数据，它们的表结构及内容如下：

    goods3(goods_id,goods_status,cat_id,goods_score)

    1. 商品ID 商品状态 分类ID 评分  
    2. 1024600 6   52006   0  
    3. 1024593 1   52121   0  
    4. 1024592 1   52121   0  
    5. 1024590 1   52119   0  
    6. 1024589 1   52119   0  
    7. 1024588 1   52030   0  
    8. 1024587 1   52021   0  
    9. 1024586 1   52029   0  
    10. 1024585 1   52014   0  
    11. 1024584 1   52029   0  

    goods_visit3(goods_id,click_num)

    1. 商品ID 商品点击次数  
    2. 1024600 2  
    3. 1024593 0  
    4. 1024592 0  
    5. 1024590 0  
    6. 1024589 0  
    7. 1024588 0  
    8. 1024587 0  
    9. 1024586 0  
    10. 1024585 0  
    11. 1024584 0  

    order_items3(item_id,order_id,goods_id,goods_number,shop_price,goods_price,goods_amount)

    1. 明细ID 订单ID 商品ID 购买数据 商品销售价格 商品最终单价 商品金额  
    2. 251688  52107   1024600 1   31.6    31.6    15.8  
    3. 252165  52209   1024600 1   31.6    31.6    15.8  
    4. 251870  52146   1024481 1   15.6    15.6    7.8  
    5. 251935  52158   1024481 1   15.6    15.6    7.8  
    6. 252415  52264   1024480 1   69.0    69.0    69.0  
    7. 250983  51937   1024480 1   69.0    69.0    69.0  
    8. 252609  52299   1024480 1   69.0    69.0    69.0  
    9. 251689  52107   1024440 1   31.6    31.6    15.8  
    10. 239369  49183   1024256 1   759.0   759.0   759.0  
    11. 249222  51513   1024140 1   198.0   198.0   198.0  

    想要查询goods_id相同的商品都在哪几张表并统计出现了多少次。

    实验结果如下：

    1. 商品id 所在表名称：出现次数  
    2. 1024140 order_items3:1;  
    3. 1024256 order_items3:1;  
    4. 1024440 order_items3:1;  
    5. 1024480 order_items3:3;  
    6. 1024481 order_items3:2;  
    7. 1024584 goods3:1;goods_visit3:1;  
    8. 1024585 goods_visit3:1;goods3:1;  
    9. 1024586 goods3:1;goods_visit3:1;  
    10. 1024587 goods_visit3:1;goods3:1;  
    11. 1024588 goods3:1;goods_visit3:1;  
    12. 1024589 goods_visit3:1;goods3:1;  
    13. 1024590 goods3:1;goods_visit3:1;  
    14. 1024592 goods_visit3:1;goods3:1;  
    15. 1024593 goods3:1;goods_visit3:1;  
    16. 1024600 goods_visit3:1;goods3:1;order_items3:2;  

    实验步骤

    1.切换到/apps/hadoop/sbin目录下，开启Hadoop。

    1. cd /apps/hadoop/sbin  
    2. ./start-all.sh  

    2.在Linux本地新建/data/mapreduce9目录。

    1. mkdir -p /data/mapreduce9  

    3.在Linux中切换到/data/mapreduce9目录下，用wget命令从http://192.168.1.100:60000/allfiles/mapreduce9/goods3、http://192.168.1.100:60000/allfiles/mapreduce9/goods_visit3和http://192.168.1.100:60000/allfiles/mapreduce9/order_items3网址上下载文本文件goods3，goods_visit3，order_items3。

    1. cd /data/mapreduce9  
    2. wget http://192.168.1.100:60000/allfiles/mapreduce9/goods3  
    3. wget http://192.168.1.100:60000/allfiles/mapreduce9/goods_visit3  
    4. wget http://192.168.1.100:60000/allfiles/mapreduce9/order_items3  

    然后在当前目录下用wget命令从http://192.168.1.100:60000/allfiles/mapreduce9/hadoop2lib.tar.gz网址上下载项目用到的依赖包。

    1. wget http://192.168.1.100:60000/allfiles/mapreduce9/hadoop2lib.tar.gz  

    将hadoop2lib.tar.gz解压到当前目录下。

    1. tar zxvf hadoop2lib.tar.gz  

    4.首先在HDFS上新建/mymapreduce9/in目录，然后将Linux本地/data/mapreduce9目录下的goods3，goods_visit3和order_items3文件导入到HDFS的/mymapreduce9/in目录中。

    1. hadoop fs -mkdir -p /mymapreduce9/in  
    2. hadoop fs -put /data/mapreduce9/goods3 /mymapreduce9/in  
    3. hadoop fs -put /data/mapreduce9/goods_visit3 /mymapreduce9/in  
    4. hadoop fs -put /data/mapreduce9/order_items3 /mymapreduce9/in  

    5.新建Java Project项目，项目名为mapreduce9。

    在mapreduce9项目下新建包，包名为mapreduce。

    在mapreduce包下新建类，类名为MyIndex。

    6.添加项目所需的jar包，右键单击项目名，新建一个文件夹，名为hadoop2lib，用于存放项目所需的jar包。

    将/data/mapreduce9目录下，hadoop2lib目录中的jar包，拷贝到eclipse中mapreduce9项目的hadoop2lib目录下。

    选中所有项目hadoop2lib目录下所有jar包，单击右键选择Build Path=>Add to Build Path。

    7.编写Java代码，并描述其设计思路

    Map代码

    首先使用默认的TextInputFormat类对输入文件进行处理，得到文本中每行的偏移量及其内容。显然，Map过程首先必须分析输入的<key,value>对，得到倒排索引中需要的三个信息：单词、文档URL和词频，这里存在两个问题：第一，<key,value>对只能有两个值，在不使用Hadoop自定义数据类型的情况下，需要根据情况将其中两个值合并成一个值，作为key或value值。第二，通过一个Reduce过程无法同时完成词频统计和生成文档列表，所以必须增加一个Combine过程完成词频统计。

    1. public static class doMapper extends Mapper<Object, Text, Text, Text>{  
    2.         public static Text myKey = new Text();   // 存储单词和URL组合  
    3.         public static Text myValue = new Text();  // 存储词频  
    4.         //private FileSplit filePath;     // 存储Split对象  
    5.     
    6.         @Override   // 实现map函数  
    7.         protected void map(Object key, Text value, Context context)  
    8.                 throws IOException, InterruptedException {  
    9.             String filePath=((FileSplit)context.getInputSplit()).getPath().toString();  
    10.             if(filePath.contains("goods")){  
    11.                 String val[]=value.toString().split(" ");  
    12.                 int splitIndex =filePath.indexOf("goods");  
    13.                 myKey.set(val[0] + ":" + filePath.substring(splitIndex));  
    14.             }else if(filePath.contains("order")){  
    15.                 String val[]=value.toString().split(" ");  
    16.                 int splitIndex =filePath.indexOf("order");  
    17.                 myKey.set(val[2] + ":" + filePath.substring(splitIndex));  
    18.             }  
    19.             myValue.set("1");  
    20.             context.write(myKey, myValue);  
    21.         }  
    22.     }  

    Combiner代码

    经过map方法处理后，Combine过程将key值相同的value值累加，得到一个单词在文档中的词频。如果直接将输出作为Reduce过程的输入，在Shuffle过程时将面临一个问题：所有具有相同单词的记录（由单词、URL和词频组成）应该交由同一个Reducer处理，但当前的key值无法保证这一点，所以必须修改key值和value值。这次将单词作为key值，URL和词频组成value值。这样做的好处是可以利用MapReduce框架默认的HashPartitioner类完成Shuffle过程，将相同单词的所有记录发送给同一个Reducer进行处理。

    1. public static class doCombiner extends Reducer<Text, Text, Text, Text>{  
    2.         public static Text myK = new Text();  
    3.         public static Text myV = new Text();  
    4.     
    5.         @Override //实现reduce函数  
    6.         protected void reduce(Text key, Iterable<Text> values, Context context)  
    7.     throws IOException, InterruptedException {  
    8.     // 统计词频  
    9.     int sum = 0 ;  
    10.     for (Text value : values) {  
    11.     sum += Integer.parseInt(value.toString());  
    12.     }  
    13.     int mysplit = key.toString().indexOf(":");  
    14.     // 重新设置value值由URL和词频组成  
    15.     myK.set(key.toString().substring(0, mysplit));  
    16.     myV.set(key.toString().substring(mysplit + 1) + ":" + sum);  
    17.     context.write(myK, myV);  
    18.     }  
    19.     }  

    Reduce代码

    经过上述两个过程后，Reduce过程只需将相同key值的value值组合成倒排索引文件所需的格式即可，剩下的事情就可以直接交给MapReduce框架进行处理了。

    1. public static class doReducer extends Reducer<Text, Text, Text, Text>{  
    2.     
    3.         public static Text myK = new Text();  
    4.         public static Text myV = new Text();  
    5.     
    6.         @Override     // 实现reduce函数  
    7.         protected void reduce(Text key, Iterable<Text> values, Context context)  
    8.     throws IOException, InterruptedException {  
    9.     // 生成文档列表  
    10.     String myList = new String();  
    11.     
    12.     for (Text value : values) {  
    13.     myList += value.toString() + ";";  
    14.     }  
    15.     myK.set(key);  
    16.     myV.set(myList);  
    17.     context.write(myK, myV);  
    18.     }  
    19.     }  

    完整代码

    1. package mapreduce;  
    2. import java.io.IOException;  
    3. import org.apache.hadoop.fs.Path;  
    4. import org.apache.hadoop.io.Text;  
    5. import org.apache.hadoop.mapreduce.Job;  
    6. import org.apache.hadoop.mapreduce.Mapper;  
    7. import org.apache.hadoop.mapreduce.Reducer;  
    8. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
    9. import org.apache.hadoop.mapreduce.lib.input.FileSplit;  
    10. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
    11. public class MyIndex {  
    12.     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {  
    13.         Job job = Job.getInstance();  
    14.         job.setJobName("InversedIndexTest");  
    15.         job.setJarByClass(MyIndex.class);  
    16.     
    17.         job.setMapperClass(doMapper.class);  
    18.         job.setCombinerClass(doCombiner.class);  
    19.         job.setReducerClass(doReducer.class);  
    20.     
    21.         job.setOutputKeyClass(Text.class);  
    22.         job.setOutputValueClass(Text.class);  
    23.     
    24.         Path in1 = new Path("hdfs://localhost:9000/mymapreduce9/in/goods3");  
    25.         Path in2 = new Path("hdfs://localhost:9000/mymapreduce9/in/goods_visit3");  
    26.         Path in3 = new Path("hdfs://localhost:9000/mymapreduce9/in/order_items3");  
    27.         Path out = new Path("hdfs://localhost:9000/mymapreduce9/out");  
    28.     
    29.         FileInputFormat.addInputPath(job, in1);  
    30.         FileInputFormat.addInputPath(job, in2);  
    31.         FileInputFormat.addInputPath(job, in3);  
    32.         FileOutputFormat.setOutputPath(job, out);  
    33.     
    34.         System.exit(job.waitForCompletion(true) ? 0 : 1);  
    35.     }  
    36.     
    37.     public static class doMapper extends Mapper<Object, Text, Text, Text>{  
    38.         public static Text myKey = new Text();  
    39.         public static Text myValue = new Text();  
    40.         //private FileSplit filePath;  
    41.     
    42.         @Override  
    43.         protected void map(Object key, Text value, Context context)  
    44.                 throws IOException, InterruptedException {  
    45.             String filePath=((FileSplit)context.getInputSplit()).getPath().toString();  
    46.             if(filePath.contains("goods")){  
    47.                 String val[]=value.toString().split(" ");  
    48.                 int splitIndex =filePath.indexOf("goods");  
    49.                 myKey.set(val[0] + ":" + filePath.substring(splitIndex));  
    50.             }else if(filePath.contains("order")){  
    51.                 String val[]=value.toString().split(" ");  
    52.                 int splitIndex =filePath.indexOf("order");  
    53.                 myKey.set(val[2] + ":" + filePath.substring(splitIndex));  
    54.             }  
    55.             myValue.set("1");  
    56.             context.write(myKey, myValue);  
    57.         }  
    58.     }  
    59.     public static class doCombiner extends Reducer<Text, Text, Text, Text>{  
    60.         public static Text myK = new Text();  
    61.         public static Text myV = new Text();  
    62.     
    63.         @Override  
    64.         protected void reduce(Text key, Iterable<Text> values, Context context)  
    65.     throws IOException, InterruptedException {  
    66.     int sum = 0 ;  
    67.     for (Text value : values) {  
    68.     sum += Integer.parseInt(value.toString());  
    69.     }  
    70.     int mysplit = key.toString().indexOf(":");  
    71.     myK.set(key.toString().substring(0, mysplit));  
    72.     myV.set(key.toString().substring(mysplit + 1) + ":" + sum);  
    73.     context.write(myK, myV);  
    74.     }  
    75.     }  
    76.     
    77.     public static class doReducer extends Reducer<Text, Text, Text, Text>{  
    78.     
    79.     public static Text myK = new Text();  
    80.     public static Text myV = new Text();  
    81.     
    82.     @Override  
    83.     protected void reduce(Text key, Iterable<Text> values, Context context)  
    84.         throws IOException, InterruptedException {  
    85.     
    86.         String myList = new String();  
    87.     
    88.         for (Text value : values) {  
    89.         myList += value.toString() + ";";  
    90.         }  
    91.         myK.set(key);  
    92.         myV.set(myList);  
    93.         context.write(myK, myV);  
    94.         }  
    95.         }  
    96.         }  

    8.在MyIndex类文件中，右键并点击=>Run As=>Run on Hadoop选项，将MapReduce任务提交到Hadoop中。

    9.待执行完毕后，进入命令模式下，在hdfs上从Java代码指定的路径中查看实验结果。

    1. hadoop fs -ls /mymapreduce9/out  
    2. hadoop fs -cat /mymapreduce9/out/part-r-00000  

    实验结果如下图：

    1. 商品id 所在表名称：出现次数  
    2. 1024140 order_items3:1;  
    3. 1024256 order_items3:1;  
    4. 1024440 order_items3:1;  
    5. 1024480 order_items3:3;  
    6. 1024481 order_items3:2;  
    7. 1024584 goods3:1;goods_visit3:1;  
    8. 1024585 goods_visit3:1;goods3:1;  
    9. 1024586 goods3:1;goods_visit3:1;  
    10. 1024587 goods_visit3:1;goods3:1;  
    11. 1024588 goods3:1;goods_visit3:1;  
    12. 1024589 goods_visit3:1;goods3:1;  
    13. 1024590 goods3:1;goods_visit3:1;  
    14. 1024592 goods_visit3:1;goods3:1;  
    15. 1024593 goods3:1;goods_visit3:1;  
    16. 1024600 goods_visit3:1;goods3:1;order_items3:2;  
  • 相关阅读:
    php图片水印添加，压缩，剪切的封装类
    使用观察者模式处理异常信息
    php中的错误级别
    php 递归函数的三种实现方式
    php利用递归函数实现无限级分类
    利用http协议发布博客园博文评论
    结合php ob函数理解缓冲机制
    php 正则表达式捕获组与非捕获组
    php 利用socket发送GET，POST请求
    php mysqli扩展之预处理
  • 原文地址：https://www.cnblogs.com/aishanyishi/p/10304860.html
Copyright © 2020-2023  润新知