TopK的一个简单实现

转自：http://rangerwolf.iteye.com/blog/2119096

题外话：

《Hadoop in Action》 是一本非常不错的交Hadoop的入门书，而且建议看英文版。此书作者的英文表达非常简单易懂。相信有一定英文阅读能力的同学直接用英文版就能非常容易的上手~

进入正题。 这个题目是《Hadoop in Action》 上面的一道题目，求出Top K的值。

我自己随便弄了一个输入文件：

g   445
a   1117
b   222
c   333
d   444
e   123
f   345
h   456

讲讲我的思路：

对于Top K的问题，首先要在每个block/分片之中找到这部分的Top K。并且由于只能输出一次，所以输出的工作需要在cleanup方法之中进行。为了简单，使用的是java之中的TreeMap，因为这个数据结构天生就带有排序功能。 而Reducer的工作流程跟Map其实是完全一致的，只是光Map一步还不够，所以只能再加一个Reduce步骤。

最终输出的格式为如下：(K=2)

1117    a
456    g

所以需要使用map。 如果只需要输出大小的话，直接使用TreeSet会更高效一点。

下面是实现的代码：

package hadoop_in_action_exersice;

import java.io.IOException;
import java.util.TreeMap;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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;

public class TopK {

    public static final int K = 2;

    public static class KMap extends Mapper<LongWritable, Text, IntWritable, Text> {

        TreeMap<Integer, String> map = new TreeMap<Integer, String>();

        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            String line = value.toString();
            if(line.trim().length() > 0 && line.indexOf("	") != -1) {

                String[] arr = line.split("	", 2);
                String name = arr[0];
                Integer num = Integer.parseInt(arr[1]);
                map.put(num, name);

                if(map.size() > K) {
                    map.remove(map.firstKey());
                }
            }
        }

        @Override
        protected void cleanup(
                Mapper<LongWritable, Text, IntWritable, Text>.Context context)
                throws IOException, InterruptedException {

            for(Integer num : map.keySet()) {
                context.write(new IntWritable(num), new Text(map.get(num)));
            }

        }

    }


    public static class KReduce extends Reducer<IntWritable, Text, IntWritable, Text> {

        TreeMap<Integer, String> map = new TreeMap<Integer, String>();

        public void reduce(IntWritable key, Iterable<Text> values, Context context) throws IOException, InterruptedException {

            map.put(key.get(), values.iterator().next().toString());
            if(map.size() > K) {
                map.remove(map.firstKey());
            }
        }

        @Override
        protected void cleanup(
                Reducer<IntWritable, Text, IntWritable, Text>.Context context)
                throws IOException, InterruptedException {
            for(Integer num : map.keySet()) {
                context.write(new IntWritable(num), new Text(map.get(num)));
            }
        }
    }

    public static void main(String[] args) {
        // TODO Auto-generated method stub

        Configuration conf = new Configuration();
        try {
            Job job = new Job(conf, "my own word count");
            job.setJarByClass(TopK.class);
            job.setMapperClass(KMap.class);
            job.setCombinerClass(KReduce.class);
            job.setReducerClass(KReduce.class);
            job.setOutputKeyClass(IntWritable.class);
            job.setOutputValueClass(Text.class);
            FileInputFormat.setInputPaths(job, new Path("/home/hadoop/DataSet/Hadoop/WordCount-Result"));
            FileOutputFormat.setOutputPath(job, new Path("/home/hadoop/DataSet/Hadoop/TopK-output1"));
            System.out.println(job.waitForCompletion(true));
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        } catch (ClassNotFoundException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        } catch (InterruptedException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }
}