问题导读
1.寻找共同好友,该如何转换为程序逻辑?
2.寻找共同好友的思路是什么?
3.如何通过MapReduce实现寻找共同好友?
我们知道社交网络经常会看到共同好友,共同好友目前资料也非常的多,也有代码实现,可以依然很多老铁不知道它是怎么实现的,或则说比较模糊。这里给大家介绍下找共同好友的算法。
社交共同好友图
为什么感觉难度大:我们看下图:
上面图示展示了好友之间的关系,那么我们的共同好友,该如何找到。面对如此复杂的图谱,我们只要认真分析,其实可以捋顺其中关系。
逻辑推理、解析
既然是共同好友,那么肯定是两个人,才算共同好友。也就是说我们面对如此复杂的图谱,我们只要以两个人为研究对象,然后找到两个人的共同好友,其它依次类推,找到更多的两个人的共同好友。
那么这个共同好友,我们该如何实现。
将业务需求转换为程序
两个人的共同好友,我们需要转换为我们的程序,这也是我们程序员的价值,也是我们跟非编程人员的价值区别。那么两个人我们可以转换为两个用户,这两个用户,我们可以通过用户id来表示。相信这个大家都能理解。
两个人我们使用两个用户id,那么这两个用户其实是有非常多好友的。既然有非常多的好友,那么这些好友其实也是用户,所以好友也可以使用用户id来表示。
那么我们可以这样表示了
逻辑图:
下面我们看到两个用户,互为好友,他们分别都有自己的好友。对于下面逻辑图,我们自己就可以找到好友。但是如果想通过程序该如何实现。
程序图
这里我们把他转换为实现图,或则程序图
我们将上面的逻辑关系,转换为底层的关系。
程序图转换为程序
上面图已经有了,可是我们该如何转换为程序结构,所以这里我们需要进一步转换为程序。该如何通过程序找到他们的共同好友。
我们人工可以找到他们的共同好友,那么程序该如何找到这些数据的共同好友。
数据在程序中,是需要装起来的。那么该如何装下这些数据,这时候我们就需要想到数据结构了。这时候就涉及到了我们的专业知识,都有哪些数据结构。比如有数组,list,map,树等,其实我们就用比较简单的数据结构即可。我们使用map。这时候就有key和value。
key其实就是我们的用户UserID1,那么他的朋友即为value list,也就是后面一系列的:UserID2,UserID3,UserID。。,UserIDN
用户UserID2,同样也是UserID1,UserID3,UserID。。,UserIDN等
这样我们剩下的该如何做了那?操作两个map,假设UserID1对应的为map1,UserID2对应map2找到他们的共同好友。该如何找到共同好友?
遍历两个map呀.我们通过两个for循环
这里写代码,只表示思路:
[Java] 纯文本查看 复制代码
?
1
2
3
4
5
|
for
(Integer key : map1.keySet()) {
for
(Integer key : map2.keySet()) {
if
(map1.get(value)==map2.get(value))
print(
"共同好友"
+value)
}
|
代码优化
上面只是实现了,对于两个集合,如果有的长,有的短,我们将小集合放到外层循环,这样可以效率更高。
如果map2是小集合我们可以采用下面方式
[Java] 纯文本查看 复制代码
?
1
2
3
4
5
|
for
(Integer key : map2keySet()) {
for
(Integer key : map1.keySet()) {
if
(map1.get(value)==map2.get(value))
print(
"共同好友"
+value)
}
|
大数据实现
上面我们其实讲的是该如何实现,以及传统该如何实现,那么我们使用MapReduce或则spark该如何实现?
这个其实在《数据算法 Hadoop Spark大数据处理技巧》中是有的,这里给大家贴出来,然后对这里面比较难以理解的做个说明。
对于map函数,其实是在分割的数据中,通过map找到用户的朋友列表,这里它把用户视为key,用户朋友视为value,但是这个value是为list的。
而且这里面比较难以理解的,其实也是重点,那就是在找到用户id视为key,用户列表视为value后,在输出到reduce时候,将key和value重新组合为key,然后将value视为value。本质其实如下
key value重新定义key2,value重新定义value2,也就是上面的(key2,value2)。那么reduce这时候接受到的数据格式为:
(key value,value)
那么为何这样做,我这里做一个简单的说明,而且下面遇到的时候,在给大家讲解。
我们看到下面每一个map重新定义后的(key value,value)输出内容,我们或许可能恍然大悟,key定义为两个userid其实是为了方便找到共同好友。也就是key包含了userid和它的value,也就是包含了自己和他的其中一个朋友,是为了方便找到他们的共同好友。但是我们看到其实map的作用只是组合了本人和它的好友。何谈共同好友?这是我们在reduce里面会更加明显的让我们看到共同好友。
如果说map只是简单的组合了自己的好友。我们继续往下看reduce。
我们看下面reduce讲userid为100和200之间找到共同好友。对于任何一个map来讲,它的作用其实就是找到自己的一个朋友,和他的朋友列表。对于另外一个朋友,其实也是一样,找到他的朋友和他的朋友列表。
这样比较绕口,这里我们看下面具体例子。比如还是100和200为例子。
原始数据是这样的
100和他的朋友,200和他的朋友。
进入map后,处理为:
100和200,然后100的朋友列表
另外被分割的数据,被map同样也处理格式为
100和200,然后200的朋友列表
这样在reduce的时候,就可以通过我们传统的思路比较,找到100和200的共同好友。
我们明白了map的作用其实就是先配对,reduce其实就是找到配对朋友的共同好友。
上面其实我们明白了MapReduce,spark其实在这个思路下,其实就是API的应用。这里只是简单贴下思路。
当然如果明白了思路,其实我们也可以通过Flink来实现。如果你也对大数据及相关算法感兴趣,可以加微信w3aboutyun。
----------------------------END----------------------------
以上内容是为了培养VIP群喜欢读书老铁的习惯,如果你也喜欢读书,欢迎加入about云读书会。
领取100本书+1T资源
https://www.aboutyun.com/thread-26480-1-1.html
名企资源、名企面试题、最新BAT面试题、专题面试题等资源汇总
https://www.aboutyun.com/forum.php?mod=viewthread&tid=27732
About云 VIP会员套餐介绍
https://www.aboutyun.com/forum.php?mod=viewthread&tid=27305
本公众号精彩文章推荐:
【5】小白与大神存在哪些差距
【7】kafka学习线路指导入门:包括理论、部署、实战知识汇总整理
【8】技术走向管理一些深度思考