MapReduce编程之倒排索引的实现

倒排索引：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

--------------------------------

map

输出：

key:单词+文档URI，

value：词频

-------------------------------

combiner

输入：

key:单词+文档URI，

value：词频

输出：

key:单词+文档URI，

value，单个文档的中出现的词频汇总就是map的value-list合并的结果

---------------------------------------

Reduce:

输入：
combiner的结果key  value-list

输出

key:单词

value:文档URI:词频

----------------------------------------------------------

源代码

import java.io.IOException;
import java.util.StringTokenizer;

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


public class InvertedIndex {
    
    public static class InvertedIndexMap extends Mapper<Object,Text,Text,Text>{
        
        private Text valueInfo = new Text();
        private Text keyInfo = new Text();
        private FileSplit split;
        
        public void map(Object key, Text value,Context context)
                throws IOException, InterruptedException {
            //获取<key value>对所属的FileSplit对象
            split = (FileSplit) context.getInputSplit();
            StringTokenizer stk = new StringTokenizer(value.toString());
            while (stk.hasMoreElements()) {
                //key值由（单词：URI）组成
                keyInfo.set(stk.nextToken()+":"+split.getPath().toString());
                //词频
                valueInfo.set("1");
                context.write(keyInfo, valueInfo);
                
            }
            
            
        }
    }
    
    public static class InvertedIndexCombiner extends Reducer<Text,Text,Text,Text>{
        
        Text info = new Text();

        public void reduce(Text key, Iterable<Text> values,Context contex)
                throws IOException, InterruptedException {
            int sum = 0;
            for (Text value : values) {
                sum += Integer.parseInt(value.toString());
            }
            
            int splitIndex = key.toString().indexOf(":");
            //重新设置value值由（URI+:词频组成）
            info.set(key.toString().substring(splitIndex+1) +":"+ sum);
            //重新设置key值为单词
            key.set(key.toString().substring(0,splitIndex));
            contex.write(key, info);
        }
    }
    
    public static class InvertedIndexReduce extends Reducer<Text,Text,Text,Text>{
        
        private Text result = new Text();
        
        public void reduce(Text key, Iterable<Text> values,Context contex)
                throws IOException, InterruptedException {
            //生成文档列表
            String fileList = new String();
            for (Text value : values) {
                fileList += value.toString()+";";
            }
            result.set(fileList);
            contex.write(key, result);
        }
    }
    
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        
        Configuration conf = new Configuration();
        
        Job job = new Job(conf,"InvertedIndex");
        
        job.setJarByClass(InvertedIndex.class);
        
        job.setMapperClass(InvertedIndexMap.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);
        
        job.setCombinerClass(InvertedIndexCombiner.class);
        
        job.setReducerClass(InvertedIndexReduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        
        FileInputFormat.addInputPath(job, new Path("./in/invertedindex/"));
        FileOutputFormat.setOutputPath(job, new Path("./out/"));
        
        System.exit(job.waitForCompletion(true)?0:1);
        
        
    }
}
测试文件：

1.txt:

Hello MapReduce Hello Hadoop

2.txt

Hello MapReduce Hello Hadoop

Hello MapReduce Hello Hadoop

3.txt

Hello MapReduce Hello Hadoop

Hello MapReduce Hello Hadoop

Hello MapReduce Hello Hadoop

part-r-00000

Hadoop    file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/1.txt:1;file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/2.txt:2;file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/3.txt:3;
Hello    file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/3.txt:6;file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/1.txt:2;file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/2.txt:4;
MapReduce    file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/2.txt:2;file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/1.txt:1;file:/E:/KAI_FA/eclipse/workshop/InvertedIndex/in/invertedindex/3.txt:3;