Hadoop之倒排索引

前言：
　　从IT跨度到DT,如今的数据每天都在海量的增长。面对如此巨大的数据，如何能让搜索引擎更好的工作呢？本文作为Hadoop系列的第二篇，将介绍分布式情况下搜索引擎的基础实现，即“倒排索引”。

1.问题描述
　将所有不同文件里面的关键词进行存储，并实现快速检索。下面假设有3个文件的数据如下：

file1.txt:MapReduce is simple
file2.txt:mapReduce is powerful is simple
file3.txt:Hello MapReduce bye MapReduce

最终应生成如下索引结果:

Hello file3.txt:1
MapReduce file3.txt:2;file2.txt:1;file1.txt:1
bye file3.txt:1
is file2.txt:2;file1.txt:1
powerful file2.txt:1
simple file2.txt:1;file1.txt:1

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

2.设计
　　首先，我们对读入的数据利用Map操作进行预处理，如图1：

对比之前的单词计数（WorldCount.java），要实现倒排索引单靠Map和Reduce操作明显无法完成，因此中间我们加入’Combine’，即合并操作；具体如图2：

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

3.代码实现

1 package pro; 2
3 import java.io.IOException; 4 import java.util.StringTokenizer; 5 import org.apache.hadoop.conf.Configuration; 6 import org.apache.hadoop.fs.Path; 7 import org.apache.hadoop.io.IntWritable; 8 import org.apache.hadoop.io.Text; 9 import org.apache.hadoop.mapreduce.Job; 10 import org.apache.hadoop.mapreduce.Mapper; 11 import org.apache.hadoop.mapreduce.Reducer; 12 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 13 import org.apache.hadoop.mapreduce.lib.input.FileSplit; 14 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 15 import org.apache.hadoop.util.GenericOptionsParser; 16
17 public class InvertedIndex { 18 final static String INPUT_PATH = “hdfs://hadoop0:9000/index_in”;
19 final static String OUTPUT_PATH = “hdfs://hadoop0:9000/index_out”;
20
21 public static class Map extends Mapper<Object, Text, Text, Text> { 22
23 private Text keyInfo = new Text(); // 存储单词和URL组合
24 private Text valueInfo = new Text(); // 存储词频
25 private FileSplit split; // 存储Split对象 26
27 // 实现map函数
28 public void map(Object key, Text value, Context context) 29 throws IOException, InterruptedException { 30 // 获得<key,value>对所属的FileSplit对象
31 split = (FileSplit) context.getInputSplit(); 32 StringTokenizer itr = new StringTokenizer(value.toString()); 33 while (itr.hasMoreTokens()) { 34
35 // 只获取文件的名称。
36 int splitIndex = split.getPath().toString().indexOf(“file”);
37 keyInfo.set(itr.nextToken() + “:”
38 + split.getPath().toString().substring(splitIndex)); 39 // 词频初始化为1
40 valueInfo.set(“1”);
41 context.write(keyInfo, valueInfo);
42 }
43 }
44 }
45
46 public static class Combine extends Reducer<Text, Text, Text, Text> { 47 private Text info = new Text(); 48
49 // 实现reduce函数
50 public void reduce(Text key, Iterable values, Context context) 51 throws IOException, InterruptedException { 52 // 统计词频
53 int sum = 0;
54 for (Text value : values) { 55 sum += Integer.parseInt(value.toString()); 56 }
57
58 int splitIndex = key.toString().indexOf(“:”);
59 // 重新设置value值由URL和词频组成
60 info.set(key.toString().substring(splitIndex + 1) + “:” + sum); 61 // 重新设置key值为单词
62 key.set(key.toString().substring(0, splitIndex));
63 context.write(key, info);
64 }
65 }
66
67 public static class Reduce extends Reducer<Text, Text, Text, Text> { 68 private Text result = new Text(); 69
70 // 实现reduce函数
71 public void reduce(Text key, Iterable values, Context context) 72 throws IOException, InterruptedException { 73 // 生成文档列表
74 String fileList = new String(); 75 for (Text value : values) { 76 fileList += value.toString() + “;”;
77 }
78 result.set(fileList);
79
80 context.write(key, result);
81 }
82 }
83
84 public static void main(String[] args) throws Exception { 85
86 Configuration conf = new Configuration(); 87
88 Job job = new Job(conf, “Inverted Index”);
89 job.setJarByClass(InvertedIndex.class);
90
91 // 设置Map、Combine和Reduce处理类
92 job.setMapperClass(Map.class);
93 job.setCombinerClass(Combine.class);
94 job.setReducerClass(Reduce.class);
95
96 // 设置Map输出类型
97 job.setMapOutputKeyClass(Text.class);
98 job.setMapOutputValueClass(Text.class);
99
100 // 设置Reduce输出类型
101 job.setOutputKeyClass(Text.class);
102 job.setOutputValueClass(Text.class);
103
104 // 设置输入和输出目录
105 FileInputFormat.addInputPath(job, new Path(INPUT_PATH));
106 FileOutputFormat.setOutputPath(job, new Path(OUTPUT_PATH));
107 System.exit(job.waitForCompletion(true) 0 : 1);
108 }
109 }

4.测试结果

Hello file3.txt:1;
MapReduce file3.txt:2;file1.txt:1;file2.txt:1;
bye file3.txt:1;
is file1.txt:1;file2.txt:2;
powerful file2.txt:1;
simple file2.txt:1;file1.txt:1;

Reference:

[1]Hadoop权威指南【A】Tom Wbite

[2]深入云计算·Hadoop应用开发实战详解【A】万川梅 谢正兰

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

结语：

从上面的Map—> Combine ----> Reduce操作过程中，我们可以体会到“倒排索引”的过程其实也就是不断组合并拆分字符串的过程，而这也就是Hadoop中MapReduce并行计算的体现。在现今的大部分企业当中，Hadoop主要应用之一就是针对日志进行处理，所以想进军大数据领域的朋友，对于Hadoop的Map/Reduce实现原理可以通过更多的实战操作加深理解。本文仅仅只是牛刀小试，对于Hadoop的深层应用本人也正在慢慢摸索~~

转载于:https://www.cnblogs.com/SeaSky0606/p/4820786.html

l