Hadoop实例：单轮MapReduce的矩阵乘法

网上发现比较好的hadoop学习例子，转自并感谢http://www.datalab.sinaapp.com/

最近开始在看@王斌_ICTIR老师的《大数据：互联网大规模数据挖掘与分布式处理》，下面是对第二章提到的的单轮计算矩阵乘法进行的学习实现过程。

矩阵的乘法只有在第一个矩阵的列数(column)和第二个矩阵的行数(row)相同时才有定义。一般单指矩阵乘积时，指的便是一般矩阵乘积。若A为i×r矩阵，B为r×j矩阵，则他们的乘积AB(有时记做A · B)会是一个i×j矩阵。其乘积矩阵的元素如下面式子得出:

书中提到的对矩阵乘法的MapReduce实现方法是：

Map函数：对于矩阵M的每个元素M[i,j]，产生一系列的键值对(i,k)->(M,j, M[i,j]),其中k=1,2…，直到矩阵N的列数。同样，对于矩阵N的每个元素N[j,k]，产生一系列的键值对(i，k)->(N,j,N[j,k]),其中i=1,2…，直到矩阵M的行数。

Reduce函数：根据MR的原理，相同键i,k的数据会发送个同一个 reduce。如果M为2*2矩阵，N为2×3矩阵，reduce函数需要处理的数据为：

• （1,1）->[(M,1, M[1,1])、(M,2, M[1,2])、(N,1, N[1,1])、(N,2, N[2,1])]，
• （1,2）->[(M,1, M[1,1])、(M,2, M[1,2])、(N,1, N[1,2])、(N,2, N[2,2])]，
• （1,3）->[(M,1, M[1,1])、(M,2, M[1,2])、(N,1, N[1,3])、(N,2, N[2,3])],
• （2,1）->[(M,1, M[2,1])、(M,2, M[2,2])、(N,1, N[1,1])、(N,2, N[2,1])]，
• （2,2）->[(M,1, M[2,1])、(M,2, M[2,2])、(N,1, N[1,2])、(N,2, N[2,2])]，
• （2,3）->[(M,1, M[2,1])、(M,2, M[2,2])、(N,1, N[1,3])、(N,2, N[2,3])]。

这样只要将所有(M,j, M[i,j])和(N,j, N[j,k])分别按照j值排序并放在不同的两个列表里面。将这个列表的第j个元素M[i,j]个N[j,k]相乘，然后将这些积相加，最后积的和与键(i,k)组对作为reduce函数的输出。对于上面的例子reduce的输出就是：

• （1,1）->（M[1,1]* N[1,1]+ M[1,2]* N[2,1]）
• （1,2）->（M[1,1]* N[1,2]+ M[1,2]* N[2,2]）
• （1,3）->（M[1,1]* N[1,3]+ M[1,2]* N[2,3]）
• （2,1）->（M[2,1]* N[2,1]+ M[2,2]* N[2,1]）
• （2,2）->（M[2,1]* N[1,2]+ M[2,2]* N[2,2]）
• （2,3）->（M[2,1]* N[1,3]+ M[2,2]* N[2,3]）

 下面是MapReduce的实现步骤：

1. 构造矩阵M：300*150；矩阵N：150*500。两矩阵的值放在一个M.data文件中，每行的格式为：文件标识#行坐标#列坐标#坐标值。生成脚本见createMartrix.py。

import random

i = 300 ;j = 150 ;k = 500

mf = open("M.data",'w+')
for r in range(1,i+1):
	for c in range(1,j+1):
		mf.write('M#'+str(r)+"#"+str(c)+"#"+str(random.randint(0,100))+"\n");

for r in range(1,j+1):
	for c in range(1,k+1):
		mf.write('N#'+str(r)+"#"+str(c)+"#"+str(random.randint(0,100))+"\n");

mf.close()

1. 基于上面的方法编写Map函数和Reduce函数。代码详见MartrixMultiplication.java。

import java.io.IOException;
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.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;


public class MartrixMultiplication{

  public static class MartrixMapper extends Mapper<Object, Text, Text, Text>{
    
    private Text map_key = new Text();
    private Text map_value = new Text();
    
    int rNumber = 300;
    int cNumber = 500;
    String fileTarget;
    String i, j, k, ij, jk;
    
      
    public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
      
        String eachterm[] = value.toString().split("#");
        fileTarget = eachterm[0];
        
        if(fileTarget.equals("M")){
          i = eachterm[1];
          j = eachterm[2];
          ij = eachterm[3];
            
          for(int c = 1; c<=cNumber; c++){
              map_key.set(i + "#" + String.valueOf(c));
              map_value.set("M" + "#" + j + "#" + ij);
              context.write(map_key, map_value);
          }
            
        }else if(fileTarget.equals("N")){
          j = eachterm[1];
          k = eachterm[2];
          jk = eachterm[3];

          for(int r = 1; r<=rNumber; r++){
              map_key.set(String.valueOf(r) + "#" +k);
              map_value.set("N" + "#" + j + "#" + jk);
              context.write(map_key, map_value);
          }
        }
    }

  } 
  
  
  public static class MartrixReducer extends Reducer<Text,Text,Text,Text> {
    
    private Text reduce_value = new Text();
    
    int jNumber = 150;

    int M_ij[] = new int[jNumber+1];
    int N_jk[] = new int[jNumber+1];

    int j, ij, jk;

    String fileTarget;
    int jsum = 0;
    
    public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
      
      jsum = 0; 

      for (Text val : values) {
        String eachterm[] = val.toString().split("#");
        
        fileTarget = eachterm[0];
        j = Integer.parseInt(eachterm[1]);
        
        if(fileTarget.equals("M")){
      	  ij = Integer.parseInt(eachterm[2]);
      	  M_ij[j] = ij;
        }else if(fileTarget.equals("N")){
      	  jk = Integer.parseInt(eachterm[2]);
      	  N_jk[j] = jk;
        }
        
      }
      
      for(int d = 1; d<=jNumber; d++){
    	 jsum +=  M_ij[d] * N_jk[d];
      }
      
      reduce_value.set(String.valueOf(jsum));
      context.write(key, reduce_value); 
    }

  }
  

  public static void main(String[] args) throws Exception {

      Configuration conf = new Configuration();
      String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
      if (otherArgs.length != 2) {
	  System.err.println("Usage: MartrixMultiplication <in> <out>");
	  System.exit(2);
      }

      Job job = new Job(conf, "martrixmultiplication");
      job.setJarByClass(MartrixMultiplication.class);
      job.setMapperClass(MartrixMapper.class);
      job.setReducerClass(MartrixReducer.class);

      job.setOutputKeyClass(Text.class);
      job.setOutputValueClass(Text.class);

      FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
      FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

      System.exit(job.waitForCompletion(true) ? 0 : 1);

  }
  
}

1. 将运行的结果文件copy到本地,并使用checkMartrixMultiplication.py对结果中元素[10,95]的正确性进行验证。

import os
os.system("rm M_10_j.data")
os.system("rm N_j_95.data")

os.system("grep ^M#10# M.data >> M_10_j.data")
os.system("grep ^N#[0-9]*#95 M.data >> N_j_95.data")

m10j = [0]*151
nj95 = [0]*151
mf = open("M_10_j.data",'r')
for onel in mf:
	splititem = onel.split("#")
	m10j [int(splititem[2])] = int(splititem[3])
mf.close()

nf = open("N_j_95.data",'r')
for onel in nf:
	splititem = onel.split("#")
	nj95 [int(splititem[1])] = int(splititem[3])
nf.close()

sum = 0;
for j in range(1,151):
	sum += m10j[j] * nj95[j]

print "[10,95] should be:" + str(sum)

print "compute with MR is:" + os.popen("grep ^10#95 Result.data").read()