MapReduce倒排索引概要

使用场景：主要用于索引，以提高搜索数据速度
例如百度搜索

运行环境：windows下VM虚拟机，centos系统，hadoop2.2.0，三节点 ，java 1.7
需要处理的数据为

求出每个索引所对应的包含索引的网址

package boke;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
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;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public class descSort extends Configured implements Tool{
//map任务主要是把每行数据切分，把索引作为key，网址作为vaule
    public static class Map extends
    Mapper<LongWritable,Text,Text,Text>
    {
        public void map(LongWritable key,Text value,Context context)throws InterruptedException,IOException
        {
            String[] lineSplit=value.toString().split(" ");
            context.write(new Text(lineSplit[0]), new Text(lineSplit[1]));
        }
    }
    //reudce阶段是把相同key（索引）的网址统一放到集合中，再统一输出
    public static class Reduce extends Reducer<Text,Text,Text,Text>
    {
        public void reduce(Text key,Iterable<Text> values,Context context)throws InterruptedException,IOException
        {
            StringBuffer sb =new StringBuffer();
            boolean sign=false;
            for(Text id : values)
            {
                if(sign)
                {
                    sign=true;
                }
                else
                {
                    sb.append(" ");
                }
                sb.append(id.toString());
                }
            context.write(key, new Text(sb.toString()));
        }
    }
    public int run(String[] args)throws Exception
    {
        Configuration conf=getConf();
        Job job=new Job(conf,"descSort");
        job.setJarByClass(descSort.class);
        job.setMapperClass(Map.class);
        job.setReducerClass(Reduce.class);
        //这里用了combiner可聚合每个map结果，减少reduce传输数据容量，从而优化性能
        job.setCombinerClass(Reduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        job.waitForCompletion(true);
        return job.isSuccessful()?1:0;
    }
    public static void main(String[] args)throws Exception
    {
        int rsa=ToolRunner.run(new Configuration(), new descSort(), args);
        System.exit(rsa);
    }
}

运行结果

注：combiner和reduce阶段对数据处理的方法相同，如
（1 ，wwww.adf.com）（1 ，www.ert.com）
在combiner阶段会合并成（1，wwww.adf.com www.ert.com）
map阶段结束后会把数据存在本地，reduce阶段把需要的数据通过网络传输到reduce节点本地，combiner可聚合map的结果，从而降低传输数据的大小，优化性能