hadoopmr实例_Hadoop编程基于MR程序实现倒排索引示例

相信接触过搜索引擎开发的同学对倒排索引并不陌生，谷歌、百度等搜索引擎都是用的倒排索引，关于倒排索引的有关知识，这里就不再深入讲解，有兴趣的同学到网上了解一下。这篇博文就带着大家一起学习下如何利用Hadoop的MR程序来实现倒排索引的功能。

一、数据准备

1、输入文件数据

这里我们准备三个输入文件，分别如下所示

a.txt

hello tom

hello jerry

hello tom

b.txt

hello jerry

hello jerry

tom jerry

c.txt

hello jerry

hello tom

2、最终输出文件数据

最终输出文件的结果为：

[plain] view plain copy

hello c.txt-->2 b.txt-->2 a.txt-->3

jerry c.txt-->1 b.txt-->3 a.txt-->1

tom c.txt-->1 b.txt-->1 a.txt-->2

二、倒排索引过程分析

根据输入文件数据和最终的输出文件结果可知，此程序需要利用两个MR实现，具体流程可总结归纳如下：

-------------第一步Mapper的输出结果格式如下：--------------------

context.wirte("hello->a.txt", "1")

context.wirte("hello->a.txt", "1")

context.wirte("hello->a.txt", "1")

context.wirte("hello->b.txt", "1")

context.wirte("hello->b.txt", "1")

context.wirte("hello->c.txt", "1")

context.wirte("hello->c.txt", "1")

-------------第一步Reducer的得到的输入数据格式如下：-------------

a.txt", {1,1,1}>

b.txt", {1,1}>

c.txt", {1,1}>

-------------第一步Reducer的输出数据格式如下---------------------

context.write("hello->a.txt", "3")

context.write("hello->b.txt", "2")

context.write("hello->c.txt", "2")

-------------第二步Mapper得到的输入数据格式如下：-----------------

context.write("hello->a.txt", "3")

context.write("hello->b.txt", "2")

context.write("hello->c.txt", "2")

-------------第二步Mapper输出的数据格式如下：--------------------

context.write("hello", "a.txt->3")

context.write("hello", "b.txt->2")

context.write("hello", "c.txt->2")

-------------第二步Reducer得到的输入数据格式如下：-----------------

3", "b.txt->2", "c.txt->2"}>

-------------第二步Reducer输出的数据格式如下：-----------------

context.write("hello", "a.txt->3 b.txt->2 c.txt->2")

最终结果为：

hello a.txt->3 b.txt->2 c.txt->2

三、程序开发

3.1、第一步MR程序与输入输出

package com.lyz.hdfs.mr.ii;

import java.io.IOException;

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.conf.Configuration;

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.input.FileSplit;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**

* 倒排索引第一步Map Reduce程序,此处程序将所有的Map/Reduce/Runner程序放在一个类中

* @author liuyazhuang

*

*/

public class InverseIndexStepOne {

/**

* 完成倒排索引第一步的mapper程序

* @author liuyazhuang

*

*/

public static class StepOneMapper extends Mapper{

@Override

protected void map(LongWritable key, Text value, Mapper.Context context)

throws IOException, InterruptedException {

//获取一行数据

String line = value.toString();

//切分出每个单词

String[] fields = StringUtils.split(line, " ");

//获取数据的切片信息

FileSplit fileSplit = (FileSplit) context.getInputSplit();

//根据切片信息获取文件名称

String fileName = fileSplit.getPath().getName();

for(String field : fields){

context.write(new Text(field + "-->" + fileName), new LongWritable(1));

}

}

}

/**

* 完成倒排索引第一步的Reducer程序

* 最终输出结果为：

* hello-->a.txt 3

hello-->b.txt 2

hello-->c.txt 2

jerry-->a.txt 1

jerry-->b.txt 3

jerry-->c.txt 1

tom-->a.txt 2

tom-->b.txt 1

tom-->c.txt 1

* @author liuyazhuang

*

*/

public static class StepOneReducer extends Reducer{

@Override

protected void reduce(Text key, Iterable values,

Reducer.Context context) throws IOException, InterruptedException {

long counter = 0;

for(LongWritable value : values){

counter += value.get();

}

context.write(key, new LongWritable(counter));

}

}

//运行第一步的MR程序

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

Configuration conf = new Configuration();

Job job = Job.getInstance(conf);

job.setJarByClass(InverseIndexStepOne.class);

job.setMapperClass(StepOneMapper.class);

job.setReducerClass(StepOneReducer.class);

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(LongWritable.class);

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(LongWritable.class);

FileInputFormat.addInputPath(job, new Path("D:/hadoop_data/ii"));

FileOutputFormat.setOutputPath(job, new Path("D:/hadoop_data/ii/result"));

job.waitForCompletion(true);

}

}

3.1.1 输入数据

a.txt

hello tom

hello jerry

hello tom

b.txt

hello jerry

hello jerry

tom jerry

c.txt

hello jerry

hello tom

3.1.2

输出结果：

hello-->a.txt 3

hello-->b.txt 2

hello-->c.txt 2

jerry-->a.txt 1

jerry-->b.txt 3

jerry-->c.txt 1

tom-->a.txt 2

tom-->b.txt 1

tom-->c.txt 1

3.2 第二步MR程序与输入输出

package com.lyz.hdfs.mr.ii;

import java.io.IOException;

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.conf.Configuration;

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;

/**

* 倒排索引第二步Map Reduce程序,此处程序将所有的Map/Reduce/Runner程序放在一个类中

* @author liuyazhuang

*

*/

public class InverseIndexStepTwo {

/**

* 完成倒排索引第二步的mapper程序

*

* 从第一步MR程序中得到的输入信息为：

* hello-->a.txt 3

hello-->b.txt 2

hello-->c.txt 2

jerry-->a.txt 1

jerry-->b.txt 3

jerry-->c.txt 1

tom-->a.txt 2

tom-->b.txt 1

tom-->c.txt 1

* @author liuyazhuang

*

*/

public static class StepTwoMapper extends Mapper{

@Override

protected void map(LongWritable key, Text value, Mapper.Context context)

throws IOException, InterruptedException {

String line = value.toString();

String[] fields = StringUtils.split(line, "\t");

String[] wordAndFileName = StringUtils.split(fields[0], "-->");

String word = wordAndFileName[0];

String fileName = wordAndFileName[1];

long counter = Long.parseLong(fields[1]);

context.write(new Text(word), new Text(fileName + "-->" + counter));

}

}

/**

* 完成倒排索引第二步的Reducer程序

* 得到的输入信息格式为:

* 3", "b.txt->2", "c.txt->2"}>,

* 最终输出结果如下：

* hello c.txt-->2 b.txt-->2 a.txt-->3

jerry c.txt-->1 b.txt-->3 a.txt-->1

tom c.txt-->1 b.txt-->1 a.txt-->2

* @author liuyazhuang

*

*/

public static class StepTwoReducer extends Reducer{

@Override

protected void reduce(Text key, Iterable values, Reducer.Context context)

throws IOException, InterruptedException {

String result = "";

for(Text value : values){

result += value + " ";

}

context.write(key, new Text(result));

}

}

//运行第一步的MR程序

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

Configuration conf = new Configuration();

Job job = Job.getInstance(conf);

job.setJarByClass(InverseIndexStepTwo.class);

job.setMapperClass(StepTwoMapper.class);

job.setReducerClass(StepTwoReducer.class);

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(Text.class);

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(Text.class);

FileInputFormat.addInputPath(job, new Path("D:/hadoop_data/ii/result/part-r-00000"));

FileOutputFormat.setOutputPath(job, new Path("D:/hadoop_data/ii/result/final"));

job.waitForCompletion(true);

}

}

3.2.1 输入数据

hello-->a.txt 3

hello-->b.txt 2

hello-->c.txt 2

jerry-->a.txt 1

jerry-->b.txt 3

jerry-->c.txt 1

tom-->a.txt 2

tom-->b.txt 1

tom-->c.txt 1

3.2.2 输出结果

hello c.txt-->2 b.txt-->2 a.txt-->3

jerry c.txt-->1 b.txt-->3 a.txt-->1

tom c.txt-->1 b.txt-->1 a.txt-->2

总结

以上就是本文关于Hadoop编程基于MR程序实现倒排索引示例的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站：Hadoop对文本文件的快速全局排序实现方法及分析、hadoop重新格式化HDFS步骤解析、浅谈七种常见的Hadoop和Spark项目案例等，有什么问题可以直接留言，小编会及时回复大家的。感谢朋友们对本站的支持！