- pagerank的介绍文章:
PageRank算法 - 老师给的实现代码:
思路:
1、定义收敛标准
每次算出新的new_pr-old_pr=差值 ,所有页面的差值累加 ,除以pagecount(网页数),得到avg差值 ,如果小于0.001,停止迭代。
2、计算总页面数,并且算出每个页面的初始pr值=1/pagecount
node:
package pagerank2;
import java.io.IOException;
import java.util.Arrays;
import org.apache.commons.lang.StringUtils;
public class Node {
private double pageRank=1.0;//初始pagerank值
private String[] adjacentNodeNames;//邻接节点数组
public static final char filedSeparator='\t';
public double getPageRank() {
return pageRank;
}
public Node setPageRank(double pageRank) {
this.pageRank = pageRank;
return this;
}
public String[] getAdjacentNodeNames() {
return adjacentNodeNames;
}
public Node setAdjacentNodeNames(String[] adjacentNodeNames) {
this.adjacentNodeNames = adjacentNodeNames;
return this;
}
//判断是否有邻接节点
public boolean containsAdjacentNodes() {
return adjacentNodeNames!=null&&adjacentNodeNames.length>0;
}
@Override
public String toString(){ //pagerank值 节点X 节点Y 形式
StringBuilder sb=new StringBuilder();
sb.append(pageRank); //第一个节点前有一个pagerank值
if (getAdjacentNodeNames()!=null) {
sb.append(filedSeparator).append(StringUtils.join(getAdjacentNodeNames(),filedSeparator));
}
return sb.toString();
}
//value=1.0 B D
//fromMR将value封装成Node对象
public static Node fromMR(String value) throws IOException{
String[] parts=StringUtils.splitPreserveAllTokens(value,filedSeparator);
if (parts.length<1) {
throw new IOException("Expected 1 or more parts but received"+parts.length);
}
//如果只有一个pagerank值
Node node=new Node().setPageRank(Double.valueOf(parts[0]));
//如果有一个pagerank值和后面的邻接节点
if (parts.length>1) {
node.setAdjacentNodeNames(Arrays.copyOfRange(parts, 1, parts.length));
}
return node;
}
}
注意点:
-
在node中的toString格式是:
pagerank值 节点X 节点Y
且node的作用是将mapper中的value封装A:B D
A页面的出链为B和D则第一次A的node为:
1.0 B D
job:
package pagerank2;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class PageRankJob {
public static enum MyCounter {//任意定义一个枚举类型
my
}
public static void main(String[] args) {
Configuration config=new Configuration();
double error=0.001;
int i=0;
while (true) {
i++;
config.setInt("runCount", i);//runCount为迭代次数
try {
FileSystem fs=FileSystem.get(config);
Job job =Job.getInstance(config);
job.setJarByClass(PageRankJob.class);
job.setJobName("pr"+i);
job.setMapperClass(PageRankMapper.class);
job.setReducerClass(PageRankReducer.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setInputFormatClass(KeyValueTextInputFormat.class);
Path inputPath =new Path("hdfs://hadoop1:9000/input/pagerank.txt");
if(i>1){
inputPath =new Path("hdfs://hadoop1:9000/output_pagerank/pagerank" + (i - 1));
}
FileInputFormat.addInputPath(job, inputPath);
Path outpath =new Path("hdfs://hadoop1:9000/output_pagerank/pagerank"+i);
if(fs.exists(outpath)){
fs.delete(outpath, true);
}
FileOutputFormat.setOutputPath(job, outpath);
boolean f= job.waitForCompletion(true);
if(f){
System.out.println("success.");
long sum= job.getCounters().findCounter(MyCounter.my).getValue();
//所有节点pagerank差值的和
System.out.println(sum);
double avgd= sum/4000.0;
if(avgd<error){
break;
}
}
} catch (IOException | ClassNotFoundException | InterruptedException e) {
e.printStackTrace();
}
}
}
}
mapper:
package pagerank2;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class PageRankMapper extends Mapper<Text, Text, Text, Text>{
//map输入形式:key=第一个节点 value=第一个节点的pagerank值和后面的邻接节点
//map输出形式分两种情况:
//若节点为第一个节点则为:key->第一个节点 value->第一个节点的pagerank值和后面的邻接节点
//若节点为第一个节点的邻接节点则为:key=每个节点 value=每个节点的pagerank值
@Override
protected void map(Text key, Text value, Context context)
throws IOException, InterruptedException {
int runCount=context.getConfiguration().getInt("runCount", 1);
//取runCount的值,没取到就默认为1
String page=key.toString();//key为每行的第一个节点
//每行第一个字符串为Key如A,后面为A的pagerank+agjacentNodeNames组成value值
Node node=null;
//初始value为1.0 B D形式
if (runCount==1) {
node=Node.fromMR("1.0"+"\t"+value.toString());
}else {//后面value为1.2 B D形式,1.2为后面计算的A的pagerank值
node=Node.fromMR(value.toString());
}
//输出每行第一个节点和其pagerank值及该节点的邻接节点
//即key=A,value=1.2 B C
context.write(new Text(page), new Text(node.toString()));
//如果第一个节点有邻接节点,继续输出
//对
if (node.containsAdjacentNodes()) {
double outVlaue=node.getPageRank()/node.getAdjacentNodeNames().length;
for(int i=0;i<node.getAdjacentNodeNames().length;i++){//遍历邻接节点
String outPage=node.getAdjacentNodeNames()[i];
context.write(new Text(outPage), new Text(outVlaue+""));
//如:B:0.5 D:0.5形式
}
}
}
}
reducer:
package pagerank2;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.xerces.dom3.as.NodeEditAS;
public class PageRankReducer extends Reducer<Text, Text, Text, Text>{
@Override
protected void reduce(Text arg0, Iterable<Text> arg1, Context arg2)
throws IOException, InterruptedException {
double sum=0.0;
Node sourceNode=null;
//这里分组是相同节点为一组
for (Text i:arg1) {
Node node=Node.fromMR(i.toString());//将mapper输出的两种类型的value转为node类型
if (node.containsAdjacentNodes()) {
sourceNode=node; //sourceNode有上一次计算时的每行第一个节点的pagerank值
}else{ //就是B:0.5的形式,i就是0.5
sum=sum+node.getPageRank(); //相同节点pagerank值的加权和
}
}
// 这个是修正后的公式
double newPR=(0.15/4)+(0.85*sum);
System.out.println("*********** new pageRank value is "+newPR);
//把新的pr值和计算之前的pr比较
double d=newPR-sourceNode.getPageRank(); //计算一个节点的PageRank差值
int j=(int)(d*1000.0); //差值j变成整数,因为increment要求参数为long型整数
//乘1000是因为精度为0.001
j=Math.abs(j);
//System.out.println(j+"___________");
arg2.getCounter(MyCounter.my).increment(j); //mapreduce计数器
sourceNode.setPageRank(newPR); //将上一次计算节点的pagerank值更新
arg2.write(arg0, new Text(sourceNode.toString()));
//Reducer输出形式为 节点 pagerank值 邻接节点
}
}
老师参考的应该是这篇:
一个PageRank算法的MapReduce实现案例