[置顶] MapReduce 编程之 倒排索引

本文调试环境： ubuntu 10.04 , hadoop-1.0.2

hadoop装的是伪分布模式，就是只有一个节点，集namenode, datanode, jobtracker, tasktracker...于一体。

本文实现了简单的倒排索引，单词，文档路径，词频，重要的解释都会在代码注视中。

第一步，启动hadoop, 开发环境主要是用eclipse. 在本地文件系统中新建三个文本文档作为数据源：并且上传到HDFS文件系统上：

如上图，在HDFS上新建了一个输入路径文件夹：input1,此路径将会作为后面程序的输入参数；

如果你打开了eclipse，你同样会在DFSLocation中看到此目录文件信息：

好了，然后开始写代码吧，代码的详细解释，你可以在刘鹏老师的hadoop实战中第三章找到：

import java.io.IOException;
import java.util.StringTokenizer;

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.input.FileSplit;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;


public class InvertedIndex {

	// Map过程
	public static class InvertedIndexMapper extends
			Mapper<Object, Text, Text, Text>{
		
		private Text keyInfo = new Text();
		private Text valueInfo = new Text();
		private FileSplit split;
		
		public void map(Object key, Text value, Context context) 
				throws IOException, InterruptedException{
			
			//获得<key,value>对所属的FileSplit对象
			split = (FileSplit)context.getInputSplit();
			
			StringTokenizer itr = new StringTokenizer(value.toString());
			
			while(itr.hasMoreTokens()){
				//key值由单词和文档URL组成，如：word:filename.txt
				//至于为什么采用这样的格式，因为可以利用MapRedeuce框架自带的Map端排序
				keyInfo.set(itr.nextToken() + ":" + split.getPath().toString());
				//初始词频为1
				valueInfo.set("1");
				context.write(keyInfo, valueInfo);
			}
		}
	}
	
	//Combine 过程
	public static class InvertedIndexCombiner extends 
			Reducer<Text, Text, Text, Text>{
		
		private Text info= new Text();
		
		public void reduce(Text key, Iterable<Text> values, Context context)
				throws IOException, InterruptedException{
			
			int sum = 0;
			for(Text value : values){
				sum += Integer.parseInt(value.toString());
			}
			
			int splitIndex = key.toString().indexOf(":");
			//现在value由如下格式组成：文档URL：词频，为保证在Shuffle过程的key 值相同，这样才能
			//哈希到同一个reducer.
			info.set(key.toString().substring(splitIndex + 1) + ":" + sum);
			
			//key由单词组成
			key.set(key.toString().substring(0, splitIndex));
			context.write(key, info);
		}
	}
	
	//Reducer过程
	public static class InvertedIndexReducer extends
			Reducer<Text, Text, Text, Text>{
		
		private Text result = new Text();
		
		//				 输入端键值       value格式是一个列表,进入Reducer的key是经过排序的，因为相同的key则产生了一个列表{values}
		public void reduce(Text key, Iterable<Text> values, Context context)
				throws IOException, InterruptedException{
			
			
			String fileList = new String();
			for(Text value : values){
				fileList += value.toString() + ";";
			}
			//合并每个单词的所有values
			result.set(fileList);
			
			context.write(key, result);
		}
	}
		
	
	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("args is wrong!");
		    System.exit(2);
		}
		
		Job job = new Job(conf, "InvertedIndex");
		job.setJarByClass(InvertedIndex.class);
		
		job.setMapperClass(InvertedIndexMapper.class);
		
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(Text.class);
		
		job.setCombinerClass(InvertedIndexCombiner.class);
		
		job.setReducerClass(InvertedIndexReducer.class);
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(Text.class);
		
		//程序添加的两个参数指定输入输出文件路径
		FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
		FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
		
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}

}

注意新建的不是JAVA工程哦，是M-R工程，还要注意输出目录路径在程序运行之前不应该存在，此处我指定为output1

在运行配置里，输入两个参数，即输入路径和输出路径。

运行时你将会看到如此信息：

运行结束后你将在你的HDFS文件系统上的output1 文件夹下看到程序的执行结果：

这就是正确的结果了，统计出每个单词出现的文档路径及词频数。一个简单的M-P编程是列就是这样子了的。

笔者刚开始学习hadoop，欢迎交流，如有错误，恳请指出。