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：------------- 
<"hello->a.txt", {1,1,1}> 
<"hello->b.txt", {1,1}> 
<"hello->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：----------------- 
<"hello", {"a.txt->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<LongWritable, Text, Text, LongWritable>{ 
    @Override 
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.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<Text, LongWritable, Text, LongWritable>{ 
    @Override 
    protected void reduce(Text key, Iterable<LongWritable> values, 
        Reducer<Text, LongWritable, Text, LongWritable>.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