每日博客

08．Mapreduce实例——倒排索引

实验目的

1.了解倒排索引的使用场景

2.准确理解倒排索引的设计原理

3.熟练掌握MapReduce倒排索引程序代码编写

实验原理

"倒排索引"是文档检索系统中最常用的数据结构，被广泛地应用于全文搜索引擎。它主要是用来存储某个单词（或词组）在一个文档或一组文档中的存储位置的映射，即提供了一种根据内容来查找文档的方式。由于不是根据文档来确定文档所包含的内容，而是进行相反的操作，因而称为倒排索引（Inverted Index）。

实现"倒排索引"主要关注的信息为：单词、文档URL及词频。

下面以本实验goods3、goods_visit3、order_items3三张表的数据为例，根据MapReduce的处理过程给出倒排索引的设计思路：

（1）Map过程

首先使用默认的TextInputFormat类对输入文件进行处理，得到文本中每行的偏移量及其内容。显然，Map过程首先必须分析输入的<key,value>对，得到倒排索引中需要的三个信息：单词、文档URL和词频，接着我们对读入的数据利用Map操作进行预处理，如下图所示：

 

这里存在两个问题：第一，<key,value>对只能有两个值，在不使用Hadoop自定义数据类型的情况下，需要根据情况将其中两个值合并成一个值，作为key或value值。第二，通过一个Reduce过程无法同时完成词频统计和生成文档列表，所以必须增加一个Combine过程完成词频统计。

这里将商品ID和URL组成key值（如"1024600：goods3"），将词频（商品ID出现次数）作为value，这样做的好处是可以利用MapReduce框架自带的Map端排序，将同一文档的相同单词的词频组成列表，传递给Combine过程，实现类似于WordCount的功能。

（2）Combine过程

经过map方法处理后，Combine过程将key值相同的value值累加，得到一个单词在文档中的词频，如下图所示。如果直接将下图所示的输出作为Reduce过程的输入，在Shuffle过程时将面临一个问题：所有具有相同单词的记录（由单词、URL和词频组成）应该交由同一个Reducer处理，但当前的key值无法保证这一点，所以必须修改key值和value值。这次将单词（商品ID）作为key值，URL和词频组成value值（如"goods3：1"）。这样做的好处是可以利用MapReduce框架默认的HashPartitioner类完成Shuffle过程，将相同单词的所有记录发送给同一个Reducer进行处理。

 

（3）Reduce过程

经过上述两个过程后，Reduce过程只需将相同key值的所有value值组合成倒排索引文件所需的格式即可，剩下的事情就可以直接交给MapReduce框架进行处理了。如下图所示

 

实验环境

Linux Ubuntu 14.04

jdk-7u75-linux-x64

hadoop-2.6.0-cdh5.4.5

hadoop-2.6.0-eclipse-cdh5.4.5.jar

eclipse-java-juno-SR2-linux-gtk-x86_64

实验内容

现有某电商网站的3张信息数据表，分别为商品库表goods3，商品访问情况表goods_visit3，订单明细表order_items3，goods表记录了商品的状态数据，goods_visit3记录了商品的点击情况，order_items3记录了用户购买的商品的信息数据，它们的表结构及内容如下：

goods3(goods_id,goods_status,cat_id,goods_score)

  1. 商品ID 商品状态 分类ID 评分  
  2. 1024600 6   52006   0  
  3. 1024593 1   52121   0  
  4. 1024592 1   52121   0  
  5. 1024590 1   52119   0  
  6. 1024589 1   52119   0  
  7. 1024588 1   52030   0  
  8. 1024587 1   52021   0  
  9. 1024586 1   52029   0  
  10. 1024585 1   52014   0  
  11. 1024584 1   52029   0  

goods_visit3(goods_id,click_num)

  1. 商品ID 商品点击次数  
  2. 1024600 2  
  3. 1024593 0  
  4. 1024592 0  
  5. 1024590 0  
  6. 1024589 0  
  7. 1024588 0  
  8. 1024587 0  
  9. 1024586 0  
  10. 1024585 0  
  11. 1024584 0  

order_items3(item_id,order_id,goods_id,goods_number,shop_price,goods_price,goods_amount)

  1. 明细ID 订单ID 商品ID 购买数据 商品销售价格 商品最终单价 商品金额  
  2. 251688  52107   1024600 1   31.6    31.6    15.8  
  3. 252165  52209   1024600 1   31.6    31.6    15.8  
  4. 251870  52146   1024481 1   15.6    15.6    7.8  
  5. 251935  52158   1024481 1   15.6    15.6    7.8  
  6. 252415  52264   1024480 1   69.0    69.0    69.0  
  7. 250983  51937   1024480 1   69.0    69.0    69.0  
  8. 252609  52299   1024480 1   69.0    69.0    69.0  
  9. 251689  52107   1024440 1   31.6    31.6    15.8  
  10. 239369  49183   1024256 1   759.0   759.0   759.0  
  11. 249222  51513   1024140 1   198.0   198.0   198.0  

想要查询goods_id相同的商品都在哪几张表并统计出现了多少次。

实验结果如下：

  1. 商品id 所在表名称：出现次数  
  2. 1024140 order_items3:1;  
  3. 1024256 order_items3:1;  
  4. 1024440 order_items3:1;  
  5. 1024480 order_items3:3;  
  6. 1024481 order_items3:2;  
  7. 1024584 goods3:1;goods_visit3:1;  
  8. 1024585 goods_visit3:1;goods3:1;  
  9. 1024586 goods3:1;goods_visit3:1;  
  10. 1024587 goods_visit3:1;goods3:1;  
  11. 1024588 goods3:1;goods_visit3:1;  
  12. 1024589 goods_visit3:1;goods3:1;  
  13. 1024590 goods3:1;goods_visit3:1;  
  14. 1024592 goods_visit3:1;goods3:1;  
  15. 1024593 goods3:1;goods_visit3:1;  
  16. 1024600 goods_visit3:1;goods3:1;order_items3:2;  

实验步骤

1.切换到/apps/hadoop/sbin目录下，开启Hadoop。

  1. cd /apps/hadoop/sbin  
  2. ./start-all.sh  

2.在Linux本地新建/data/mapreduce9目录。

  1. mkdir -p /data/mapreduce9  

3.在Linux中切换到/data/mapreduce9目录下，用wget命令从http://192.168.1.100:60000/allfiles/mapreduce9/goods3、http://192.168.1.100:60000/allfiles/mapreduce9/goods_visit3和http://192.168.1.100:60000/allfiles/mapreduce9/order_items3网址上下载文本文件goods3，goods_visit3，order_items3。

  1. cd /data/mapreduce9  
  2. wget http://192.168.1.100:60000/allfiles/mapreduce9/goods3  
  3. wget http://192.168.1.100:60000/allfiles/mapreduce9/goods_visit3  
  4. wget http://192.168.1.100:60000/allfiles/mapreduce9/order_items3  

然后在当前目录下用wget命令从http://192.168.1.100:60000/allfiles/mapreduce9/hadoop2lib.tar.gz网址上下载项目用到的依赖包。

  1. wget http://192.168.1.100:60000/allfiles/mapreduce9/hadoop2lib.tar.gz  

将hadoop2lib.tar.gz解压到当前目录下。

  1. tar zxvf hadoop2lib.tar.gz  

4.首先在HDFS上新建/mymapreduce9/in目录，然后将Linux本地/data/mapreduce9目录下的goods3，goods_visit3和order_items3文件导入到HDFS的/mymapreduce9/in目录中。

  1. hadoop fs -mkdir -p /mymapreduce9/in  
  2. hadoop fs -put /data/mapreduce9/goods3 /mymapreduce9/in  
  3. hadoop fs -put /data/mapreduce9/goods_visit3 /mymapreduce9/in  
  4. hadoop fs -put /data/mapreduce9/order_items3 /mymapreduce9/in  

5.新建Java Project项目，项目名为mapreduce9。

 

 

在mapreduce9项目下新建包，包名为mapreduce。

 

 

在mapreduce包下新建类，类名为MyIndex。

 

 

6.添加项目所需的jar包，右键单击项目名，新建一个文件夹，名为hadoop2lib，用于存放项目所需的jar包。

 

 

将/data/mapreduce9目录下，hadoop2lib目录中的jar包，拷贝到eclipse中mapreduce9项目的hadoop2lib目录下。

 

选中所有项目hadoop2lib目录下所有jar包，单击右键选择Build Path=>Add to Build Path。

 

7.编写Java代码，并描述其设计思路

Map代码

首先使用默认的TextInputFormat类对输入文件进行处理，得到文本中每行的偏移量及其内容。显然，Map过程首先必须分析输入的<key,value>对，得到倒排索引中需要的三个信息：单词、文档URL和词频，这里存在两个问题：第一，<key,value>对只能有两个值，在不使用Hadoop自定义数据类型的情况下，需要根据情况将其中两个值合并成一个值，作为key或value值。第二，通过一个Reduce过程无法同时完成词频统计和生成文档列表，所以必须增加一个Combine过程完成词频统计。

  1. public static class doMapper extends Mapper<Object, Text, Text, Text>{  
  2.         public static Text myKey = new Text();   // 存储单词和URL组合  
  3.         public static Text myValue = new Text();  // 存储词频  
  4.         //private FileSplit filePath;     // 存储Split对象  
  5.   
  6.         @Override   // 实现map函数  
  7.         protected void map(Object key, Text value, Context context)  
  8.                 throws IOException, InterruptedException {  
  9.             String filePath=((FileSplit)context.getInputSplit()).getPath().toString();  
  10.             if(filePath.contains("goods")){  
  11.                 String val[]=value.toString().split("\t");  
  12.                 int splitIndex =filePath.indexOf("goods");  
  13.                 myKey.set(val[0] + ":" + filePath.substring(splitIndex));  
  14.             }else if(filePath.contains("order")){  
  15.                 String val[]=value.toString().split("\t");  
  16.                 int splitIndex =filePath.indexOf("order");  
  17.                 myKey.set(val[2] + ":" + filePath.substring(splitIndex));  
  18.             }  
  19.             myValue.set("1");  
  20.             context.write(myKey, myValue);  
  21.         }  
  22.     }  

Combiner代码

经过map方法处理后，Combine过程将key值相同的value值累加，得到一个单词在文档中的词频。如果直接将输出作为Reduce过程的输入，在Shuffle过程时将面临一个问题：所有具有相同单词的记录（由单词、URL和词频组成）应该交由同一个Reducer处理，但当前的key值无法保证这一点，所以必须修改key值和value值。这次将单词作为key值，URL和词频组成value值。这样做的好处是可以利用MapReduce框架默认的HashPartitioner类完成Shuffle过程，将相同单词的所有记录发送给同一个Reducer进行处理。

  1. public static class doCombiner extends Reducer<Text, Text, Text, Text>{  
  2.         public static Text myK = new Text();  
  3.         public static Text myV = new Text();  
  4.   
  5.         @Override //实现reduce函数  
  6.         protected void reduce(Text key, Iterable<Text> values, Context context)  
  7.     throws IOException, InterruptedException {  
  8.     // 统计词频  
  9.     int sum = 0 ;  
  10.     for (Text value : values) {  
  11.     sum += Integer.parseInt(value.toString());  
  12.     }  
  13.     int mysplit = key.toString().indexOf(":");  
  14.     // 重新设置value值由URL和词频组成  
  15.     myK.set(key.toString().substring(0, mysplit));  
  16.     myV.set(key.toString().substring(mysplit + 1) + ":" + sum);  
  17.     context.write(myK, myV);  
  18.     }  
  19.     }  

Reduce代码

经过上述两个过程后，Reduce过程只需将相同key值的value值组合成倒排索引文件所需的格式即可，剩下的事情就可以直接交给MapReduce框架进行处理了。

  1. public static class doReducer extends Reducer<Text, Text, Text, Text>{  
  2.   
  3.         public static Text myK = new Text();  
  4.         public static Text myV = new Text();  
  5.   
  6.         @Override     // 实现reduce函数  
  7.         protected void reduce(Text key, Iterable<Text> values, Context context)  
  8.     throws IOException, InterruptedException {  
  9.     // 生成文档列表  
  10.     String myList = new String();  
  11.   
  12.     for (Text value : values) {  
  13.     myList += value.toString() + ";";  
  14.     }  
  15.     myK.set(key);  
  16.     myV.set(myList);  
  17.     context.write(myK, myV);  
  18.     }  
  19.     }  

完整代码

  1. package mapreduce;  
  2. import java.io.IOException;  
  3. import org.apache.hadoop.fs.Path;  
  4. import org.apache.hadoop.io.Text;  
  5. import org.apache.hadoop.mapreduce.Job;  
  6. import org.apache.hadoop.mapreduce.Mapper;  
  7. import org.apache.hadoop.mapreduce.Reducer;  
  8. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
  9. import org.apache.hadoop.mapreduce.lib.input.FileSplit;  
  10. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
  11. public class MyIndex {  
  12.     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {  
  13.         Job job = Job.getInstance();  
  14.         job.setJobName("InversedIndexTest");  
  15.         job.setJarByClass(MyIndex.class);  
  16.   
  17.         job.setMapperClass(doMapper.class);  
  18.         job.setCombinerClass(doCombiner.class);  
  19.         job.setReducerClass(doReducer.class);  
  20.   
  21.         job.setOutputKeyClass(Text.class);  
  22.         job.setOutputValueClass(Text.class);  
  23.   
  24.         Path in1 = new Path("hdfs://localhost:9000/mymapreduce9/in/goods3");  
  25.         Path in2 = new Path("hdfs://localhost:9000/mymapreduce9/in/goods_visit3");  
  26.         Path in3 = new Path("hdfs://localhost:9000/mymapreduce9/in/order_items3");  
  27.         Path out = new Path("hdfs://localhost:9000/mymapreduce9/out");  
  28.   
  29.         FileInputFormat.addInputPath(job, in1);  
  30.         FileInputFormat.addInputPath(job, in2);  
  31.         FileInputFormat.addInputPath(job, in3);  
  32.         FileOutputFormat.setOutputPath(job, out);  
  33.   
  34.         System.exit(job.waitForCompletion(true) ? 0 : 1);  
  35.     }  
  36.   
  37.     public static class doMapper extends Mapper<Object, Text, Text, Text>{  
  38.         public static Text myKey = new Text();  
  39.         public static Text myValue = new Text();  
  40.         //private FileSplit filePath;  
  41.   
  42.         @Override  
  43.         protected void map(Object key, Text value, Context context)  
  44.                 throws IOException, InterruptedException {  
  45.             String filePath=((FileSplit)context.getInputSplit()).getPath().toString();  
  46.             if(filePath.contains("goods")){  
  47.                 String val[]=value.toString().split("\t");  
  48.                 int splitIndex =filePath.indexOf("goods");  
  49.                 myKey.set(val[0] + ":" + filePath.substring(splitIndex));  
  50.             }else if(filePath.contains("order")){  
  51.                 String val[]=value.toString().split("\t");  
  52.                 int splitIndex =filePath.indexOf("order");  
  53.                 myKey.set(val[2] + ":" + filePath.substring(splitIndex));  
  54.             }  
  55.             myValue.set("1");  
  56.             context.write(myKey, myValue);  
  57.         }  
  58.     }  
  59.     public static class doCombiner extends Reducer<Text, Text, Text, Text>{  
  60.         public static Text myK = new Text();  
  61.         public static Text myV = new Text();  
  62.   
  63.         @Override  
  64.         protected void reduce(Text key, Iterable<Text> values, Context context)  
  65.     throws IOException, InterruptedException {  
  66.     int sum = 0 ;  
  67.     for (Text value : values) {  
  68.     sum += Integer.parseInt(value.toString());  
  69.     }  
  70.     int mysplit = key.toString().indexOf(":");  
  71.     myK.set(key.toString().substring(0, mysplit));  
  72.     myV.set(key.toString().substring(mysplit + 1) + ":" + sum);  
  73.     context.write(myK, myV);  
  74.     }  
  75.     }  
  76.   
  77.     public static class doReducer extends Reducer<Text, Text, Text, Text>{  
  78.   
  79.     public static Text myK = new Text();  
  80.     public static Text myV = new Text();  
  81.   
  82.     @Override  
  83.     protected void reduce(Text key, Iterable<Text> values, Context context)  
  84.         throws IOException, InterruptedException {  
  85.   
  86.         String myList = new String();  
  87.   
  88.         for (Text value : values) {  
  89.         myList += value.toString() + ";";  
  90.         }  
  91.         myK.set(key);  
  92.         myV.set(myList);  
  93.         context.write(myK, myV);  
  94.         }  
  95.         }  
  96.         }  

8.在MyIndex类文件中，右键并点击=>Run As=>Run on Hadoop选项，将MapReduce任务提交到Hadoop中。

 

9.待执行完毕后，进入命令模式下，在hdfs上从Java代码指定的路径中查看实验结果。

  1. hadoop fs -ls /mymapreduce9/out  
  2. hadoop fs -cat /mymapreduce9/out/part-r-00000  

实验结果如下图：

  1. 商品id 所在表名称：出现次数  
  2. 1024140 order_items3:1;  
  3. 1024256 order_items3:1;  
  4. 1024440 order_items3:1;  
  5. 1024480 order_items3:3;  
  6. 1024481 order_items3:2;  
  7. 1024584 goods3:1;goods_visit3:1;  
  8. 1024585 goods_visit3:1;goods3:1;  
  9. 1024586 goods3:1;goods_visit3:1;  
  10. 1024587 goods_visit3:1;goods3:1;  
  11. 1024588 goods3:1;goods_visit3:1;  
  12. 1024589 goods_visit3:1;goods3:1;  
  13. 1024590 goods3:1;goods_visit3:1;  
  14. 1024592 goods_visit3:1;goods3:1;  
  15. 1024593 goods3:1;goods_visit3:1;  
  16. 1024600 goods_visit3:1;goods3:1;order_items3:2;  

 

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/hfy717/p/15563675.html