MapReduce實現倒排索引

需求: 爲a, b, c 3個文本文件中的單詞建倒排索引

輸出格式: <word,"a:2,b:3,c:1">

a:

hello world
hello hadoop
hello world

b:

spark hadoop
hello hadoop
world hadoop

c:

spark world
hello world
hello spark

map階段

context.write("hello:a","1")
context.write("hello:a","1")
context.write("hello:a","1")

map階段輸出: <"hello:a",{1,1,1}>

combine階段

context.write("hello","a:3");
context.write("hello","b:1");
context.write("hello","c:2");

combine階段輸出: <"hello",{"a:3","b:1","c:2"}>

reduce階段

context.write("hello","a:3,b:1,c:2");

reduce階段輸出: <"hello","a:3,b:1,c:2">

定義Mapper類, 該類繼承org.apache.hadoop.mapreduce.Mapper

並重寫map()方法

public class IIMapper extends Mapper<LongWritable, Text, Text, Text> {
  @Override
  protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   String line = value.toString();
   String[] words = StringUtils.split(line, " ");
   // 從context中獲取文件切片inputSplit
   FileSplit inputSplit = (FileSplit) context.getInputSplit();
   // 從inputSplit中獲取文件的絕對路徑path
   String path = inputSplit.getPath().toString();
   int index = path.lastIndexOf("/");
   // 從path中截取文件名
   String fileName = path.substring(index + 1);
   for (String word : words) {
    context.write(new Text(word + ":" + fileName), new Text("1"));
   }
   // map輸出結果 <"hello:a",{1,1,1}>
  }
 }

定義Combiner類, 該類繼承org.apache.hadoop.mapreduce.Reducer

combine階段是map階段和reduce階段的中間過程

並重寫reduce()方法

 public class IICombiner extends Reducer<Text, Text, Text, Text> {
  @Override
  protected void reduce(Text key, Iterable<Text> values, Context context)
    throws IOException, InterruptedException {
   String[] data = key.toString().split(":");
   String word = data[0];
   String fileName = data[1];
   int count = 0;
   for (Text value : values) {
    count += Integer.parseInt(value.toString());
   }
   context.write(new Text(word), new Text(fileName + ":" + count));
   // combine輸出結果 <"hello",{"a:3","b:1","c:2"}>
  }
 }

定義Reducer類, 該類繼承org.apache.hadoop.mapreduce.Reducer

並重寫reduce()方法

 public class IIReducer extends Reducer<Text, Text, Text, Text> {
  @Override
  protected void reduce(Text key, Iterable<Text> values, Context context)
    throws IOException, InterruptedException {
   StringBuilder sb = new StringBuilder();
   for (Text value : values) {
    sb.append(value.toString() + "\t");
   }
   context.write(key, new Text(sb.toString()));
   // reduce輸出結果 <"hello","a:3,b:1,c:2">
  }
 }

測試倒排索引

 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
  Job job = Job.getInstance(new Configuration());
  job.setJarByClass(InverseIndexRunner.class);    // 設置job的主類
  job.setMapperClass(IIMapper.class);    // 設置Mapper類
  job.setCombinerClass(IICombiner.class);    // 設置Combiner類
  job.setReducerClass(IIReducer.class);    // 設置Reducer類
  job.setMapOutputKeyClass(Text.class);    // 設置map階段輸出Key的類型
  job.setMapOutputValueClass(Text.class);    // 設置map階段輸出Value的類型
  job.setOutputKeyClass(Text.class);    // 設置reduce階段輸出Key的類型
  job.setOutputValueClass(Text.class);    // 設置reduce階段輸出Value的類型
  // 設置job輸入路徑(從main方法參數args中獲取)
  FileInputFormat.setInputPaths(job, new Path(args[0]));
  // 設置job輸出路徑(從main方法參數args中獲取)
  FileOutputFormat.setOutputPath(job, new Path(args[1]));
  job.waitForCompletion(true);    // 提交job
 }

job輸出的結果文件:

hadoop    a:1 b:3 hello    b:1 c:2 a:3 spark    b:1 c:2 world    c:2 b:1 a:2