MR案例之倒排索引TF-IDF

MR案例之倒排索引

简介：

"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）。

详情描述

通常情况下，倒排索引由一个单词（或词组）以及相关的文档列表组成，文档列表中的文档或者是标识文档的ID号，或者是指文档所在位置的URL

更复杂的权重还可能要记录单词在多少个文档中出现过，以实现TF-IDF（Term Frequency-Inverse Document Frequency）算法，或者考虑单词在文档中的位置信息（单词是否出现在标题中，反映了单词在文档中的重要性）等。

设计思路：

实现"倒排索引"只要关注的信息为：单词、文档URL及词频，如图3-11所示。但是在实现过程中，索引文件的格式与图6.1-3会略有所不同，以避免重写OutPutFormat类。下面根据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，如图6.2-1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。这里讲单词和URL组成key值（如"MapReduce：file1.txt"），将词频作为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在文档中的词频，如图6.2-2所示。如果直接将图6.2-2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。这次将单词作为key值，URL和词频组成value值（如"file1.txt：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。如图6.2-3所示。索引文件的内容除分隔符外与图6.1-3解释相同。

4）需要解决的问题本实例设计的倒排索引在文件数目上没有限制，但是单词文件不宜过大（具体值与默认HDFS块大小及相关配置有关），要保证每个文件对应一个split。否则，由于Reduce过程没有进一步统计词频，最终结果可能会出现词频未统计完全的单词。可以通过重写InputFormat类将每个文件为一个split，避免上述情况。或者执行两次MapReduce，第一次MapReduce用于统计词频，第二次MapReduce用于生成倒排索引。除此之外，还可以利用复合键值对等实现包含更多信息的倒排索引。

具体实现：

tf1.txt

MapReduce is simple

tf2.txt

MapReduce is powerful is simple

tf3.txt

Hello MapReduce bye MapReduce

上传数据文件到HDFS上

[root@node1 ~]# hadoop fs -mkdir -p /usr/matrix/input/inverIndex/[root@node1 ~]# cd /opt/modules/hadoop-2.5.1/data[root@node1 data]# hadoop fs -put tf1.txt /usr/matrix/input/inverIndex/[root@node1 data]# hadoop fs -put tf2.txt /usr/matrix/input/inverIndex/[root@node1 data]# hadoop fs -put tf3.txt /usr/matrix/input/inverIndex/[root@node1 data]# hadoop fs -ls /usr/matrix/input/inverIndex

InvertedIndexMapper.java

package com.matrix.InverseIndex;import java.io.IOException;import java.util.StringTokenizer;import javax.xml.crypto.dsig.keyinfo.KeyValue;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper;import org.apache.hadoop.mapreduce.lib.input.FileSplit;/** * 倒序索引 *  * InvertedIndexMapper<BR> * 创建人:Matrix <BR> * 时间：2016年3月24日-下午8:55:52 <BR> *  * @version 1.0.0 * */public class InvertedIndexMapper extends Mapper<Object, Text, Text, Text> {    // map要完成的任务：将输入的<key,Value>,转换成如下格式    // MapReduce：file1.txt 1    private Text keyInfo = new Text(); // 存储单词和URL组合    private Text valueInfo = new Text(); // 存储词频    private FileSplit split; // 存储Split对象    @Override    protected void map(Object key, Text value, Context context) throws IOException, InterruptedException {        // 获取<key,value>对所属的split的对象        split = (FileSplit) context.getInputSplit();        System.out.println(value.toString());        StringTokenizer itr = new StringTokenizer(value.toString());        while (itr.hasMoreTokens()) {            // key值由单词和url组成，如：MapReduce：file1.txt            // 获取文件的完整路径            int splitIndex = split.getPath().toString().indexOf("tf");            System.out.println(splitIndex);            System.out.println(split.getPath().toString());            keyInfo.set(itr.nextToken() + ":" + split.getPath().toString().substring(splitIndex));            valueInfo.set("1");            context.write(keyInfo, valueInfo);        }    }}

InverseIndexCombine.java

package com.matrix.InverseIndex;import java.io.IOException;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;public class InverseIndexCombine extends Reducer<Text, Text, Text, Text> {    // Combine阶段：统计词频,输入<key,value>形式：MapReduce：file1.txt 1    // key:MapReduce：file1.txt value:1    private Text info = new Text();    @Override    protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {        // 统计词频        int sum = 0;        for (Text value : values) {            System.out.println("combine:" + value.toString());            sum += Integer.parseInt(value.toString());            int splitIndex = key.toString().indexOf(":");            System.out.println("combine splitIndex:" + splitIndex);            System.out.println("combine splitIndex :" + key.toString().substring(splitIndex + 1));            // 重新设置value值由URL和词频组成            info.set(key.toString().substring(splitIndex + 1) + ":" + sum);            System.out.println("combine 单词 :" + key.toString().substring(0, splitIndex));            // 重新设置key值为单词            key.set(key.toString().substring(0, splitIndex));            context.write(key, info);        }    }}

InverseIndexReducer.java

package com.matrix.InverseIndex;import java.io.IOException;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;public class InverseIndexReducer extends Reducer<Text, Text, Text, Text> {    private Text result = new Text();    // 实现reduce函数    @Override    protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {        // 生成文档列表        String fileList = new String();        for (Text value : values) {            fileList += value.toString() + ";";        }        System.out.println("fileList:" + fileList);        result.set(fileList);        context.write(key, result);    }}

InverseIndexTest.java

package com.matrix.InverseIndex;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.output.FileOutputFormat;public class InverseIndexTest {    public static void main(String[] args) throws Exception {        Configuration conf = new Configuration();        conf.set("fs.defaultFS", "hdfs://node1:8020");        FileSystem fs = FileSystem.get(conf);        Job job = Job.getInstance(conf);        job.setJarByClass(InverseIndexTest.class);        job.setMapperClass(InvertedIndexMapper.class);        job.setCombinerClass(InverseIndexCombine.class);        job.setReducerClass(InverseIndexReducer.class);        // 设置Mapper输出类型        job.setMapOutputKeyClass(Text.class);        job.setMapOutputValueClass(Text.class);        // 设置reducer输出类型        job.setOutputKeyClass(Text.class);        job.setOutputValueClass(Text.class);        FileInputFormat.setInputPaths(job, "/usr/matrix/input/inverIndex");        Path outer = new Path("/usr/matrix/output/inverIndex/");        if (fs.exists(outer)) {            fs.delete(outer, true);        }        FileOutputFormat.setOutputPath(job, outer);        boolean f = job.waitForCompletion(true);        if (f) {            System.out.println("程序执行成功！");        }    }}

运行结果：

MapReduce is simple
46
hdfs://node1:8020/usr/matrix/input/inverIndex/tf1.txt
46
hdfs://node1:8020/usr/matrix/input/inverIndex/tf1.txt
46
hdfs://node1:8020/usr/matrix/input/inverIndex/tf1.txt
combine:1
combine splitIndex:9
combine splitIndex :tf1.txt
combine 单词 :MapReduce
combine:1
combine splitIndex:2
combine splitIndex :tf1.txt
combine 单词 :is
combine:1
combine splitIndex:6
combine splitIndex :tf1.txt
combine 单词 :simple