1 反向索引
1.1 反向索引
"反向索引"是文檔檢索系統中最常用的資料結構,被廣泛地應用于全文搜尋引擎。它主要是用來存儲某個單詞(或詞組)在一個文檔或一組文檔中的存儲位置的映射,即提供了一種根據内容來查找文檔的方式。由于不是根據文檔來确定文檔所包含的内容,而是進行相反的操作,因而稱為反向索引(Inverted Index)。
1.2 應用場景
通常情況下,反向索引由一個單詞(或詞組)以及相關的文檔清單組成,文檔清單中的文檔或者是辨別文檔的ID号,或者是指文檔所在位置的URL,如圖6.1-1所示。
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIyZuBnL4UzM5gDN5MzMxQDM2AjMxAjMvwlNwITMwIzLclGcwITNhlGevwVbvN2Xzd2bsJmbj9CXt92YuM3ZvxmYuNmLzV2Zh1Wavw1LcpDc0RHaiojIsJye.png)
從上圖可以看出,單詞1出現在{文檔1,文檔4,文檔13,……}中,單詞2出現在{文檔3,文檔5,文檔15,……}中,而單詞3出現在{文檔1,文檔8,文檔20,……}中。在實際應用中,還需要給每個文檔添加一個權值,用來指出每個文檔與搜尋内容的相關度,如下圖所示。
最常用的是使用詞頻作為權重,即記錄單詞在文檔中出現的次數。以英文為例,如下圖所示,索引檔案中的"MapReduce"一行表示:"MapReduce"這個單詞在文本T0中出現過1次,T1中出現過1次,T2中出現過2次。當搜尋條件為"MapReduce"、"is"、"Simple"時,對應的集合為:{T0,T1,T2}∩{T0,T1}∩{T0,T1}={T0,T1},即文檔T0和T1包含了所要索引的單詞,而且隻有T0是連續的。
更複雜的權重還可能要記錄單詞在多少個文檔中出現過,以實作TF-IDF(Term Frequency-Inverse Document Frequency)算法,或者考慮單詞在文檔中的位置資訊(單詞是否出現在标題中,反映了單詞在文檔中的重要性)等。
1.3 設計思路
實作"反向索引"隻要關注的資訊為:單詞、文檔URL及詞頻,如圖3-11所示。但是在實作過程中,索引檔案的格式與圖6.1-3會略有所不同,以避免重寫OutPutFormat類。下面根據MapReduce的處理過程給出反向索引的設計思路。
1)Map過程
首先使用預設的TextInputFormat類對輸入檔案進行處理,得到文本中每行的偏移量及其内容。顯然,Map過程首先必須分析輸入的<key,value>對,得到反向索引中需要的三個資訊:單詞、文檔URL和詞頻,如下圖所示。
這裡存在兩個問題:第一,<key,value>對隻能有兩個值,在不使用Hadoop自定義資料類型的情況下,需要根據情況将其中兩個值合并成一個值,作為key或value值;第二,通過一個Reduce過程無法同時完成詞頻統計和生成文檔清單,是以必須增加一個Combine過程完成詞頻統計。
這裡講單詞和URL組成key值(如"MapReduce:file1.txt"),将詞頻作為value,這樣做的好處是可以利用MapReduce架構自帶的Map端排序,将同一文檔的相同單詞的詞頻組成清單,傳遞給Combine過程,實作類似于WordCount的功能。
2)Combine過程
經過map方法處理後,Combine過程将key值相同的value值累加,得到一個單詞在文檔中的詞頻,如下圖所示。如果直接将下圖所示的輸出作為Reduce過程的輸入,在Shuffle過程時将面臨一個問題:所有具有相同單詞的記錄(由單詞、URL和詞頻組成)應該交由同一個Reducer處理,但目前的key值無法保證這一點,是以必須修改key值和value值。這次将單詞作為key值,URL和詞頻組成value值(如"file1.txt:1")。這樣做的好處是可以利用MapReduce架構預設的HashPartitioner類完成Shuffle過程,将相同單詞的所有記錄發送給同一個Reducer進行處理。
3)Reduce過程
經過上述兩個過程後,Reduce過程隻需将相同key值的value值組合成反向索引檔案所需的格式即可,剩下的事情就可以直接交給MapReduce架構進行處理了。如下圖所示:
4)需要解決的問題
本執行個體設計的反向索引在檔案數目上沒有限制,但是單詞檔案不宜過大(具體值與預設HDFS塊大小及相關配置有關),要保證每個檔案對應一個split。否則,由于Reduce過程沒有進一步統計詞頻,最終結果可能會出現詞頻未統計完全的單詞。可以通過重寫InputFormat類将每個檔案為一個split,避免上述情況。或者執行兩次MapReduce,第一次MapReduce用于統計詞頻,第二次MapReduce用于生成反向索引。除此之外,還可以利用複合鍵值對等實作包含更多資訊的反向索引。
1.4 程式代碼
程式代碼如下所示:
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.IntWritable; 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 { public static class Map extends Mapper<Object, Text, Text, Text> { private Text keyInfo = new Text(); // 存儲單詞和URL組合 private Text valueInfo = new Text(); // 存儲詞頻 private FileSplit split; // 存儲Split對象 // 實作map函數 public void map(Object key, Text value, Context context) throws IOException, InterruptedException { // 獲得<key,value>對所屬的FileSplit對象 split = (FileSplit) context.getInputSplit(); StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { // key值由單詞和URL組成,如"MapReduce:file1.txt" int splitIndex = split.getPath().toString().indexOf("file"); keyInfo.set(itr.nextToken() + ":" + split.getPath().toString().substring(splitIndex)); // 詞頻初始化為1 valueInfo.set("1"); context.write(keyInfo, valueInfo); } } } public static class Combine extends Reducer<Text, Text, Text, Text> { private Text info = new Text(); // 實作reduce函數 public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { // 統計詞頻 int sum = 0; for (Text value : values) { sum += Integer.parseInt(value.toString()); } int splitIndex = key.toString().indexOf(":"); // 重新設定value值由URL和詞頻組成 info.set(key.toString().substring(splitIndex + 1) + ":" + sum); // 重新設定key值為單詞 key.set(key.toString().substring(0, splitIndex)); context.write(key, info); } } public static class Reduce extends Reducer<Text, Text, Text, Text> { private Text result = new Text(); // 實作reduce函數 public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { // 生成文檔清單 String fileList = new String(); for (Text value : values) { fileList += value.toString() + ";"; } result.set(fileList); context.write(key, result); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); conf.set("mapred.job.tracker", "192.168.1.2:9001"); String[] ioArgs = new String[] { "index_in", "index_out" }; String[] otherArgs = new GenericOptionsParser(conf, ioArgs) .getRemainingArgs(); if (otherArgs.length != 2) { System.err.println("Usage: Inverted Index <in> <out>"); System.exit(2); } Job job = new Job(conf, "Inverted Index"); job.setJarByClass(InvertedIndex.class); // 設定Map、Combine和Reduce處理類 job.setMapperClass(Map.class); job.setCombinerClass(Combine.class); job.setReducerClass(Reduce.class); // 設定Map輸出類型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(Text.class); // 設定Reduce輸出類型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(Text.class); // 設定輸入和輸出目錄 FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } } |