MapReduce实现倒排索引(Inverted Index)

前言："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）

注意：

(1)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。

(2)这里将单词和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。

(3)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，如果直接输出作为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。

2.将数据上传到hdfs上：

[[email protected] q1]$ hadoop fs -mkdir /user/hadoop/index_in

[[email protected] q1]$ hadoop fs -put file1.txt /user/hadoop/index_in

[[email protected] q1]$ hadoop fs -put file2.txt /user/hadoop/index_in

[[email protected] q1]$ hadoop fs -put file3.txt /user/hadoop/index_in

3、对应的Java程序如下所示：

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.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(); // 存储单词和URL组合         private Text valueInfo = new Text(); // 存储词频         private FileSplit split; // 存储Split对象         // 实现map函数         public void map(Object key, Text value, Context context) throws IOException, InterruptedException {             // 获得<key,value>对所属的FileSplit对象             split = (FileSplit) context.getInputSplit();             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                 // keyInfo.set(itr.nextToken()+":"+split.getPath().toString());                 // 这里为了好看，只获取文件的名称。                 int splitIndex = split.getPath().toString().indexOf("file");                 keyInfo.set(itr.nextToken() + ":" + split.getPath().toString().substring(splitIndex));                 // 词频初始化为1                 valueInfo.set("1");                  context.write(keyInfo, valueInfo);             }         }     }     public static class Combine extends Reducer<Text, Text, Text, Text> {         private Text info = new Text();         // 实现reduce函数         public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {             // 统计词频             int sum = 0;             for (Text value : values) {                 sum += Integer.parseInt(value.toString());             }             int splitIndex = key.toString().indexOf(":");             // 重新设置value值由URL和词频组成             info.set(key.toString().substring(splitIndex + 1) + ":" + sum);             // 重新设置key值为单词             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();         // 实现reduce函数         public 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() + ";";             }              result.set(fileList);             context.write(key, result);         }     }     public static void main(String[] args) throws Exception {         Configuration conf = new Configuration();         conf.set("mapred.jar", "ii.jar");         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);         // 设置Map、Combine和Reduce处理类         job.setMapperClass(Map.class);         job.setCombinerClass(Combine.class);         job.setReducerClass(Reduce.class);         // 设置Map输出类型         job.setMapOutputKeyClass(Text.class);         job.setMapOutputValueClass(Text.class);         // 设置Reduce输出类型         job.setOutputKeyClass(Text.class);         job.setOutputValueClass(Text.class);         // 设置输入和输出目录         FileInputFormat.addInputPath(job, new Path(otherArgs[0]));         FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));         System.exit(job.waitForCompletion(true) ? 0 : 1);     } }

4.知识点延伸：

(1)int indexOf(String str) ：返回第一次出现的指定子字符串在此字符串中的索引。 

(2)int indexOf(String str, int startIndex)：从指定的索引处开始，返回第一次出现的指定子字符串在此字符串中的索引。 

(3)int lastIndexOf(String str) ：返回在此字符串中最右边出现的指定子字符串的索引。 

(4)int lastIndexOf(String str, int startIndex) ：从指定的索引处开始向后搜索，返回在此字符串中最后一次出现的指定子字符串的索引。

(5)indexOf("a")是从字符串的0个位置开始查找的。比如你的字符串："abca"，那么程序将会输出0，之后的a是不判断的。

(6)str＝str.substring(int beginIndex);截取掉str从首字母起长度为beginIndex的字符串，将剩余字符串赋值给str

(7)str＝str.substring(int beginIndex，int endIndex);截取str中从beginIndex开始至endIndex结束时的字符串，并将其赋值给str

5.执行：

[[email protected] q1]$ /usr/jdk1.7.0_25/bin/javac InvertedIndex.java

[[email protected] q1]$ /usr/jdk1.7.0_25/bin/jar cvf xx.jar InvertedIndex*class

[[email protected] q1]$ hadoop jar xx.jar InvertedIndex

6.查看结果：

[ha[email protected] q1]$ hadoop fs -cat /user/hadoop/index_out/part-r-00000

bye     file3.txt:1;

hello   file3.txt:1;

is      file1.txt:1;file2.txt:2;

mapreduce       file2.txt:1;file3.txt:2;file1.txt:1;

powerful        file2.txt:1;

simple  file2.txt:1;file1.txt:1;