MapReduce基础案例10-倒排索引_1
什么是倒排索引？
倒排索引（Inverted index），也常被称为反向索引，是一种索引方法。
“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）。
问题描述
现在有如下的歌迷播放歌曲的记录信息，数据格式为“歌迷，听过的歌曲”：
tom,LittleApple jack,YesterdayOnceMore Rose,MyHeartWillGoOn jack,LittleApple John,MyHeartWillGoOn kissinger,LittleApple kissinger,YesterdayOnceMore
要求编写MapReduce应用程序，根据用户播放音乐记录，统计歌曲被哪些用户播放过。
最终的输出的结果为：“歌曲 歌迷列表”
LittleApple tom|jack|kissinger YesterdayOnceMore jack|kissinger MyHeartWillGoOn Rose|John
实现思路
要实现倒排，我们必须告诉MapReduce/Hadoop框架：
- 怎样排序reducer keys
- 怎样分组(group)到达每个reducer的数据
一、创建Java Maven项目
Maven依赖：
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>HadoopDemo</groupId>
<artifactId>com.xueai8</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<!--hadoop依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.3.1</version>
</dependency>
<!--hdfs文件系统依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.3.1</version>
</dependency>
<!--MapReduce相关的依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>3.3.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>3.3.1</version>
</dependency>
<!--junit依赖-->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
</dependencies>
<build>
<plugins>
<!--编译器插件用于编译拓扑-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<!--指定maven编译的jdk版本和字符集,如果不指定,maven3默认用jdk 1.5 maven2默认用jdk1.3-->
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>1.8</source> <!-- 源代码使用的JDK版本 -->
<target>1.8</target> <!-- 需要生成的目标class文件的编译版本 -->
<encoding>UTF-8</encoding><!-- 字符集编码 -->
</configuration>
</plugin>
</plugins>
</build>
</project>
MusicMapper.java：
package com.xueai8.inverseindex;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
*
* 倒排索引
*/
public class MusicMapper extends Mapper<Object, Text, Text, Text> {
// 定义可重用的key/value
private static Text mKey = new Text();
private static Text mValue = new Text();
@Override
public void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
String line = value.toString(); // 从hadoop的Text类型转换为java的String类型
String[] splits = line.split(","); // 分词
String name = splits[0]; // 取歌迷的名称
String music = splits[1]; // 取歌曲的名称
mKey.set(music); // 注意，歌曲名设为key
mValue.set(name); // 注意，歌迷名设为value
context.write(mKey, mValue); // 写出
}
}
MusicReducer.java
package com.xueai8.inverseindex;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
*
* 倒排索引
*/
public class MusicReducer extends Reducer<Text, Text, Text, Text> {
private Text fans = new Text("");
@Override
public void reduce(Text key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
// 把同一首歌曲的所有歌迷名字串连起来
StringBuilder result = new StringBuilder();
for (Text value : values) {
result.append(value.toString()).append("|");
}
// 删除掉最后一个分隔符
String names = result.deleteCharAt(result.length()-1).toString();
fans.set(names);
context.write(key, fans);
}
}
MusicDriver.java：
package com.xueai8.inverseindex;
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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
/**
*
* 倒排索引
*/
public class MusicDriver {
public static void main(String[] args) throws InterruptedException, IOException, ClassNotFoundException {
if (args.length < 2) {
System.err.println("用法: MusicDriver <in> <out>");
System.exit(1);
}
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "Inverted Index");
job.setJarByClass(MusicDriver.class);
job.setMapperClass(MusicMapper.class);
job.setReducerClass(MusicReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
二、配置log4j
在src/main/resources目录下新增log4j的配置文件log4j.properties，内容如下：
log4j.rootLogger = info,stdout
### 输出信息到控制抬 ###
log4j.appender.stdout = org.apache.log4j.ConsoleAppender
log4j.appender.stdout.Target = System.out
log4j.appender.stdout.layout = org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern = [%-5p] %d{yyyy-MM-dd HH:mm:ss,SSS} method:%l%n%m%n
三、项目打包
打开IDEA下方的终端窗口terminal，执行"mvn clean package"打包命令，如下图所示：
如果一切正常，会提示打jar包成功。如下图所示：
这时查看项目结构，会看到多了一个target目录，打好的jar包就位于此目录下。如下图所示：
四、项目部署
请按以下步骤执行。
1、启动HDFS集群和YARN集群。在Linux终端窗口中，执行如下的脚本：
$ start-dfs.sh
$ start-yarn.sh
查看进程是否启动，集群运行是否正常。在Linux终端窗口中，执行如下的命令：
$ jps
这时应该能看到有如下5个进程正在运行，说明集群运行正常：
5542 NodeManager
5191 SecondaryNameNode
4857 NameNode
5418 ResourceManager
4975 DataNode
2、将数据文件sample.txt上传到HDFS的/data/mr/目录下。
$ hdfs dfs -mkdir -p /data/mr $ hdfs dfs -put input.txt /data/mr/ $ hdfs dfs -ls /data/mr/
3、提交作业到Hadoop集群上运行。（如果jar包在Windows下，请先拷贝到Linux中。）
在终端窗口中，执行如下的作业提交命令：
$ hadoop jar com.xueai8-1.0-SNAPSHOT.jar com.xueai8.inverseindex.MusicDriver /data/mr /data/mr-output
4、查看输出结果。
在终端窗口中，执行如下的HDFS命令，查看输出结果：
$ hdfs dfs -ls /data/mr-output
可以看到如下的输出结果：
LittleApple kissinger|jack|tom MyHeartWillGoOn John|Rose YesterdayOnceMore kissinger|jack
