PageRank在Hadoop和spark下的实现以及对比

关于PageRank的地位，不必多说。

主要思想：对于每个网页，用户都有可能点击网页上的某个链接，例如

A:B,C,D
B:A,D
C:A
D:B,C

由这个我们可以得到网页的转移矩阵

     A    B    C    D

A  0    1/2  1    0

B 1/3   0    0    0

C 1/3  1/2  0    0

D 1/3  0     0    1/2

 

Aij表示网页j到网页i的转移概率。假设起始状态每个用户对ABCD四个网站的点击概率相同都是0.25，那么各个网站第一次被访问的概率为（0.25，0.25，0.25，0.25），第二次访问考虑到在页面跳转，利用转移矩阵对于网站A的概率为（0，1/2,1,0）*(0.25,0.25,0.25,0.25)T,一次类推，经过若干次迭代会收敛到某个值。但是考虑到有些链接是单链即没有别的链接只想他，他也不指向别的链接，以及有些链接是自己指向自己，那么上述的方式将无法收敛。所以后面加了一个阻尼系数一般取0.85，至于为什么是这样，挺复杂的证明。

最后的公式为alaph=factor*matrix*(alaph)T+(1-facotr)/n*

详细的介绍可以参考：http://blog.jobbole.com/71431/

接下来便是对比Hadoop和spark了。这里只是单纯的讨论两个环境下编程的效率，不讨论性能。

Hadoop：

输入的文件：

A 0.25:B,C,D
B 0.25:A,D
C 0.25:A
D 0.25:B,C

这里得先说一句，之所以加了0.25是因为初始的概率为1/n，而n为网站数，这里统计网站数又得需要一个MapReduce来实现，所以作罢，权当n是手工输入的。

由于每次迭代后的结果只能放在文件中，所以这里花了很多时间在规范如何输出，以及map和reduce之间如何传值的问题。

在map中，我们要做的是从输入文件中获取alaph和每个网站的转移概率。例如

A 0.25:B,C,D

B的转移概率为1/3而且是从A转向B的，所以输出的是<"B","link:A 0.333">link表示这是个转移概率，A表示是从A出发的

alaph的表示：<"B","alaph: A 0.25">这里的A表示这个alaph值对应这A。

由于我们这里迭代后的输入文件都是从输出文件中获取，所以我们需要将输出文件搞的和一开始输入文件一样，所以在map阶段需要输出<"A","content:B,C,D">方便reduce输出和输入文件一样格式的输出。

在reduce阶段，此时对于键值B而言，会收到如下

<"B","link:A 0.333">

<"B","link:D 0.5">

<"B","alaph: A 0.25">

<"B","alaph: D 0.25">

<"B","content:A,D">

我们根据不同的单词，将value整合。这的alaph=0.333*0.25+0.5*0.25,接着再加上阻尼系数等，得到最后的alaph值。然后利用content对应的value，最后输出<"B：0.375","A,D">

这样迭代若干次。

附上代码：

 package org.apache.hadoop.PageRank;

 import java.util.ArrayList;

 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 PageRank {

     public static void run(){

     }

     public static void main(String[] args) throws Exception {
         double factor=0;
         if(args.length>1){
             factor=Double.parseDouble(args[0]);
         }else{
             factor=0.85;
         }
         String input="hdfs://10.107.8.110:9000/PageRank_input";
         String output="hdfs://10.107.8.110:9000/PageRank/output";
         ArrayList<String> pathList=new ArrayList<String>();
         for(int i=0;i<20;i++){
             Configuration conf = new Configuration();
             conf.set("num","4");
             conf.set("factor",String.valueOf(factor));
             Job job = Job.getInstance(conf, "PageRank");
             job.setJarByClass(org.apache.hadoop.PageRank.PageRank.class);
             job.setMapperClass(MyMapper.class);
             job.setReducerClass(MyReducer.class);
             job.setOutputKeyClass(Text.class);
             job.setOutputValueClass(Text.class);
             FileInputFormat.setInputPaths(job, new Path(input));
             FileOutputFormat.setOutputPath(job, new Path(output));
             input=output;
             pathList.add(output);
             output=output+1;

             System.out.println("the "+i+"th iterator is finished");
             job.waitForCompletion(true);
         }
         for(int i=0;i<pathList.size()-1;i++){
             Configuration conf=new Configuration();
             Path path=new Path(pathList.get(i));
             FileSystem fs=path.getFileSystem(conf);
             fs.delete(path,true);
         }
     }

 }

 package org.apache.hadoop.PageRank;

 import java.io.IOException;
 import java.util.HashMap;
 import java.util.Map;

 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Mapper;

 public class MyMapper extends Mapper<LongWritable, Text, Text, Text> {

     public void map(LongWritable ikey, Text ivalue, Context context)
             throws IOException, InterruptedException {
         String[] line=ivalue.toString().split(":");
         String content=line[1];
         int num=content.split(",").length;
         String word=line[0].split("    ")[0];
         String alaph=line[0].split("    ")[1];
         context.write(new Text(word),new Text("content:"+content));
         for(String w:content.split(",")){
             context.write(new Text(w),new Text("link:"+word+" "+String.valueOf(1.0/num)));
             context.write(new Text(w),new Text("alaph:"+word+" "+alaph));
         }
     }

 }

 package org.apache.hadoop.PageRank;

 import java.io.IOException;
 import java.util.HashMap;
 import java.util.Map;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Reducer;

 public class MyReducer extends Reducer<Text, Text, Text, Text> {

     public void reduce(Text _key, Iterable<Text> values, Context context)
             throws IOException, InterruptedException {
         // process values
         Configuration conf=context.getConfiguration();
         double factor=Double.parseDouble(conf.get("factor"));
         int num=Integer.parseInt(conf.get("num"));

         Map<String,Double> alaph=new HashMap<String,Double>();
         Map<String,Double> link=new HashMap<String,Double>();

         String content="";
         for (Text val : values) {
             String[] line=val.toString().split(":");
             if(line[0].compareTo("content")==0){
                 content=line[1];
             }else {
                 String[] s=line[1].split(" ");
                 double d=Double.parseDouble(s[1]);
                 if(line[0].compareTo("alaph")==0){
                     alaph.put(s[0],d);
                 }else if(line[0].compareTo("link")==0){
                     link.put(s[0],d);
                 }
             }
         }
         double sum=0;
         for(Map.Entry<String,Double> entry:alaph.entrySet()){
             sum+=link.get(entry.getKey())*entry.getValue();
         }

         System.out.println("    ");
         System.out.println("sum is "+sum);
         System.out.println("    ");
         double result=factor*sum+(1-factor)/num;
         context.write(_key,new Text(String.valueOf(result)+":"+content));

     }

 }

 

 

 

 

我们可以看出，其实在MapReduce中我们将大把的精力花在了map的输出上，而之所以这样是因为我们不能直接利用他的结果，并且为了能迭代，我们又只能格式化输出，如果数据很多的，那么在map阶段将有很多的资源需要传递。总而言之，Hadoop让我们将大部分精力花在不该花的地方。

 

接下来看spark 。我这里用的是python，在pyspark下运行。输入文件：

A:B,C,D
B:A,D
C:A
D:B,C

先看代码

def f(x):
    links=x[1][0]
    rank=x[1][1]
    n=len(links.split(","))
    result=[]
    for s in links.split(","):
        result.append((s,rank*1.0/n))
    return result

file="hdfs://10.107.8.110:9000/spark_test/pagerank.txt"

data=sc.textFile(file)
link=data.map(lambda x:(x.split(":")[0],x.split(":")[1]))
n=data.count()
rank=link.mapValues(lambda x:1.0/n)

for i in range(10):
    rank=link.join(rank).flatMap(f).reduceByKey(lambda x,y:x+y).mapValues(lambda x:0.15/n+0.85*x)

直接分析，data=sc.textFile(file)从hdfs中获取text文件。

通过data.collect()可以发现内容为

 

我们需要将其转换为键值对，那么这里就需要map函数

link=data.map(lambda x:(x.split(":")[0],x.split(":")[1]))用于将文件转换为键值对

此时lambda x的x值为字符串，所以通过:将其分割

 

接着通过n=data.count()我们可以直接获得网站数，而不必手动输入

rank=link.mapValues(lambda x:1.0/n)用于初始化各个网站的访问概率

 

 

接着通过link.join(rank)，让link和rank根据key而join进来

link.join(rank).flatMap(f)用于提取键值，由于输入的是(page,(links,rank)),所以这里定义了一个函数f用于分割links，让links分割成若干个link，并加上rank输出。

最后只需将其按照key值进行reduce即可

link.join(rank).flatMap(f).reduceByKey(lambda x,y:x+y)，这样就会将相同key的概率相加，得到alaph，接着再加上阻尼系数即可

 

link.join(rank).flatMap(f).reduceByKey(lambda x,y:x+y).mapValues(lambda x:0.15/n+0.85*x)这样就是一个完整的计算

通过迭代若干次就可以了。

从代码量上说（虽然python比java简明）spark的确是比Hadoop好很多。原因也说了，1每次迭代不必将结果存放在文件中 2提供了更多的范式