使用 Hadoop 进行语料处理（面试题）

原创播客，如需转载请注明出处。原文地址：http://www.cnblogs.com/crawl/p/7751741.html

----------------------------------------------------------------------------------------------------------------------------------------------------------

笔记中提供了大量的代码示例，需要说明的是，大部分代码示例都是本人所敲代码并进行测试，不足之处，请大家指正~

本博客中所有言论仅代表博主本人观点，若有疑惑或者需要本系列分享中的资料工具，敬请联系 qingqing_crawl@163.com

-----------------------------------------------------------------------------------------------------------------------------------------------------------

前言：近日有高中同学求助，一看题目，正好与楼主所学技术相关，便答应了下来，因为正是兴趣所在，也没有管能不能实现。

话不多说，先上题：

同学告诉我 ，这是浪潮实习生的面试题。

楼主先对题目作简单的说明，给定了一个 corpus.txt 文件作为语料处理的源文件，文件大小 30.3M，内容即题目要求中的图片所示，要求对语料文件中出现的词进行词频统计，并把词频相同的词语用 ## 相连（如 研究##落实     1008 ），并按词频从大到小排序。题目要求的是根据所学的 Java I/O 处理、集合框架、字符集与国际化、异常处理等基础知识完成此题，但同学表明可以使用大数据的相关知识，让楼主感到兴趣的是，最近楼主一直在研究 Hadoop，词频统计的题目做了不少，便欣然接受同学的求助。自己挖的坑总要填的，若是进行简单的词频统计，很简单，涉及到将相同词频的词语排在一行并用 ## 连接，因为楼主水平有限，在实现的过程中还是遇到了不少的困难 。

一、简单实现词频统计

刚入手此题目，楼主的思路就是先实现一个简单的词频统计，然后在实现简单词频统计的基础上，对代码进行修改，实现相同词频的词语放在 一行使用 ## 连接。思路很简单，简单的词频统计实现的也非常顺利，但接下的思路实现起来便没有那么容易了。先来看一看简单的词频统计这个功能吧。

1. 首先先来写 Mapper 的功能，上代码：

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

     @Override
     protected void map(LongWritable key, Text value, Context context)
             throws IOException, InterruptedException {

         String[] strs = StringUtils.split(value.toString(), "\t");

         for(String str : strs) {
             int index = str.indexOf("/");

             if(index < 0) {
                 index = 0;
             }

             String word = str.substring(0, index);
             context.write(new Text(word), new LongWritable(1));

         }

     }

 }

WordHandlerMapper 类的功能，首先此类实现了 Mapper 类，重写了 mapper 方法，使用默认的 TextOutputFormat 类，将读取到的一行数据以形参 value 的形式传入 mapper 方法，第 7 行对这行数据也就是 value 进行处理，以 \t 进行分割，得到了一个 String 数组， 数组的形式为：["足协/j", "杯赛/n", "常/d"] 形式，然后 10 行对数组进行遍历，然后获取到 /之前的内容，也就是我们需要统计词频的词语，如 10 - 16 行所示，然后将得到的词语传入 context 的 write 方法，map 程序进行缓存和排序后，再传给 reduce 程序。

2. 然后再来看 Reduce 程序：

 public class WordHandlerReducer extends Reducer<Text, LongWritable, Text, LongWritable> {

     @Override
     protected void reduce(Text key, Iterable<LongWritable> values, Context context)
             throws IOException, InterruptedException {

         long count = 0;

         for(LongWritable value : values) {
             count += value.get();
         }

         context.write(key, new LongWritable(count));

     }

 }

WordHandlerReducer 的逻辑很简单，此类继承了 Reduce，重写了 reduce 方法，传入的 key 即需要统计词频的词语，vaues 为 {1,1,1} 形式，8 行定义了一个计数器，然后对 values 进行增强 for 循环遍历，使计数器加 1，然后将词语和词频输出即可。

3. 然后我们再定义个类来描述这个特定的作业：

 public class WordHandlerRunner {

     public static void main(String[] args) throws Exception {

         Configuration conf = new Configuration();
         Job wcJob = Job.getInstance(conf);

         wcJob.setJarByClass(WordHandlerRunner.class);

         wcJob.setMapperClass(WordHandlerMapper.class);
         wcJob.setReducerClass(WordHandlerReducer.class);

         wcJob.setOutputKeyClass(Text.class);
         wcJob.setOutputValueClass(LongWritable.class);

         wcJob.setMapOutputKeyClass(Text.class);
         wcJob.setMapOutputValueClass(LongWritable.class);

         FileInputFormat.setInputPaths(wcJob, new Path("/wc/srcdata2/"));

         FileOutputFormat.setOutputPath(wcJob, new Path("/wc/wordhandler/"));

         wcJob.waitForCompletion(true);

     }

 }

第 6 行得到 Job 对象，之后便是对一些基本参数的设置，基本上就是见方法名而知其意了 。 19 和 21 行定义存放元数据的路径和输入结果的路径，23行提交作业。

在 Eclipse 中将程序打成 jar 包,名为 wordhandler.jar 导出，上传到 Linux 服务器 ，将原始的语料处理文件上传到程序中指定了路径下，通过

hadoop jar wordhandler.jar com.software.hadoop.mr.wordhandler.WordHandlerRunner 命令执行，很快就会执行完毕，然后到输出路径中查看输出结果(图片展示部分结果):

到此简单的词频统计功能就到此结束了，观察可知,MapReduce 默认是按输出的 key 进行排序的。得到的数据距离题目要求的结果还有很大的悬殊，那么剩下需要进一步实现的还有两处，一处是将词频相同的词语放到一行并用 ## 连接，第二处就是对词频进行排序（按从大到小） 。

楼主的思路是，排序肯定是要放到最后一步实现，若先进行排序，在对相同词频的词语处理的话，很有可能会打乱之前的排序。那么，现在就是对词频相同的词语进行处理了，使它们显示在一行并用 ## 连接。在实现这个功能时，楼主遇到了困难，主要是对 TextOutputFarmat 默认只读取一行数据意识不够深入，走了许多的弯路，比如楼主相到修改 Hadoop 的源码，读取多行数据等，但由于楼主水平有限，结果以失败告终。到此时已经是夜里将近十二点了，因为到第二天还要早起，所以就没再熬夜，暂时放下了。

第二天中午，楼主想到了倒排索引，使用倒排索引实现的思路便一点一点形成。把我们之前得到的数据读入，然后将词频当做 key，这样 Mapper 程序便会在 Reduce 执行之前进行缓存和分类，思路来了，便马上动手实现。

二、使用倒排索引初步实现相同词频写入一行并用 ## 连接

1. 还是先来 Mapper 的功能：注意，这次读入的数据是我们之前得到的按默认的形式排好序，并统计出词频的数据。

 public class WordHandlerMapper2 extends Mapper<LongWritable, Text, LongWritable, Text> {

     @Override
     protected void map(LongWritable key, Text value, Context context)
             throws IOException, InterruptedException {

         String[] strs = StringUtils.split(value.toString(), "\t");

         String text = strs[0];

         long count = Long.parseLong(strs[1]);

         context.write(new LongWritable(count), new Text(text));

     }

 }

Map 的功能很简单，我们需要输出的 key 是 LongWritable 类型，value 是 Text 类型，即 [205, {"检验", "加入", "生存"}] 这种类型。第 7 行同样是对一行的数据进行拆分，然后得到 词语(text) 和 词频(count),然后 第 13 行进行输出即可，很简单。

2. Reduce 程序的功能：

 public class WordHandlerReducer2 extends Reducer<LongWritable, Text, Text, LongWritable> {

     //key: 3  values: {"研究","落实"}
     @Override
     protected void reduce(LongWritable key, Iterable<Text> values, Context context)
             throws IOException, InterruptedException {

         String result = "";

         for(Text value : values) {
             result += value.toString() + "##";

         }

         context.write(new Text(result), key);

     }

 }

Reduce 的逻辑比之前的稍微复杂一点，从 Mapper 中输入的数据格式为 [205, {"检验", "加入", "生存"}] 类型，我们希望输出的格式为：[检验##加入##生存　　205], 重写的 reduce 方法传入的 values 即 {"检验", "加入", "生存"} 类型，第十行对 values 进行遍历，11 行向 result 中追加，即可得到我们需要的结果，然后 15 行进行输出。

3. 然后再来定义一个类来描述此作业，

 public class WordHandlerRunner2 {

     public static void main(String[] args) throws Exception {

         Configuration conf = new Configuration();
         Job wcJob = Job.getInstance(conf);

         wcJob.setJarByClass(WordHandlerRunner2.class);

         wcJob.setMapperClass(WordHandlerMapper2.class);
         wcJob.setReducerClass(WordHandlerReducer2.class);

         wcJob.setOutputKeyClass(Text.class);
         wcJob.setOutputValueClass(LongWritable.class);

         wcJob.setMapOutputKeyClass(LongWritable.class);
         wcJob.setMapOutputValueClass(Text.class);

         FileInputFormat.setInputPaths(wcJob, new Path("/wc/wordhandler/"));

         FileOutputFormat.setOutputPath(wcJob, new Path("/wc/wordhandleroutput/"));

         wcJob.waitForCompletion(true);

     }

 }

这个类与之前的那个 Job 描述类很类似，使用的 Job 的方法没有变化，方法的参数只做稍微修改即可，楼主标红的行即需要进行修改的行。

然后是同样的步骤，在 Eclipse 中将程序打成 jar 包导出，也叫 wordhandler.jar，然后上传到 Linux 服务器中，使用

hadoop jar  wordhandler.jar com.software.hadoop.mr.wordhandler2.WordHandlerRunner2 进行运行，同过 Map 和 Reduce 的处理后，进入相应的目录下，查看结果（图片展示部分结果）：

我们分析一下得到的结果，是不是距离题目要求的输出结果更接近了一步，但是还差点事，一个是每一行的最后多了一个  ##，这个好解决，在生成字符串的时候判断该词语是否为最后一个即可，另一个就是题目要求词频按从大到小的顺序输出，而我们的输出顺序是从小到大。明确了问题之后，继续开动吧。

三、实现按词频从大到小进行排序

排序问题是使用 Hadoop 进行词频处理的常见问题了，实现起来并不困难。说一说思路，因为我们这里是默认读取一行，那么我们构造一个 Word 类，此类有属性 text （内容），和（count）词频，此类需要实现 WritableComparable 接口，重写其中的方法，使用我们自定义的排序方式即可。既然思路明确了，那我们一步一步的实现。

1. 先定义一个 word 类：

 public class Word implements WritableComparable<Word> {

     private String text;

     private long count;

     public Word() {}

     public Word(String text, long count) {
         super();
         this.text = text;
         this.count = count;
     }

     public String getText() {
         return text;
     }

     public void setText(String text) {
         this.text = text;
     }

     public long getCount() {
         return count;
     }

     public void setCount(long count) {
         this.count = count;
     }

     @Override
     public void write(DataOutput out) throws IOException {
         out.writeUTF(text);
         out.writeLong(count);
     }

     @Override
     public void readFields(DataInput in) throws IOException {
         text = in.readUTF();
         count = in.readLong();
     }

     @Override
     public int compareTo(Word o) {
         return count > o.getCount() ? -1 : 1;
     }

 }

此类需要实现 WritableComparable 接口，重写第 32 行的 write 方法，第 38 行的 readFields 方法，第 44 行 compareTo 方法，32 行和 38 行的方法是 Hadoop 中序列化相关的方法，44 行 compareTo 方法才是我们自定义排序方式的方法。值的注意的是，write 方法中和 readFields 方法中属性的序列化和反序列化的顺序必须一致，即 33、34 和 39、40 行的属性需要对应。然后 compareTo 中 第 45 行实现自定义的从大到小的排序即可。

2. Mapper 类的功能：

 public class WordHandlerMapper3 extends Mapper<LongWritable, Text, Word, NullWritable> {

     @Override
     protected void map(LongWritable key, Text value, Context context)
             throws IOException, InterruptedException {

         String[] strs = StringUtils.split(value.toString(), "\t");

         String text = strs[0];

         long count = Long.parseLong(strs[1]);

         Word word = new Word(text, count);

         context.write(word, NullWritable.get());

     }

 }

我们定义 Mapper 的输出的 key 为 Word 类型是排序成功的关键，在 mapper 方法中常规的拆分一行数据，获得到相应的字段，然后第 13 行封装为一个 Word 对象，第 15 行输出即可，楼主定义 Mapper 的输出的 vlaue 为 NullWritable 类型，思路为只要输出的 key  为 Word 型，那么我们就可以获取到需要的信息了。

2. 再来看 Reduce 的功能：

 public class WordHandlerReducer3 extends Reducer<Word, NullWritable, Text, LongWritable> {

     @Override
     protected void reduce(Word key, Iterable<NullWritable> values, Context context)
             throws IOException, InterruptedException {
         context.write(new Text(key.getText()), new LongWritable(key.getCount()));
     }

 }

Reduce 的功能再简单不过了，得到的 key 是一个一个的 Word ，6 行获取相应的字段输出即可。

3. 再来描述排序这个特定的作业，代码与之前的类似，只做稍微修改即可，代码楼主就不贴出来了。这样我们排序的功能就实现了，然后在 Linux 中通过命令运行，将得到的结果导出到 Windows 中，重命名为  postagmodel.txt 即可，此文件共 1163 行，现在贴一下部分结果的图片：

结果出来了，基本与题目要求吻合，楼主松了一口气。

在实现功能之后楼主稍微总结了一下：

可能由于经验不足，遇到问题不知如何解决，积累经验尤为重要，毕竟经验这个问题不是短时间内形成的，多学多敲多练是根本；

然后，一个功能或者一个需求的实现，何为简单，何为困难，楼主认为最终如果我们实现了这个功能或需求，回过头来看，它就是简单的，此时也有可能是熟练度的问题，使它蒙上了那层困难的面纱，遇到困难，别放弃，学会短暂性舍弃，过段时间再捡起来，可能灵感就来了。

还需要说一点，此功能的实现楼主的思路和方法可能不是最好的，也有可能会有不妥的地方存在，欢迎大家一块交流学习，若有不足之处，还请指出，留言、评论、邮箱楼主均可。