Hadoop之倒排索引

前言：
　　从IT跨度到DT,如今的数据每天都在海量的增长。面对如此巨大的数据，如何能让搜索引擎更好的工作呢？本文作为Hadoop系列的第二篇，将介绍分布式情况下搜索引擎的基础实现，即“倒排索引”。

1.问题描述
　将所有不同文件里面的关键词进行存储，并实现快速检索。下面假设有3个文件的数据如下：

file1.txt:MapReduce is simple
file2.txt:mapReduce is powerful is simple
file3.txt:Hello MapReduce bye MapReduce

　最终应生成如下索引结果:

Hello     file3.txt:
MapReduce    file3.txt:;file2.txt:;file1.txt:
bye     file3.txt:
is     file2.txt:;file1.txt:
powerful    file2.txt:
simple     file2.txt:;file1.txt:

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

2.设计
　　首先，我们对读入的数据利用Map操作进行预处理，如图1：

对比之前的单词计数（WorldCount.java），要实现倒排索引单靠Map和Reduce操作明显无法完成，因此中间我们加入'Combine'，即合并操作；具体如图2：

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

3.代码实现

 package pro;

 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 {
     final static String INPUT_PATH = "hdfs://hadoop0:9000/index_in";
     final static String OUTPUT_PATH = "hdfs://hadoop0:9000/index_out";

     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()) {

                 // 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();

         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(INPUT_PATH));
         FileOutputFormat.setOutputPath(job, new Path(OUTPUT_PATH));
         System.exit(job.waitForCompletion(true) ? 0 : 1);
     }
 }

4.测试结果

Hello        file3.txt:1;
MapReduce    file3.txt:2;file1.txt:1;file2.txt:1;
bye        file3.txt:1;
is        file1.txt:1;file2.txt:2;
powerful    file2.txt:1;
simple        file2.txt:1;file1.txt:1;

Reference:

[1]Hadoop权威指南【A】Tom Wbite

[2]深入云计算·Hadoop应用开发实战详解【A】万川梅 谢正兰

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

结语：

　　从上面的Map---> Combine ----> Reduce操作过程中，我们可以体会到“倒排索引”的过程其实也就是不断组合并拆分字符串的过程，而这也就是Hadoop中MapReduce并行计算的体现。在现今的大部分企业当中，Hadoop主要应用之一就是针对日志进行处理，所以想进军大数据领域的朋友，对于Hadoop的Map/Reduce实现原理可以通过更多的实战操作加深理解。本文仅仅只是牛刀小试，对于Hadoop的深层应用本人也正在慢慢摸索~~