大数据学习之十三——倒排索引

倒排索引

1.了解概念

"倒排索引"是文档检索系统中最经常使用的数据结构，被普遍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。因为不是根据文档来肯定文档所包含的内容，而是进行相反的操做，于是称为倒排索引（Inverted Index）。

2.实例描述
一般状况下，倒排索引由一个单词（或词组）以及相关的文档列表组成，文档列表中的文档或者是标识文档的ID号，或者是指文档所在位置的URL。在实际应用中，还须要给每一个文档添加一个权值，用来指出每一个文档与搜索内容的相关度

3.样例输入输出

4.算法思想

1）map过程

为统计每一个单词出如今每一个文件中的次数，将单词word做为map阶段的key值，“filename：1”做为value值。能够获得上图的结果。传到combine的格式为：MapReduce：file1.txt

这样作的好处是：能够利用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，实现相似于WordCount的功能。

2）combine阶段

通过map方法处理后，Combine过程将key值相同的value值累加，获得一个单词在每一个文档中出现的次数，若是直接将图所示的输出做为Reduce过程的输入，在Shuffle过程时将面临一个问题：全部具备相同单词的记录（由word、filename和次数组成）应该交由同一个Reducer处理，但当前的key值没法保证这一点，因此必须修改key值和value值。此次将单词做为key值，filename和词频组成value值（如"file1.txt：1"）。

3）reduce过程

reduce过程只需将相同key值的value值组合成倒排索引文件所需的格式便可，剩下的事情就能够直接交给MapReduce框架进行处理了。

5.代码实现

public class InvertedIndex {     

static String INPUT_PATH="hdfs://master:9000/index";  

static String OUTPUT_PATH="hdfs://master:9000/output/index";    

static class MyMapper extends Mapper<Object,Object,Text,Text>{   

private Text output_key=new Text();   

private Text output_value=new Text();  

 String fileName=new String();      

protected void setup(Context context)throws java.io.IOException,java.lang.InterruptedException{   

 FileSplit fs=(FileSplit)context.getInputSplit();     //获得文件的名字filename

fileName=fs.getPath().getName();    

System.out.println(fileName);    

 }      

protected void map(Object key, Object value, Context context) throws IOException, InterruptedException{    

String[] tokens=value.toString().split(" ");      //以空格为分隔

if(tokens!=null){    

 for(int i=0;i<tokens.length;i++){     

 output_key.set(tokens[i]+":"+fileName);     //设置 key---word:filename      

output_value.set("1");                 //每出现一次+1       

context.write(output_key, output_value);      

System.out.print("1=="+output_key);      

System.out.println("1=="+output_value);     //1==simple:a02.txt         1== 1    

 }        

 }  

 }

 }  

 static class Mycombine extends Reducer<Text,Text,Text,Text>{  

 Text output_key=new Text();   

Text output_value=new Text();      

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

String[] tokens=key.toString().split(":");      //将word和filename以：分隔开

int sum=0;    

for(Text val:values){    

 sum+=Integer.parseInt(val.toString());    //将单词相同的1相加

 }        

 output_key.set(tokens[0]);    

output_value.set(tokens[1]+":"+sum);   

 context.write(output_key, output_value);  //2==mapreduce  2==a01.txt:1    

System.out.print("2=="+output_key);    

System.out.println("2=="+output_value);  

 }

 }  

 static class MyReduce extends Reducer<Text,Text,Text,Text>{   

private Text result = new Text();   

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

 String fileList = new String();    

for (Text value : values){         //链接filename和出现的次数

fileList += value.toString() + ";" ;   

 }    

result.set(fileList);    

context.write(key,result);   

 System.out.println("3=="+key);  

 }

 }    

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

Path outputpath=new Path(OUTPUT_PATH);   

Configuration conf=new Configuration();       

FileSystem file = outputpath.getFileSystem(conf);  

 if(file.exists(outputpath)){   

 file.delete(outputpath,true);   

}      

Job job=Job.getInstance(conf);   

FileInputFormat.setInputPaths(job, INPUT_PATH);   

FileOutputFormat.setOutputPath(job,outputpath);      

job.setMapperClass(MyMapper.class);   

job.setReducerClass(MyReduce.class);  

 job.setCombinerClass(Mycombine.class);      

job.setOutputKeyClass(Text.class);  

 job.setOutputValueClass(Text.class);     

 job.waitForCompletion(true);

 }

}