使用 Hadoop 进行语料处理（面试题）

时间 2019-11-20

原文原文链接

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 html

----------------------------------------------------------------------------------------------------------------------------------------------------------面试

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

本博客中全部言论仅表明博主本人观点，如有疑惑或者须要本系列分享中的资料工具，敬请联系 qingqing_crawl@163.com缓存

-----------------------------------------------------------------------------------------------------------------------------------------------------------服务器

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

话很少说，先上题：框架

同窗告诉我，这是浪潮实习生的面试题。ide

楼主先对题目做简单的说明，给定了一个 corpus.txt 文件做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，但同窗代表可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，词频统计的题目作了很多，便欣然接受同窗的求助。本身挖的坑总要填的，如果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 ## 链接，由于楼主水平有限，在实现的过程当中仍是遇到了很多的困难。工具

1、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，而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 ## 链接。思路很简单，简单的词频统计实现的也很是顺利，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。oop

1. 首先先来写 Mapper 的功能，上代码：

 1 public class WordHandlerMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
 2 
 3     @Override
 4     protected void map(LongWritable key, Text value, Context context)
 5             throws IOException, InterruptedException {
 6 
 7         String[] strs = StringUtils.split(value.toString(), "\t");
 8 
 9         for(String str : strs) {
10             int index = str.indexOf("/");
11             
12             if(index < 0) {
13                 index = 0;
14             }
15             
16             String word = str.substring(0, index);
17             context.write(new Text(word), new LongWritable(1));
18             
19         }
20         
21     }
22 
23 }

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，获得了一个 String 数组，数组的形式为：["足协/j", "杯赛/n", "常/d"] 形式，而后 10 行对数组进行遍历，而后获取到 /以前的内容，也就是咱们须要统计词频的词语，如 10 - 16 行所示，而后将获得的词语传入 context 的 write 方法，map 程序进行缓存和排序后，再传给 reduce 程序。

2. 而后再来看 Reduce 程序：

 1 public class WordHandlerReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
 2     
 3     
 4     @Override
 5     protected void reduce(Text key, Iterable<LongWritable> values, Context context)
 6             throws IOException, InterruptedException {
 7         
 8         long count = 0;
 9         
10         for(LongWritable value : values) {
11             count += value.get();
12         }
13         
14         context.write(key, new LongWritable(count));
15         
16     }
17 
18 }

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

3. 而后咱们再定义个类来描述这个特定的做业：

 1 public class WordHandlerRunner {
 2     
 3     public static void main(String[] args) throws Exception {
 4         
 5         Configuration conf = new Configuration();
 6         Job wcJob = Job.getInstance(conf);
 7         
 8         wcJob.setJarByClass(WordHandlerRunner.class);
 9         
10         wcJob.setMapperClass(WordHandlerMapper.class);
11         wcJob.setReducerClass(WordHandlerReducer.class);
12         
13         wcJob.setOutputKeyClass(Text.class);
14         wcJob.setOutputValueClass(LongWritable.class);
15         
16         wcJob.setMapOutputKeyClass(Text.class);
17         wcJob.setMapOutputValueClass(LongWritable.class);
18         
19         FileInputFormat.setInputPaths(wcJob, new Path("/wc/srcdata2/"));
20         
21         FileOutputFormat.setOutputPath(wcJob, new Path("/wc/wordhandler/"));
22         
23         wcJob.waitForCompletion(true);
24         
25     }
26 
27 }

第 6 行获得 Job 对象，以后即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行提交做业。

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，经过

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

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。获得的数据距离题目要求的结果还有很大的悬殊，那么剩下须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 ## 链接，第二处就是对词频进行排序（按从大到小） 。

楼主的思路是，排序确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，颇有可能会打乱以前的排序。那么，如今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 ## 链接。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刻，走了许多的弯路，好比楼主相到修改 Hadoop 的源码，读取多行数据等，但因为楼主水平有限，结果以失败了结。到此时已是夜里将近十二点了，由于到次日还要早起，因此就没再熬夜，暂时放下了。

次日中午，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造成。把咱们以前获得的数据读入，而后将词频当作 key，这样 Mapper 程序便会在 Reduce 执行以前进行缓存和分类，思路来了，便立刻动手实现。

2、使用倒排索引初步实现相同词频写入一行并用 ## 链接

1. 仍是先来 Mapper 的功能：注意，此次读入的数据是咱们以前获得的按默认的形式排好序，并统计出词频的数据。

 1 public class WordHandlerMapper2 extends Mapper<LongWritable, Text, LongWritable, Text> {
 2 
 3     @Override
 4     protected void map(LongWritable key, Text value, Context context)
 5             throws IOException, InterruptedException {
 6 
 7         String[] strs = StringUtils.split(value.toString(), "\t");
 8 
 9         String text = strs[0];
10         
11         long count = Long.parseLong(strs[1]);
12         
13         context.write(new LongWritable(count), new Text(text));
14         
15     }
16 
17 }

Map 的功能很简单，咱们须要输出的 key 是 LongWritable 类型，value 是 Text 类型，即 [205, {"检验", "加入", "生存"}] 这种类型。第 7 行一样是对一行的数据进行拆分，而后获得词语(text) 和词频(count),而后第 13 行进行输出便可，很简单。

2. Reduce 程序的功能：

 1 public class WordHandlerReducer2 extends Reducer<LongWritable, Text, Text, LongWritable> {
 2     
 3     //key: 3  values: {"研究","落实"}
 4     @Override
 5     protected void reduce(LongWritable key, Iterable<Text> values, Context context)
 6             throws IOException, InterruptedException {
 7         
 8         String result = "";
 9         
10         for(Text value : values) {
11             result += value.toString() + "##";
12             
13         }
14         
15         context.write(new Text(result), key);
16         
17     }
18 
19 }

Reduce 的逻辑比以前的稍微复杂一点，从 Mapper 中输入的数据格式为 [205, {"检验", "加入", "生存"}] 类型，咱们但愿输出的格式为：[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，便可获得咱们须要的结果，而后 15 行进行输出。

3. 而后再来定义一个类来描述此做业，

 1 public class WordHandlerRunner2 {
 2     
 3     public static void main(String[] args) throws Exception {
 4         
 5         Configuration conf = new Configuration();
 6         Job wcJob = Job.getInstance(conf);
 7         
 8         wcJob.setJarByClass(WordHandlerRunner2.class);
 9         
10         wcJob.setMapperClass(WordHandlerMapper2.class);
11         wcJob.setReducerClass(WordHandlerReducer2.class);
12         
13         wcJob.setOutputKeyClass(Text.class);
14         wcJob.setOutputValueClass(LongWritable.class);
15         
16         wcJob.setMapOutputKeyClass(LongWritable.class);
17         wcJob.setMapOutputValueClass(Text.class);
18         
19         FileInputFormat.setInputPaths(wcJob, new Path("/wc/wordhandler/"));
20         
21         FileOutputFormat.setOutputPath(wcJob, new Path("/wc/wordhandleroutput/"));
22         
23         wcJob.waitForCompletion(true);
24         
25     }
26 
27 }

这个类与以前的那个 Job 描述类很相似，使用的 Job 的方法没有变化，方法的参数只作稍微修改便可，楼主标红的行即须要进行修改的行。

而后是一样的步骤，在 Eclipse 中将程序打成 jar 包导出，也叫 wordhandler.jar，而后上传到 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（图片展现部分结果）：

咱们分析一下获得的结果，是否是距离题目要求的输出结果更接近了一步，可是还差点事，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便可，另外一个就是题目要求词频按从大到小的顺序输出，而咱们的输出顺序是从小到大。明确了问题以后，继续开动吧。

3、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，由于咱们这里是默认读取一行，那么咱们构造一个 Word 类，此类有属性 text （内容），和（count）词频，此类须要实现 WritableComparable 接口，重写其中的方法，使用咱们自定义的排序方式便可。既然思路明确了，那咱们一步一步的实现。

1. 先定义一个 word 类：

 1 public class Word implements WritableComparable<Word> {
 2     
 3     private String text;
 4     
 5     private long count;
 6     
 7     public Word() {}
 8     
 9     public Word(String text, long count) {
10         super();
11         this.text = text;
12         this.count = count;
13     }
14 
15     public String getText() {
16         return text;
17     }
18 
19     public void setText(String text) {
20         this.text = text;
21     }
22 
23     public long getCount() {
24         return count;
25     }
26 
27     public void setCount(long count) {
28         this.count = count;
29     }
30 
31     @Override
32     public void write(DataOutput out) throws IOException {
33         out.writeUTF(text);
34         out.writeLong(count);
35     }
36 
37     @Override
38     public void readFields(DataInput in) throws IOException {
39         text = in.readUTF();
40         count = in.readLong();
41     }
42 
43     @Override
44     public int compareTo(Word o) {
45         return count > o.getCount() ? -1 : 1;
46     }
47 
48 }

此类须要实现 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 方法才是咱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 3三、34 和 3九、40 行的属性须要对应。而后 compareTo 中第 45 行实现自定义的从大到小的排序便可。

2. Mapper 类的功能：

 1 public class WordHandlerMapper3 extends Mapper<LongWritable, Text, Word, NullWritable> {
 2 
 3     @Override
 4     protected void map(LongWritable key, Text value, Context context)
 5             throws IOException, InterruptedException {
 6 
 7         String[] strs = StringUtils.split(value.toString(), "\t");
 8         
 9         String text = strs[0];
10         
11         long count = Long.parseLong(strs[1]);
12         
13         Word word = new Word(text, count);
14         
15         context.write(word, NullWritable.get());
16         
17     }
18 
19 }

咱们定义 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，得到到相应的字段，而后第 13 行封装为一个 Word 对象，第 15 行输出便可，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，那么咱们就能够获取到须要的信息了。

2. 再来看 Reduce 的功能：

1 public class WordHandlerReducer3 extends Reducer<Word, NullWritable, Text, LongWritable> {
2     
3     @Override
4     protected void reduce(Word key, Iterable<NullWritable> values, Context context)
5             throws IOException, InterruptedException {
6         context.write(new Text(key.getText()), new LongWritable(key.getCount()));
7     }
8 
9 }

Reduce 的功能再简单不过了，获得的 key 是一个一个的 Word ，6 行获取相应的字段输出便可。

3. 再来描述排序这个特定的做业，代码与以前的相似，只作稍微修改便可，代码楼主就不贴出来了。这样咱们排序的功能就实现了，而后在 Linux 中经过命令运行，将获得的结果导出到 Windows 中，重命名为 postagmodel.txt 便可，此文件共 1163 行，如今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。

在实现功能以后楼主稍微总结了一下：

可能因为经验不足，遇到问题不知如何解决，积累经验尤其重要，毕竟经验这个问题不是短期内造成的，多学多敲多练是根本；

而后，一个功能或者一个需求的实现，何为简单，何为困难，楼主认为最终若是咱们实现了这个功能或需求，回过头来看，它就是简单的，此时也有多是熟练度的问题，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。

还须要说一点，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，欢迎你们一块交流学习，如有不足之处，还请指出，留言、评论、邮箱楼主都可。