运用hadoop计算TF-IDF

huashan8

　　这几天一直在忙着找暑假实习，实在没精力来写新的文章。刚好这几天放假，我把前几天做了的另一个例子拿出来跟大家分享一下。
　　这个例子是使用hadoop来实现TF-IDF。
　　TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术。具体的信息就麻烦大家自己百度一下了。
　　因为要实现的细节比较多，所以我直接将代码放上来。大家可以参看代码里面的注释，我写的比较详细。
　　我采用了两个MapReduce任务顺序执行来实现TF-IDF功能。
　　public class My_TDIF {//part1------------------------------------------------------------------------public static class Mapper_Part1 extends Mapper<LongWritable, Text, Text, Text> {String File_name = ""; //保存文件名，根据文件名区分所属文件int all = 0;  //单词总数统计static Text one = new Text("1");String word;public void map(LongWritable key, Text value, Context context)throws IOException, InterruptedException {FileSplit split = (FileSplit) context.getInputSplit();String str = split.getPath().toString();File_name = str.substring(str.lastIndexOf("/")+1); //获取文件名StringTokenizer itr = new StringTokenizer(value.toString());while (itr.hasMoreTokens()) {word = File_name ;word += " ";word += itr.nextToken();  //将文件名加单词作为key es: test1 hello  1all++;context.write(new Text(word), one);}}public void cleanup(Context context) throws IOException,InterruptedException {//Map的最后，我们将单词的总数写入。下面需要用总单词数来计算。String str = "";str += all;context.write(new Text(File_name + " " + "!"), new Text(str));//主要这里值使用的 "!"是特别构造的。 因为!的ascii比所有的字母都小。}}public static class Combiner_Part1 extends Reducer<Text, Text, Text, Text> {float all = 0;public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {int index = key.toString().indexOf(" ");//因为!的ascii最小，所以在map阶段的排序后，!会出现在第一个if (key.toString().substring(index + 1, index + 2).equals("!")){for (Text val : values) {//获取总的单词数。all = Integer.parseInt(val.toString());}//这个key-value被抛弃return;}float sum = 0;  //统计某个单词出现的次数for (Text val : values) {sum += Integer.parseInt(val.toString());}//跳出循环后，某个单词数出现的次数就统计完了，所有 TF(词频) = sum / allfloat tmp = sum / all;String value = "";value += tmp;  //记录词频//将key中单词和文件名进行互换。es: test1 hello -> hello test1String p[] = key.toString().split(" ");String key_to = "";key_to += p[1];key_to += " ";key_to += p[0];context.write(new Text(key_to), new Text(value));}}public static class Reduce_Part1 extends Reducer<Text, Text, Text, Text> {public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {for (Text val : values) {context.write(key, val);}}}public static class MyPartitoner extends Partitioner<Text, Text>{//实现自定义的Partitioner@Overridepublic int getPartition(Text key, Text value, int numPartitions) {//我们将一个文件中计算的结果作为一个文件保存//es： test1 test2String ip1 = key.toString();ip1 = ip1.substring(0, ip1.indexOf(" "));Text p1 = new Text(ip1);return Math.abs((p1.hashCode() * 127) % numPartitions);}}//part2-----------------------------------------------------public static  class Mapper_Part2 extendsMapper<LongWritable, Text, Text, Text>{public void map(LongWritable key, Text value, Context context)throws IOException, InterruptedException{String val = value.toString().replaceAll("", " "); //将vlaue中的TAB分割符换成空格 es: Bank test10.11764706 -> Bank test1 0.11764706int index = val.indexOf(" ");String s1 = val.substring(0, index); //获取单词 作为key es: helloString s2 = val.substring(index + 1); //其余部分 作为value es: test1 0.11764706s2 += " ";s2 += "1";  //统计单词在所有文章中出现的次数, “1” 表示出现一次。 es: test1 0.11764706 1context.write(new Text(s1), new Text(s2));}}public static  class Reduce_Part2 extendsReducer<Text, Text, Text, Text>{int file_count;public void reduce(Text key, Iterable<Text>values, Context context)throws IOException, InterruptedException{//同一个单词会被分成同一个groupfile_count = context.getNumReduceTasks();  //获取总文件数float sum = 0;List<String> vals = new ArrayList<String>();for (Text str : values){int index = str.toString().lastIndexOf(" ");sum += Integer.parseInt(str.toString().substring(index + 1)); //统计此单词在所有文件中出现的次数vals.add(str.toString().substring(0, index)); //保存}float tmp = sum / file_count;  //单词在所有文件中出现的次数除以总文件数 = DFfor (int j = 0;j < vals.size(); j++){String val = vals.get(j);String end = val.substring(val.lastIndexOf(" "));float f_end = Float.parseFloat(end); //读取TFval += " ";val += tmp;val += " ";val += f_end / tmp;  // f_end / tmp = tf-idf值context.write(key, new Text(val));}}}public static void main(String[] args) throws Exception {Path tmp = new Path("tmp"); //设置中间文件临时存储目录//part1----------------------------------------------------Configuration conf1 = new Configuration();//设置文件个数，在计算DF(文件频率)时会使用FileSystem hdfs = FileSystem.get(conf1);FileStatus p[] = hdfs.listStatus(new Path(args[1]));//获取输入文件夹内文件的个数，然后来设置NumReduceTasksJob job1 = new Job(conf1, "My_tdif_part1");job1.setJarByClass(My_TDIF.class);job1.setMapperClass(Mapper_Part1.class);job1.setCombinerClass(Combiner_Part1.class); //combiner在本地执行，效率要高点。job1.setReducerClass(Reduce_Part1.class);job1.setMapOutputKeyClass(Text.class);job1.setMapOutputValueClass(Text.class);job1.setOutputKeyClass(Text.class);job1.setOutputValueClass(Text.class);job1.setNumReduceTasks(p.length);job1.setPartitionerClass(MyPartitoner.class); //使用自定义MyPartitonerFileInputFormat.addInputPath(job1, new Path(args[1]));FileOutputFormat.setOutputPath(job1, tmp);job1.waitForCompletion(true);//part2----------------------------------------Configuration conf2 = new Configuration();Job job2 = new Job(conf2, "My_tdif_part2");job2.setJarByClass(My_TDIF.class);job2.setMapOutputKeyClass(Text.class);job2.setMapOutputValueClass(Text.class);job2.setOutputKeyClass(Text.class);job2.setOutputValueClass(Text.class);job2.setMapperClass(Mapper_Part2.class);job2.setReducerClass(Reduce_Part2.class);//需要提醒下，我这里没有使用自定义Partitioner,默认的Partitioner会根据key来划分，而我们正//好需要这种方式来将所有文件中同一个单词化为同一个组，方便我们统计一个单词在所以文件中出现的次数。job2.setNumReduceTasks(p.length);FileInputFormat.setInputPaths(job2, tmp);FileOutputFormat.setOutputPath(job2, new Path(args[2]));job2.waitForCompletion(true);hdfs.delete(tmp, true);}}
　　最后，我再针对此代码补充几点。
　　1:因为hadoop对处理小文件的效率比较低，如果需要处理很多小文件，我推荐大家可以将很多小文件合并成一个SequenceFile,用文件名作为key,内容作为value。然后处理SequenceFile文件，提高效率
　　2:本代码中还有很多可以改进的地方。比如：本代码的最后输出包含了很多中间数据，大家可以根据自己的需要删除不需要的数据。
　　本代码是根据输入的文件数来确定ReduceTask数和最后的文件输出数，大家也可以自己修改。最后文件的输出内容也是无序的，如果大家需要可以参看本博的另一篇博文（http://blog.csdn.net/jackydai987/archive/2011/03/12/6244725.aspx）进行多文件输出。
　　3:本文只是提供一个简单的思路，如果代码中有什么不对的地方请各位大大不要见笑，和给偶提出来，在下感激不尽。