运用hadoop计算TF-IDF

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 1 all++; 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 / all float 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 test1 String 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 @Override public 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 test2 String 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 extends Mapper<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 test1 0.11764706 -> Bank test1 0.11764706 int index = val.indexOf(" "); String s1 = val.substring(0, index); //获取单词 作为key es: hello String s2 = val.substring(index + 1); //其余部分 作为value es: test1 0.11764706 s2 += " "; 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 1 context.write(new Text(s1), new Text(s2)); } }public static class Reduce_Part2 extends Reducer<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group file_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 = DF for (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TF val += " "; 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NumReduceTasks Job 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MyPartitoner FileInputFormat.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。