运用hadoop计算TF-IDF

(http://youzitool.com 新博客，欢迎访问)

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。