运用hadoop计算TF-IDF续-支持中文读取-支持文件输出控制

jackydai987在文章《运用hadoop计算TF-IDF》（/article/9073347.html）提到了TF-IDF的计算，但是留下几个问题：

1、 输出的文件控制

2、 对中文字符的处理

为此本文做如下改进：

请参见《Hadoop的MapReduce中多文件输出》http://blog.csdn.net/jackydai987/archive/2011/03/12/6244725.aspx）

文中提出了三个类：

My_LineRead.java（修改使用）

MyMultipleOutputFormat.java（保留使用）

以及嵌入到主程序的

MyMultiple.java（修改使用）

1. public static class MyMultiple extends MyMultipleOutputFormat{
2.
3. @Override
4. protected String generateFileNameForKeyValue(WritableComparable key,
5. Writable value, Configuration conf) {
6. // TODO Auto-generated method stub
7. return "other.txt";
8. }
9.
10. }

具体修改如下：

1、修改MyMultiple.java，保证产生的输出文件名为源文件名

publicstatic class MyMultiple extends MyMultipleOutputFormat{
@Override
protectedString generateFileNameForKeyValue(WritableComparable key,
Writablevalue, Configuration conf) {
//TODO Auto-generated method stub
String[]c = value.toString().split(" ");
//以文件名为输出的文件名
returnc[0] + ".txt";
}

}

2、修改My_LineRead以支持中文读入输出

其他原理参考：http://blog.csdn.net/guoery/article/details/8557094

具体如下：

//private static final String utf8 ="UTF-8";
改为：
private
static final String utf8 ="GBK";

@Override
public
void write(K key, V value) throwsIOException,
InterruptedException {
if (!(key==null && key
instanceofNullWritable)){
//如果key不为空者输出key
if((Object)keyinstanceof Text){
//下面的注释掉
/*
Text to = (Text)key;
out.write(to.getBytes(),0, to.getLength());
}
else
{
*/
out.write(key.toString().getBytes(utf8));
}
out.write(keyValueSeparator);
}
if(!(value ==null && value
instanceofNullWritable)){
//如果value不为空则输出value
if((Object)valueinstanceof Text){
//下面的注释掉
/* Textto = (Text) value;
out.write(to.getBytes(),0, to.getLength());
}
else
{
*/
out.write(value.toString().getBytes(utf8));
}
out.write(newline);
}

}

3、在主程序中修改：

//设置多文件输出
job1.setOutputFormatClass(MyMultiple.class);

Job2.setOutputFormatClass(MyMultiple.class);

输出结果如下图：