数据分析之共同好友统计

---------------------------------------------------------------------------------------------------------------

[版权申明：本文系作者原创，转载请注明出处]

文章出处：http://blog.csdn.net/sdksdk0/article/details/51646916

作者：朱培

---------------------------------------------------------------------------------------------------------------

今天主要分享一个统计共同好友的案例，非常简单也非常实用的一个小案例，对于数据分析初级开发人员是很好的入门资料。

下面先来看一下原始数据：

A:B,C,D,F,E,O

B:A,C,E,K

C:F,A,D,I

D:A,E,F,L

E:B,C,D,M,L

F:A,B,C,D,E,O,M

G:A,C,D,E,F

H:A,C,D,E,O

I:A,O

J:B,O

K:A,C,D

L:D,E,F

M:E,F,G

O:A,H,I,J

上面这段数据的意思是：A的好友有B,C,D,F,E,O，B的好友有A、C、E、K，其他的按理类推。其中：用户和好友之间在这里以冒号分隔开，好友之间用逗号隔开。

当我们拿到这段数据的时候，该如何下手呢？

首先可以先两两合并为一组，然后找有相同的元素。例如可以分为AB、AC、AD、BC、BD.....等

找共同好友就是可以把AB求交集，然而这种方法在这里是不太可行的，那么我们可以逆向思维，反过来找，

例如找到第一行，B是A的朋友，C是A的朋友，然后就可以有K、V。

在A:B,C,D,F,E,O中B是A的朋友，在F:A,B,C,D,E,O,M中，B是F的朋友，则我们就可以认为A和F的共同好友是B，以这个B为K，依次类推。

则A是BDFGHIKO的共同好友

B是AEFJ,的共同好友

C是ABEFGHK的共同好友

D是ACEFGHKL的共同好友

即当一个mapper执行结束后悔得到上面这些结果，然后再来一个mapreduce。

得到两两之间应该共同好友：

A：BD-A BF-A BG-A BH-A BI-A BK-A BO-A

B: AE-B AF-B AJ-B

C: AB-C AE-C AF-C ... BF-C BG-C BH-C ...

依次类推，这样就得到了共同好友了！

接下来用代码来实现：

String line=value.toString();   //一行行的读取数据
String[] split=line.split(":");  //把读到的数据切分开，前面说过的用冒号分开好友
String person=split[0];     //自己就是分开的数组的第0位

String[] friends=split[1].split(",");   //好友是数组的第1位，而且以逗号隔开的

下面循环这些值，并写入到Text中：

for(String f:friends){
context.write(new Text(f), new Text(person));
}

然后提交给reduce来执行：再来一个循环和写入。

StringBuffer sb=new  StringBuffer();

for(Text person:persons){
sb.append(person+",");
}
context.write(friend, new Text(sb.toString()));
}

最后在main方法中调用map和reduce。

//指定本job使用的mapper类
wcjob.setMapperClass(CommonFriendsOneMapper.class);
//指定本job使用的reducer类
wcjob.setReducerClass(CommonFriendsOneReducer.class);

完整代码如下：

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class CommonFriendsOne {

public static class CommonFriendsOneMapper extends Mapper<LongWritable, Text, Text, Text> {

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

String line=value.toString();
String[] split=line.split(":");
String person=split[0];

String[] friends=split[1].split(",");

for(String f:friends){
context.write(new Text(f), new Text(person));

}
}
}
public static class CommonFriendsOneReducer extends Reducer<Text, Text, Text, Text> {

// 输入<B->A><B->E><B->F>....
// 输出 B A,E,F,J
@Override
protected void reduce(Text friend, Iterable<Text> persons, Context context) throws IOException, InterruptedException {
StringBuffer sb=new  StringBuffer();

for(Text person:persons){
sb.append(person+",");
}
context.write(friend, new Text(sb.toString()));
}
}

public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//读取classpath下的所有xxx-site.xml配置文件，并进行解析
Configuration conf = new Configuration();

Job wcjob = Job.getInstance(conf);

//通过主类的类加载器机制获取到本job的所有代码所在的jar包
wcjob.setJarByClass(CommonFriendsOne.class);

//指定本job使用的mapper类
wcjob.setMapperClass(CommonFriendsOneMapper.class);
//指定本job使用的reducer类
wcjob.setReducerClass(CommonFriendsOneReducer.class);

//指定reducer输出的kv数据类型
wcjob.setOutputKeyClass(Text.class);
wcjob.setOutputValueClass(Text.class);

//指定本job要处理的文件所在的路径
FileInputFormat.setInputPaths(wcjob, new Path(args[0]));
//指定本job输出的结果文件放在哪个路径
FileOutputFormat.setOutputPath(wcjob, new Path(args[1]));

//将本job向hadoop集群提交执行
boolean res = wcjob.waitForCompletion(true);

System.exit(res?0:1);

}

}

可以按照我之前博文的方法：将这个文件打成一个jar包，然后提交到hadoop集群中运行。

在hadoop中新建数据文件和目录。

bin/hadoop fs -mkdir -p /friends/data

然后上传源数据

bin/hadoop fs -put ../lx/data.txt /friends/data

执行jar

bin/hadoop jar ../lx/friends.jar cn.tf.friends.CommonFriendsOne /friends/data /friends/output

查看执行情况：

bin/hadoop fs -cat /friends/output/part-r-00000

运行效果如下：



到这里整个流程就分析完毕了。