package com.IverseIndex;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class Entry {
	public static void main(String[] args)  throws IOException, ClassNotFoundException, InterruptedException {
		Configuration conf = new Configuration();
		String[] otherarg = new GenericOptionsParser(conf, args)
				.getRemainingArgs();
		if (otherarg.length != 2) {
			System.out.println("error!");
			System.exit(2);
		}
		@SuppressWarnings("deprecation")
		Job job = new Job(conf, "InverseIndex");
		job.setJarByClass(Entry.class);
		job.setMapperClass(InverseIndexMapper.class);
		job.setCombinerClass(InverseIndexCombiner.class);
		job.setReducerClass(InverseIndexReducer.class);
        job.setOutputKeyClass(Text.class); 
        job.setOutputValueClass(Text.class); 
		FileInputFormat.addInputPath(job, new Path(otherarg[0]));
		FileOutputFormat.setOutputPath(job, new Path(otherarg[1]));
		System.exit(job.waitForCompletion(true) ? 0 : 1);
	}

}
package com.IverseIndex;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
public class InverseIndexMapper extends Mapper<Object, Text, Text, Text> {
	private Text wordinfo = new Text(); 
	private FileSplit split; 
	public void map(Object key, Text value, Context context)
			throws IOException, InterruptedException {
		split = (FileSplit) context.getInputSplit();
		StringTokenizer itr = new StringTokenizer(value.toString());
		while (itr.hasMoreTokens()) {
			wordinfo.set(itr.nextToken() + ":"
					+ split.getPath().toString());
			context.write(wordinfo,new Text("1"));
		}
		
	}
}
package com.IverseIndex;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class InverseIndexCombiner extends Reducer<Text, Text, Text, Text> {
	private Text wordinfo = new Text();
	public void reduce(Text key, Iterable<Text> values, Context context)
			throws IOException, InterruptedException {
		int sum = 0;
		for (Text val : values) {
			sum +=Integer.parseInt(val.toString());
		}
		int splitIndex = key.toString().indexOf(":");
		wordinfo.set(key.toString().substring(splitIndex + 1) + ":" + String.valueOf(sum));
		key.set(key.toString().substring(0, splitIndex));
		context.write(key,wordinfo);
	}
}
package com.IverseIndex;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

public class InverseIndexReducer extends Reducer<Text, Text, Text, Text> {
	public void reduce(Text key, Iterable<Text> values, Context context)
			throws IOException, InterruptedException {
		String file = new String();
		for (Text value : values) {
			file += value.toString() + ";";
		}
		context.write(key, new Text(file));
	}
}

倒排索引"是文档检索系统中最常用的数据结构，被广泛地应用于全文搜索引擎。它主要是用来存储某个单词（或词组）在一个文档或一组文档中的存储位置的映射，即提供了一种根据内容来查找文档的方式。由于不是根据文档来确定文档所包含的内容，而是进行相反的操作，因而称为倒排索引（Inverted Index）。

通常情况下，倒排索引由一个单词（或词组）以及相关的文档列表组成，文档列表中的文档或者是标识文档的ID号，或者是指文档所在位置的URL，

单词1出现在{文档1，文档4，文档13，……}中，单词2出现在{文档3，文档5，文档15，……}中，而单词3出现在{文档1，文档8，文档20，……}中。在实际应用中，还需要给每个文档添加一个权值，用来指出每个文档与搜索内容的相关度，如图所示。

最常用的是使用词频作为权重，即记录单词在文档中出现的次数。以英文为例，如图所示，索引文件中的"MapReduce"一行表示："MapReduce"这个单词在文本T0中出现过1次，T1中出现过1次，T2中出现过2次。当搜索条件为"MapReduce"、"is"、"Simple"时，对应的集合为：{T0，T1，T2}∩{T0，T1}∩{T0，T1}={T0，T1}，即文档T0和T1包含了所要索引的单词，而且只有T0是连续的。

更复杂的权重还可能要记录单词在多少个文档中出现过，以实现TF-IDF（Term Frequency-Inverse DocumentFrequency）算法，或者考虑单词在文档中的位置信息（单词是否出现在标题中，反映了单词在文档中的重要性）等。

样例输入如下所示。

1）file1：

MapReduceis simple

2）file2：

扫描二维码关注公众号，回复： 956806 查看本文章

MapReduceis powerful is simple

3）file3：

HelloMapReduce bye MapReduce

样例输出如下所示。

MapReduce file1.txt:1;file2.txt:1;file3.txt:2;

is 　　　　file1.txt:1;file2.txt:2;

simple 　 file1.txt:1;file2.txt:1;

powerful 　　 file2.txt:1;

Hello 　　 file3.txt:1;

bye 　　 file3.txt:1;

实现"倒排索引"只要关注的信息为：单词、文档URL及词频。下面根据MapReduce的处理过程给出倒排索引的设计思路。

设计思路

1）Map过程：首先使用默认的TextInputFormat类对输入文件进行处理，得到文本中每行的偏移量及其内容。显然，Map过程首先必须分析输入的<key,value>对，得到倒排索引中需要的三个信息：单词、文档URL和词频，这里存在两个问题：第一，<key,value>对只能有两个值，在不使用Hadoop自定义数据类型的情况下，需要根据情况将其中两个值合并成一个值，作为key或value值；第二，通过一个Reduce过程无法同时完成词频统计和生成文档列表，所以必须增加一个Combine过程完成词频统计；

这里将单词和URL组成key值（如"MapReduce：file1.txt"），将词频作为value，这样做的好处是可以利用MapReduce框架自带的Map端排序，将同一文档的相同单词的词频组成列表，传递给Combine过程，实现类似于WordCount的功能。

2）Combine过程：经过map方法处理后，Combine过程将key值相同的value值累加，得到一个单词在文档中的词频，如图所示。如果直接将图所示的输出作为Reduce过程的输入，在Shuffle过程时将面临一个问题：所有具有相同单词的记录（由单词、URL和词频组成）应该交由同一个Reducer处理，但当前的key值无法保证这一点，所以必须修改key值和value值。这次将单词作为key值，URL和词频组成value值（如"file1.txt：1"）。这样做的好处是可以利用MapReduce框架默认的HashPartitioner类完成Shuffle过程，将相同单词的所有记录发送给同一个Reducer进行处理。

3）Reduce过程：经过上述两个过程后，Reduce过程只需将相同key值的value值组合成倒排索引文件所需的格式即可，剩下的事情就可以直接交给MapReduce框架进行处理了。

HadoopMapReduce倒排索引

设计思路

猜你喜欢