MapReduce 基础算法【单词共现算法】

一时失言乱红尘 2022-05-17 12:30 190阅读 0赞

### 基本设计 ###

#### 设有一个英文语句： ####

wearenotwhatwewanttobebutatleastwearenotwhatweusedtobe.  w e a r e n o t w h a t w e w a n t t o b e b u t a t l e a s t w e a r e n o t w h a t w e u s e d t o b e .

*  设共现窗口定义为连续出现的两个单词，如下图给出上句英文的共现矩阵。  
    ![5842974.jpg][]

### 单词共现算法实现（伪代码） ###

#### Map端伪代码如下： ####

class Mapper 
        method Map(dociddid, doc d) for all word w 属于 d for all word u 属于 Window(w) //发射出现计数 1 Emit(pair (w, u), 1)

#### Reduce 端伪代码如下： ####

class Reducer
        method Reduce(pair p; countlist [c1, c2,..]) s = 0 for all count c in countlist [c1, c2, ...] s = s+ c Emit(pair p, count s)

*  上述Mapper伪代码中使用了一个window定义，表示如果单词w的窗口u 属于w的窗口内，则认为是（u,w）的一次出现。这里的窗口Windows可以根据不同的应用需求有不同的定义，比例，可以定义为一个固定大小的窗口，或者是前者相连出现、在同义句中、在同一段落中出现的单词等。
 *  例如，如果窗口中的单词为\[w1, w2, w3\],我们发射（（w1,w2）,1）和（（w1,w3）,1）出去然后窗口向后移动一个单词。REduce阶段则对发来的相同键的值进行简单的求和即可。这里单词顺序有无关系需要看具体的情况而定。另外，在实际实现中我们需要传入Map的数据时以一个文本为单位的，这里需要实现一个WholeFileInputFormat  W h o l e F i l e I n p u t F o r m a t 以便一个文本呗拆分被整个传入到一个Map节点。
 *  例如，  
    ![31806495.jpg][]
 *  在Map阶段，一个Map节点接受到如图所示的一个文档的内容，`窗口大小为7`，那么首先窗口先覆盖了MapReduceisanewtechniquetoprocessbigdata  M a p R e d u c e i s a n e w t e c h n i q u e t o p r o c e s s b i g d a t a ,然后，该结点将键值对((MapReduce,is),1)  ( ( M a p R e d u c e , i s ) , 1 ) ,((MapReduce,a),1)  ( ( M a p R e d u c e , a ) , 1 ) ,((MapReduce,technique),1)  ( ( M a p R e d u c e , t e c h n i q u e ) , 1 ) ,((MapReduce,to),1)  ( ( M a p R e d u c e , t o ) , 1 ) ,((MapReduce,process),1)  ( ( M a p R e d u c e , p r o c e s s ) , 1 ) 发射出去。随后窗口向后滑动一格，与上面相似，这时将((is,a),1)  ( ( i s , a ) , 1 ) ,((is,new),1)  ( ( i s , n e w ) , 1 ) ,((is,technique),1)  ( ( i s , t e c h n i q u e ) , 1 ) ,((is,to),1)  ( ( i s , t o ) , 1 ) ,((is,process),1)  ( ( i s , p r o c e s s ) , 1 ) ,((is,big),1)  ( ( i s , b i g ) , 1 ) ,发射出去。最后再向后滑动一一个单词至文档的末尾，与上面相似，发送相应的键值对出去。当窗口尾部已经到达文档尾部时，滑动窗口则通过将窗口头部向后“缩进”来进行，此过程一直进行到窗口大小为2停止。

### 单词共现算法实现中的细节问题 ###

*  发射出去的单词对需要自定义以个WordPair  W o r d P a i r 类，该类需要实现WirtableComparable  W i r t a b l e C o m p a r a b l e 接口。需要重写自定义类WordPair的hashCode()方法，使得相同的WordPair  W o r d P a i r 主键都被发送到相同的Reduce  R e d u c e 节点去。另外，我们还需要重写compareTo()  c o m p a r e T o ( ) 和equals()方法使得相同的WordPair  W o r d P a i r 键的值可以比较大小和排序。
 *  WordPair主要代码：

public class WordPair implements WritableComparable<WordPair>{
        private String wordA;
        private String wordB;
    
        public WordPair(){      
        }
    
        public WordPair(String wordA,String wordB){
            this.wordA = wordA;
            this.wordB = wordB;
        }
    
        public String getWordA(){
            return this.wordA;
        }
    
        public String getWordB(){
            return this.wordB;
        }
    
        @Override
        public void write(DataOutput out) throws IOException {
            // TODO Auto-generated method stub
            out.writeUTF(wordA);
            out.writeUTF(wordB);
        }
    
        @Override
        public void readFields(DataInput in) throws IOException {
            // TODO Auto-generated method stub
            wordA = in.readUTF();
            wordB = in.readUTF();
        }
    
        @Override
        public String toString(){
            return wordA + "," + wordB;
        }
    
        @Override
        public int compareTo(WordPair o) {
            if(this.equals(o))
                return 0;
            else
                return (wordA + wordB).compareTo(o.getWordA() + o.getWordB());
        }
    
        @Override
        public boolean equals(Object o){
            //无序对，不用考虑顺序
            if(!(o instanceof WordPair))
                return false;
            WordPair w = (WordPair)o;
            if((this.wordA.equals(w.wordA) && this.wordB.equals(w.wordB))
                    || (this.wordB.equals(w.wordA) && this.wordA.equals(w.wordB)))
                    return true;
            return false;
        }
    
        @Override 
        public int hashCode(){
            return (wordA.hashCode() + wordB.hashCode()) * 17;
        }
    
    }

*  Mapper主要代码：

private int windowSize;
            private Queue<String> windowQueue = new LinkedList<String>(); 
    
            @Override
            protected void setup(Context context) throws IOException,InterruptedException{
                windowSize = Math.min(context.getConfiguration().getInt("window", 2) , MAX_WINDOW);
            }
    
            /** * 输入键位文档的文件名，值为文档中的内容的字节形式。 * */
            @Override
            public void map(Text docName, BytesWritable docContent, Context context)throws 
            IOException, InterruptedException{
                Matcher matcher = wordPattern.matcher(new String(docContent.getBytes(),"UTF-8"));
                while(matcher.find()){
                    windowQueue.add(matcher.group());
                    if(windowQueue.size() >= windowSize){
                        //对于队列中的元素[q1,q2,q3...qn]发射[(q1,q2),1],[(q1,q3),1],
                        //...[(q1,qn),1]出去
                        Iterator<String> it = windowQueue.iterator();
                        String w1 = it.next();
                        while(it.hasNext()){
                            String next = it.next();
                            context.write(new WordPair(w1, next), one);
                        }
                        windowQueue.remove();
                    }
                }
                if(!(windowQueue.size() <= 1)){
                    Iterator<String> it = windowQueue.iterator();
                    String w1 = it.next();
                    while(it.hasNext()){
                        context.write(new WordPair(w1,it.next()), one);
                    }
                }
            }

[5842974.jpg]: http://oz3ijy2k5.bkt.clouddn.com/18-8-11/5842974.jpg
[31806495.jpg]: http://oz3ijy2k5.bkt.clouddn.com/18-8-11/31806495.jpg