Hadoop环境搭建及实现倒排索引

目 录
1.应用介绍 3
1.1实验环境介绍 3
1.2应用背景介绍 3
1.3应用的意义与价值 4
2.数据及存储 5
2.1数据来源及数据量 5
2.2数据存储解决方案 5
3.分析处理架构 5
3.1架构设计和处理方法 5
3.2核心处理算法代码 7
4.系统实现 9
5.总结 27

1.应用介绍
1.1实验环境介绍
本实验是在hadoop伪分布式处理架构下完成的。我用自己的笔记本在ubuntu14.04操作系统下自己搭建了hadoop2.7.1架构，并配置了伪分布式模式进行数据的处理。

1.2应用背景介绍
本次云计算大作业实现的是文档检索系统中最常用的数据结构—倒排索引。我通过查阅资料了解了倒排索引的实现过程，借鉴已有的实现程序完成了该算法在hadoop平台上的运行，并处理了相关的数据，得到了相应的处理结果。在关系数据库系统里，索引是检索数据最有效率的方式,。但对于搜索引擎，它并不能满足其特殊要求：
1）海量数据：搜索引擎面对的是海量数据，像Google、百度这样大型的商业搜索引擎索引都是亿级甚至百亿级的网页数量，面对如此海量数据 ,使得数据库系统很难有效的管理。
2）数据操作简单：搜索引擎使用的数据操作简单,一般而言,只需要增、删、改、查几个功能，而且数据都有特定的格式，可以针对这些应用设计出简单高效的应用程序。而一般的数据库系统则支持大而全的功能，同时损失了速度和空间。最后，搜索引擎面临大量的用户检索需求，这要求搜索引擎在检索程序的设计上要分秒必争，尽可能的将大运算量的工作在索引建立时完成，使检索运算尽量的少。一般的数据库系统很难承受如此大量的用户请求，而且在检索响应时间和检索并发度上都不及我们专门设计的索引系统。
1.3应用的意义与价值
倒排索引，也常被称为反向索引、置入档案或反向档案，是一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。它是文档检索系统中最常用的数据结构。通过倒排索引，可以根据单词快速获取包含这个单词的文档列表。
现代搜索引擎的索引都是基于倒排索引。相比“签名文件”、“后缀树”等索引结构，“倒排索引”是实现单词到文档映射关系的最佳实现方式和最有效的索引结构。
2.数据及存储
2.1数据来源及数据量
数据的存储格式主要是txt文本文档格式的。数据主要来自于网上的英文原版书籍。我从网上下载了超过千万个英文单词的英文文档，文件大小为百兆级别。
2.2数据存储解决方案
因为数据主要是一些txt文本文件，所以下载下来后直接存储在本地即可。之后上传到Hdfs下的目录中。
3.分析处理架构
3.1架构设计和处理方法
实现倒排索引只要关注的信息为：单词、文档URL及词频。输入的文档格式为“文件名.txt”格式。
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

public static class Map extends Mapper<Object, Text, Text, Text> {

        private Text keyInfo = new Text(); // 存储单词和URL组合

        private Text valueInfo = new Text(); // 存储词频

        private FileSplit split; // 存储Split对象

        // 实现map函数

        public void map(Object key, Text value, Context context)

                throws IOException, InterruptedException {

            // 获得<key,value>对所属的FileSplit对象

            split = (FileSplit) context.getInputSplit();

            StringTokenizer itr = new StringTokenizer(value.toString());

            while (itr.hasMoreTokens()) {

                // key值由单词和URL组成，如"MapReduce：file1.txt"

                // 获取文件的完整路径

                // keyInfo.set(itr.nextToken()+":"+split.getPath().toString());

                // 这里为了好看，只获取文件的名称。

                int splitIndex = split.getPath().toString().indexOf("file");

                keyInfo.set(itr.nextToken() + ":"

                    + split.getPath().toString().substring(splitIndex));

                // 词频初始化为1

                valueInfo.set("1");

                context.write(keyInfo, valueInfo);

            }

        }

    }

    public static class Combine extends Reducer<Text, Text, Text, Text> {

        private Text info = new Text();

        // 实现reduce函数

        public void reduce(Text key, Iterable<Text> values, Context context)

                throws IOException, InterruptedException {

            // 统计词频

            int sum = 0;

            for (Text value : values) {

                sum += Integer.parseInt(value.toString());

            }

            int splitIndex = key.toString().indexOf(":");

            // 重新设置value值由URL和词频组成

            info.set(key.toString().substring(splitIndex + 1) + ":" + sum);

            // 重新设置key值为单词

            key.set(key.toString().substring(0, splitIndex));

            context.write(key, info);

        }

    }

    public static class Reduce extends Reducer<Text, Text, Text, Text> {

        private Text result = new Text();

        // 实现reduce函数

        public void reduce(Text key, Iterable<Text> values, Context context)

                throws IOException, InterruptedException {

            // 生成文档列表

            String fileList = new String();

            for (Text value : values) {

                fileList += value.toString() + ";";

            }

            result.set(fileList);

            context.write(key, result);

        }

}

4.系统实现
首先在ubuntu14.04系统下自己搭建了hadoop2.7.1架构，然后通过设置配置文件将hadoop架构配置为伪分布式模型。
实现过程是首先在eclipse中创建工程，编写程序，然后打包为jar文件。然后开启hadoop伪分布式服务，将需要处理的本地文件上传到hdfs下的目录中，然后运行jar文件，开始处理数据。具体的实现过程如下：
1）在eclipse中创建java工程。

2）将完整的工程打包为jar文件，并导出到本地目录下。


3）在本地目录中查看导出的jar文件为InvertedIndex.jar

4）运行hadoop前使用命令“bin/hdfs namenode -format”初始化hdfs。

5）初始化hdfs完成

6） 开启hadoop服务，hadoop的本地安装目录为/home/u/hadoop，在hadoop的安装目录下进入到sbin目录下，运行start-all.sh文件。

7）用jps命令查看当前启动的服务，其中有NameNode和DataNode，说明hadoop服务已开启。

8）在浏览器中输入网址：http://localhost:50070，查看hadoop UI信息。也说明了hadoop服务开启成功。

9）查看本地需要处理的数据，为在/home/u/hadoop/input/booktxt目录下的所有txt文本文件。之后会将这些文件重命名为file*.txt文件方面上传了处理操作。

10）使用bin/hdfs dfs -mkdir /cloudlab命令在hdfs下创建目录cloudlab存储需要处理的文件数据，使用bin/hdfs dfs -ls / 命令查看hdfs当前下的目录，显示cloudlab目录已创建成功。

11）使用命令 “bin/hdfs dfs -put /home/u/hadoop/input/booktxt/file*.txt /cloudlab/ ”上传本地文件到hdfs的cloudlab目录下。并且使用命令bin/hdfs dfs -ls /cloudlab/查看文件已经上传成功。

12）使用命令”bin/hadoop jar Jar/InvertedIndex.jar InvertedIndex /cloudlab/file*.txt /cloudlab/OutPut”运行InvertedIndex.jar文件，开始对数据进行处理。其中OutPut为结果输出目录，运行结束后会在hdfs下自动生成该目录。

13）运行过程展示，包括程序的处理过程。

14）使用命令bin/hdfs dfs -ls /cloudlab查看运行结果，可以看到在该目录下生成了文件OutPut.

15）使用命令“bin/hdfs dfs -ls /cloudlab/OutPut”查看OutPut目录下输出的文件为：part-r-00000.

16）使用命令“bin/hadoop fs -cat /cloudlab/OutPut/part-r-00000”查看输出结果文件中的内容。

17）部分经过程序处理后的结果如下，结果显示了一些英文单词在每个文件中出现的次数，符合倒排索引算法处理的结果。



5.总结
本次实验通过自己搭建hadoop架构来完成作业，在搭建的过程中遇到很多的问题，但通过查阅资料也一一解决了。在使用hadoop平台运行程序处理数据的过程中也学习到了很多知识，体验到如hadoop这样的大数据处理框架处理大数据量的优势。最后成功的在hadoop平台上运行了要实现的倒排索引算法，并对一些数据作了处理，得到了相应的结果。但也存在一些问题，比如前期数据没有经过细致的处理，以及结果没有经过整理等。