大数据技术 Mapreduce -- PageRank-职坐标

大数据技术 Mapreduce -- PageRank

沉沙 2018-09-27 来源：阅读 1542 评论 0

摘要：本篇教程探讨了大数据技术 Mapreduce -- PageRank，希望阅读本篇文章以后大家有所收获，帮助大家对大数据技术的理解更加深入。

本篇教程探讨了大数据技术 Mapreduce -- PageRank，希望阅读本篇文章以后大家有所收获，帮助大家对大数据技术的理解更加深入。

PageRank 简单理解为网页排名，但是网页是根据什么排名的，接下来就简单介绍一下。

举例：
假设网页 A 的内容中有网页 B，C 和 D 的链接，并且 A 的 PageRank的值为0.25。
那接下里我们就可以计算在网页 A 中的其他网页的PageRank的值了。我们拿网页 B 来进行说明，
在网页 A 中的网页 B 的 PageRank 为 0.25 * (1/n) 其中n为网页 A 中网页链接数，结果则为 0.25*(1/3)。
可以简单理解为A的PageRank被B，C 和 D 平分了，B分到了0.25的三分之一。
然后将所有网页中的关于网页B的pagerank值求出来，就是网页B真实的pagerank了。

但是上面的例子没有考虑到如下的特殊情况：
1 网页A中只有指向自己的网页链接。
2 网页A中没有任何链接。
如果出现以上情况，会导致pagerank结果不准确。

所以出现了下面的公式：
result = sum * n + (1-n)/N
sum 为上面计算出来的，如网页B在所有网页中的pagerank值的总和。
n 可以理解为停留在当前网页继续进行网页跳转浏览的概率
1-n 可以理解为不访问当前网页的任何链接，从浏览器的地址栏输入，转去其他网页的概率。
N 为网页的数量

下面介绍通过MapReduce实现PageRank
简单的流程分析：
Map
取一行数据进行说明

A    B    C    D

网页A中有网页B,C,D的链接;
刚开始给网页A一个默认的pagerank值，然后根据这个值计算其他网页链接在网页A中的PageRank。处理后的数据如下：

A    0.25    B    C    D
B    0.25*(1/3)
C    0.25*(1/3)
D    0.25*(1/3)

Reduce
然后通过 Reduce 计算出各个网页在其他网页中的 PageRank 的总和 sum，然后代入公式计算实际的PageRank，并更新 A 0.25 B C D 中的数据，这里将0.25更新为计算出来真实的 PageRank。
重复计算各个网页的 PageRank 的值，直到 PageRank 的结果收敛，值趋于稳定。

A    0.25    B    C    D  =>A    ?    B    C    D

测试数据：

A    B       C       D
B    A       D
C    C
D    B       C

测试代码：
RunJob.java

  1 import org.apache.hadoop.conf.Configuration;
  2 import org.apache.hadoop.fs.FileSystem;
  3 import org.apache.hadoop.fs.Path;
  4 import org.apache.hadoop.io.Text;
  5 import org.apache.hadoop.mapreduce.Job;
  6 import org.apache.hadoop.mapreduce.Mapper;
  7 import org.apache.hadoop.mapreduce.Reducer;
  8 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  9 import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
10 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
11
12 import java.io.IOException;
13
14 /**
15  * Created by Edward on 2016/7/13.
16  */
17 public class RunJob {
18
19     public static enum ValueEnum{
20         CLOSURE_VALUE;
21     }
22
23     public static void main(String[] args)
24     {
25
26         //access hdfs's user
27         System.setProperty("HADOOP_USER_NAME","root");
28
29         Configuration conf = new Configuration();
30         conf.set("fs.defaultFS", "hdfs://node1:8020");
31
32         try {
33             int i = 0;
34             while(true) {
35                 i++;
36                 conf.setInt("count", i);
37
38                 FileSystem fs = FileSystem.get(conf);
39                 Job job = Job.getInstance(conf);
40                 job.setJarByClass(RunJob.class);
41                 job.setMapperClass(MyMapper.class);
42                 job.setReducerClass(MyReducer.class);
43
44                 //需要指定 map out 的 key 和 value
45                 job.setOutputKeyClass(Text.class);
46                 job.setOutputValueClass(Text.class);
47
48                 //设置输入类的
49                 job.setInputFormatClass(KeyValueTextInputFormat.class);
50                 if(i==1)
51                     FileInputFormat.addInputPath(job, new Path("/test/pagerank/input"));
52                 else
53                     FileInputFormat.addInputPath(job, new Path("/test/pagerank/output/pr"+(i-1)));
54
55                 Path path = new Path("/test/pagerank/output/pr"+i);
56                 if (fs.exists(path))//如果目录存在，则删除目录
57                 {
58                     fs.delete(path, true);
59                 }
60                 FileOutputFormat.setOutputPath(job, path);
61
62                 boolean b = job.waitForCompletion(true);
63                 if (b) {
64                     long closure =job.getCounters().findCounter(ValueEnum.CLOSURE_VALUE).getValue();
65                     double avg= closure/4000.0;//计算收敛的平均值，浮动小于0.001则认为收敛
66                     System.out.println("执行第"+i+"次, closure="+closure+",avg="+avg);
67                     if(avg < 0.001){
68                         System.out.println("总共执行了"+i+"次，之后收敛");
69                         break;
70                     }
71                 }
72             }
73
74         } catch (Exception e) {
75             e.printStackTrace();
76         }
77     }
78
79
80     public static class MyMapper extends Mapper {
81         @Override
82         protected void map(Text key, Text value, Context context) throws IOException, InterruptedException {
83             AdjacentNodes adjacentNodes  = new AdjacentNodes();
84             int count = context.getConfiguration().getInt("count", 1);
85
86             if(count == 1)
87             {
88                 AdjacentNodes firstAdj = new AdjacentNodes();
89                 firstAdj.setValue(1.0);
90                 firstAdj.setNodes(value.toString().split("\t"));
91                 adjacentNodes = firstAdj;
92             }
93             else
94             {
95                 //格式化 value: 1.0 B C D
96                 adjacentNodes.formatInfo(value.toString());
97             }
98             //A 1.0 B C D
99             context.write(key, new Text(adjacentNodes.toString()));
100
101             double pagerank = adjacentNodes.getValue()/adjacentNodes.getNum();
102             for(int i=0; i<adjacentNodes.getNum(); i++)
103             {
104                 String node = adjacentNodes.getNodes()[i];
105                 //B 0.333
106                 context.write(new Text(node), new Text(pagerank+""));
107             }
108         }
109     }
110
111     public static class MyReducer extends Reducer {
112         @Override
113         protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
114
115             AdjacentNodes adjacentNodes = new AdjacentNodes();
116
117             Double sum = 0.0;
118             for(Text adj : values)
119             {
120                 String str = adj.toString();
121                 if(str.split("\t").length>1)
122                 {
123                     adjacentNodes.formatInfo(str);
124                 }
125                 else{
126                     sum += Double.parseDouble(str);   //对节点的 pagerank 求和，
127                 }
128             }
129
130             //计算pagerank
131             double n = 0.80;
132             double pagerank = sum * n + (1-n)/4.0;// 计算pagerank 公式 sum * n + (1-n)/N
133
134             //计算收敛的差值
135             int closure =(int)(Math.abs(pagerank - adjacentNodes.getValue()) * 1000);
136             //通过context.getCounter(ENUM)方法，每次执行reduce将closure的值进行累加，结果传递给主函数，
137
138             context.getCounter(ValueEnum.CLOSURE_VALUE).increment(closure);
139
140             adjacentNodes.setValue(pagerank);
141             context.write(key, new Text(adjacentNodes.toString()));
142         }
143     }
144 }

AdjacentNodes.java

/**
* Created by Edward on 2016/7/14.
*/
public class AdjacentNodes {

    double value = 0.0;
    int num = 0;
    String[] nodes = null;

    public void formatInfo(String str)
    {
        String[] val = str.split("\t");
        this.setValue(Double.parseDouble(val[0]));
        this.setNum(val.length-1);

        if(this.num != 0)
            this.nodes = new String[this.num];

        for(int i=1; i<val.length; i++)
        {
            this.nodes[i-1] = val[i];
        }
    }

    public boolean isEmpty()
    {
        if(this.num == 0)
            return true;
        else
            return false;
    }

    public void setNodes(String[] nodes) {
        this.nodes = nodes;
        this.num = nodes.length;
    }

    public void setNum(int num) {
        this.num = num;
    }

    public void setValue(double value) {
        this.value = value;
    }

    public double getValue() {
        return value;
    }

    public int getNum() {
        return num;
    }

    public String[] getNodes() {
        return nodes;
    }

    @Override
    public String toString() {

        StringBuffer stringBuffer = new StringBuffer(this.value+"");

        for(int i=0; i<this.num; i++)
        {
            stringBuffer.append("\t"+this.nodes[i]);
        }

        return stringBuffer.toString();
    }
}

结果数据：

A       0.10135294176208584     B       C       D
B       0.12838069628609527     A       D
C       0.6560527651143326      C
D       0.12838069628609527     B       C

总共执行了24次，之后收敛;
PageRank值越高，越值得推荐。