Java Map Reduce Hadoop中的倒排列表

我试图修改此代码以生成一个完整的倒排列表。我的意思是，获取文件位置中每个单词的索引。如果我们有两个包含单词的文件

  abc.txt =    I am coming to the park to play, yes i am.

  def.txt = Please come on over, i will be waiting for you

我应该有这样的东西：

i /home/abc.txt: 1 10 /home/def.txt: 5

这意味着字母i是abc.txt文件中的第一个和第十个单词，是def.txt文件中的第五个单词

我已修改代码以提供“单词位置和单词频率”，如下所示：

import java.io.IOException;
import java.util.*;

import org.apache.hadoop.conf.*;
import org.apache.hadoop.fs.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.*;
import org.apache.hadoop.mapreduce.lib.input.*;
import org.apache.hadoop.mapreduce.lib.output.*;
import org.apache.hadoop.util.*;

public class WordCountByFile extends Configured implements Tool {

    public static void main(String args[]) throws Exception {
        String[] argsLocal = {
            "input#2", "output#2"
        };
        int res = ToolRunner.run(new WordCountByFile(), argsLocal);
        System.exit(res);
    }

    public int run(String[] args) throws Exception {
        Path inputPath = new Path(args[0]);
        Path outputPath = new Path(args[1]);

        Configuration conf = getConf();
        Job job = new Job(conf, this.getClass().toString());

        FileInputFormat.setInputPaths(job, inputPath);
        FileOutputFormat.setOutputPath(job, outputPath);

        job.setJobName("WordCountByFile");
        job.setJarByClass(WordCountByFile.class);
        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        job.setMapperClass(Map.class);
        job.setCombinerClass(Reduce.class);
        job.setReducerClass(Reduce.class);

        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static class Map extends Mapper < LongWritable, Text, Text, IntWritable > {
        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();

        public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            String line = value.toString();
            StringTokenizer tokenizer = new StringTokenizer(line);
            while (tokenizer.hasMoreTokens()) {

                String filePathString = ((FileSplit) context.getInputSplit()).getPath().toString();

                word.set(tokenizer.nextToken() + " " + filePathString + " : ");
                context.write(word, one);
            }
        }
    }

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

        @Override
        public void reduce(Text key, Iterable < IntWritable > values, Context context) 
            throws IOException, InterruptedException {
            int sum = 0;
            for (IntWritable value: values) {
                sum += value.get();
            }
            context.write(key, new IntWritable(sum));
        }
    }
}

import java.io.IOException；
导入java.util.*；
导入org.apache.hadoop.conf.*；
导入org.apache.hadoop.fs.*；
导入org.apache.hadoop.io.*；
导入org.apache.hadoop.mapreduce.*；
导入org.apache.hadoop.mapreduce.lib.input.*；
导入org.apache.hadoop.mapreduce.lib.output.*；
导入org.apache.hadoop.util.*；
公共类WordCountByFile扩展配置的实现工具{
公共静态void main（字符串args[]）引发异常{
字符串[]argsLocal={
“输入#2”，“输出#2”
};
int res=ToolRunner.run（新的WordCountByFile（），argsLocal）；
系统退出（res）；
}
公共int运行（字符串[]args）引发异常{
路径输入路径=新路径（args[0]）；
路径outputPath=新路径（args[1]）；
配置conf=getConf（）；
Job Job=新作业（conf，this.getClass（）.toString（））；
setInputPath（作业，inputPath）；
setOutputPath（作业，outputPath）；
job.setJobName（“WordCountByFile”）；
job.setJarByClass（WordCountByFile.class）；
setInputFormatClass（TextInputFormat.class）；
setOutputFormatClass（TextOutputFormat.class）；
job.setMapOutputKeyClass（Text.class）；
setMapOutputValueClass（IntWritable.class）；
job.setOutputKeyClass（Text.class）；
job.setOutputValueClass（IntWritable.class）；
job.setMapperClass（Map.class）；
job.setCombinerClass（Reduce.class）；
job.setReducerClass（Reduce.class）；
返回作业。waitForCompletion（true）？0:1；
}
公共静态类映射扩展了映射器{
私有最终静态IntWritable one=新的IntWritable（1）；
私有文本字=新文本（）；
公共void映射（LongWritable键、文本值、上下文上下文）引发IOException、InterruptedException{
字符串行=value.toString（）；
StringTokenizer标记器=新的StringTokenizer（行）；
while（tokenizer.hasMoreTokens（））{
字符串filePathString=（（FileSplit）context.getInputSplit（））.getPath（）.toString（）；
set（tokenizer.nextToken（）+“”+filePathString+“：”）；
上下文。写（单词，一）；
}
}
}
公共静态类Reduce扩展Reducer{
@凌驾
public void reduce（文本键，Iterable值，上下文）
抛出IOException、InterruptedException{
整数和=0；
for（可写入值：值）{
sum+=value.get（）；
}
write（key，newintwriteable（sum））；
}
}
}

---

我知道它必须与Java中的一些索引一起使用，但我正在尝试在Hadoop Map Reduce中解决这个问题。有人帮你吗？

只是想一想你的问题

输入格式：

TextInputFormat使用每一行输入文件作为输入记录。因此，您应该使用输入格式，将整个文件作为一个输入记录进行访问。例如，您可以使用这个

映射器：

映射器应该返回输入记录中每个单词的信息。返回键是单词，返回值是包含输入文件和当前单词在文件中的位置的任何结构。您可以编写自己的可写类，或者将此信息合并到字符串中，然后像现在一样返回文本类

减速器：

Reducer应该合并每个单词的信息。只需循环使用一个键传递给reducer的所有值，并以您描述的格式生成结果字符串