MapReduce实现好友推荐

Posted 2020-11-24 youngchaolin

MapReduce可以实现一个简单的好友推荐，本文参考了文末博主的思路，个人感觉不错，自己修改部分代码也简单实现了，记录下。

数据准备

如下数据就是好友关系，同一行的两个人就是好友，需要在这数据里寻找两个人是否是潜在好友，即两人不是直接好友，但是却有共同的好友，需要将这样关系的两个人作为结果推荐出去。

clyang messi
clyang herry
clyang ronald
messi clyang
messi kaka
messi ronald
herry clyang
herry kaka
ronald herry
ronald clyang
ronald messi

思路分析

（1）首先按照第一个name来统计他的好友列表，即需要输出成clyang messi herry ronald这样一行行的数据，这样map的输出key就是第一个名字如clyang，value就是好友列表如messi herry ronald，这里使用一个MR来完成中间值的输出。

（2）根据上面MR的统计结果，在Map任务中，需将两人的名字和并到一起作为key，如果是直接好友，输出value记录为0，如果不是直接好友，但是有共同的好友，则value记录为1输出给reducer。用数字0和1来区分是否是直接好友，如clyang和messi是直接好友，则输出(clyang:messi， 0)，而messi和herry都有共同的好友clyang，因此输出结果为(messi:herry，1)。接下来在Reduer会和并Map的输出结果，将分区结果和并后存入迭代器中，循环迭代器value，如果发现两人关系输出数字为0，则不再推荐，如果没有一个0出现，则推荐出去。

第一轮MR

以下为第一轮MR示意图。

Map端代码

package com.boe.friendRecommend;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * 先根据第一个name，分组求出它所有的朋友
 */
public class FriendMapper extends Mapper<LongWritable,Text,Text, Text> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //拆分每一行
        String[] s = value.toString().split(" ");
        //直接写出到map输出，第一个名字相同，会落在同一分区
        context.write(new Text(s[0]),new Text(s[1]));
    }
}

View Code

Reduer代码

package com.boe.friendRecommend;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class FriendReducer extends Reducer<Text,Text,Text, Text> {
    @Override
    protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
        //好友字符串，用空格隔开
        String s="";
        for (Text text : values) {
            s+=text.toString()+" ";
        }
        //去掉最后一个空格
        String friends = s.trim();
        //写出
        context.write(key,new Text(friends));
    }
}

View Code

main方法

package com.boe.friendRecommend;

import com.boe.profitMapReduce.MyPartitioner;
import com.boe.profitMapReduce.Profit;
import com.boe.profitMapReduce.ProfitMapper;
import com.boe.profitMapReduce.ProfitReducer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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 java.io.IOException;

/**
 * mapreduce，先统计某个人的所有好友
 */
public class FriendMain {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        //向yarn提交一个job
        Job job=Job.getInstance(new Configuration());
        //设置入口类
        job.setJarByClass(FriendMain.class);

        //设置mapper类和reducer类
        job.setMapperClass(FriendMapper.class);
        job.setReducerClass(FriendReducer.class);

        //设置map输出格式
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);

        //设置reduce输出格式
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        //如果map输出格式和reduce输出格式一样，就只需要设置reduce就行

        //设置读取的文件
Path("hdfs://192.168.200.100:9000/txt/friend.txt"));
        //设置输出路径
        //输出路径必须不存在
        FileOutputFormat.setOutputPath(job,new Path("hdfs://192.168.200.100:9000/friendout"));
        //提交
        job.waitForCompletion(true);
    }
}

View Code

执行后结果

第二轮MR

以下为第二轮MR的示意图，假设有map端结果有3个分区，reducer端直接以分区merge后的结果进行计算来简单示意，其中reduce端的逻辑判断大概就是上面的判断示意图。

Map端代码

package com.boe.friendRecommend;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * 第二层map，统计第一次mapreduce计算后的结果
 */
public class FriendMapper2 extends Mapper<LongWritable, Text,Text, IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //value 形如tom+制表符+lucy smith jim rose的结果
        String[] strings = value.toString().split("	");
        String name=strings[0];//tom
        String friends=strings[1];//lucy smith jim rose
        //拆分得到好友列表
        String[] s = friends.split(" ");
        //name和所有好友列表都是好友，输出拼接后好友为key，0为value，0代表不推荐，本身就是好友
        for (String friend : s) {
            String fkey = getKey(name, friend);
            context.write(new Text(fkey),new IntWritable(0));
        }
        //其他好友列表之间，因为有共同好友，value为1
        for(int i=0;i<s.length;i++){
            for(int j=i+1;j<s.length;j++){
                String fkey=getKey(s[i],s[j]);
                context.write(new Text(fkey),new IntWritable(1));
            }
        }


    }

    //写一个方法，拼接好友
    public static String getKey(String name1,String name2){
        if(name1.compareTo(name2)>0){
            return name1+":"+name2;
        }else{
            return name2+":"+name1;
        }
    }

}

View Code

Reduer代码

package com.boe.friendRecommend;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * 第二层Reduce
 */
public class FriendReducer2 extends Reducer<Text, IntWritable,Text, IntWritable> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        //key就是心如clyang:messi这样的字符串
        //values就是[0 1 0 1 0]这样的结果，只要有0，就不写出，不推荐
        boolean flag=true;
        //共同好友个数
        int num=0;
        for (IntWritable value : values) {
            if(value.get()==0){
                flag=false;
            }
            num++;
        }
        //如果flag为false，不推荐,否则输出，value为共同好友数
        if(flag){
            context.write(key,new IntWritable(num));
        }
    }
}

View Code

main方法 

package com.boe.friendRecommend;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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 java.io.IOException;

/**
 * 第二次mapreduce的main的方法
 */
public class FriendMain2 {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        //向yarn提交一个job
        Job job=Job.getInstance(new Configuration());
        //设置入口类
        job.setJarByClass(FriendMain2.class);

        //设置mapper类和reducer类
        job.setMapperClass(FriendMapper2.class);
        job.setReducerClass(FriendReducer2.class);

        //设置map输出格式
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        //设置reduce输出格式
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        //如果map输出格式和reduce输出格式一样，就只需要设置reduce就行

        //设置读取的文件，为上次输出的路径
        FileInputFormat.addInputPath(job,new Path("hdfs://192.168.200.100:9000/friendout/"));
        //设置输出路径
        //输出路径必须不存在
        FileOutputFormat.setOutputPath(job,new Path("hdfs://192.168.200.100:9000/friendrecommend"));
        //提交
        job.waitForCompletion(true);
    }
}

View Code

执行后结果如下。

（1）kaka和clyang是潜在好友，并且有2个共同好友。

（2）messi和herry是潜在好友，并且有2个共同好友。

（3）ronald和kaka是潜在好友，并且有1个共同好友。

对比源数据，发现计算结果正确，推荐结束。

以上就是使用MapReduce实现的简单版好友推荐，记录一下。

 

参考博文：

（1）https://www.cnblogs.com/benjamin77/p/10203645.html