`

hadoop上建索引index的程序

阅读更多

源码

\hadoop-1.0.0\src\contrib\index

 

主要涉及的类

org.apache.hadoop.contrib.index.main.UpdateIndex

org.apache.hadoop.contrib.index.mapred.IndexUpdater

 

org.apache.hadoop.contrib.index.mapred.IndexUpdateMapper

org.apache.hadoop.contrib.index.mapred.IndexUpdatePartitioner

org.apache.hadoop.contrib.index.mapred.IndexUpdateCombiner

org.apache.hadoop.contrib.index.mapred.IndexUpdateReducer

 

org.apache.hadoop.contrib.index.example.LineDocInputFormat

org.apache.hadoop.contrib.index.mapred.IndexUpdateOutputFormat

 

org.apache.hadoop.contrib.index.mapred.IndexUpdateConfiguration

 

解析

1、UpdateIndex类(main实现读取控制台参数)

UpdateIndex是整个程序的入口,提供参数给用户配置。

  • -inputPaths  -->mapred.input.dir  (V)
  • -outputPath -->mapred.output.dir  (V)
  • -shards -->最终每个reduct建立的索引存放hdfs位置 (V)
  • -indexPath -->sea.index.path
  • -numShards -->sea.num.shards
  • -numMapTasks -->mapred.map.tasks  (V)
  • -conf 添加Configuration xml文件形式的配置方式

shards  通过转换最终保存到Configuration的sea.index.shards 

shards参数 与 indexPath和numShards参数 设置一种就可以了。如果没有设置shards,则在main方法中会通过indexPath和numShards生成得到 shards 参数。

 

从Configuration中获得Updater类: IndexUpdateConfiguration.getIndexUpdaterClass()

  public Class<? extends IIndexUpdater> getIndexUpdaterClass() {
    return conf.getClass("sea.index.updater", IndexUpdater.class,
        IIndexUpdater.class);
  }

在UpdateIndex最终调用IndexUpdater

updater.run(conf, inputPaths, outputPath, numMapTasks, shards);

 

2、IndexUpdater类(配置MapReduce Job)

 

  public void run(Configuration conf, Path[] inputPaths, Path outputPath,
      int numMapTasks, Shard[] shards) throws IOException {
    JobConf jobConf =
        createJob(conf, inputPaths, outputPath, numMapTasks, shards);
    JobClient.runJob(jobConf);
  }

 

  JobConf createJob(Configuration conf, Path[] inputPaths, Path outputPath,
      int numMapTasks, Shard[] shards) throws IOException {
    setShardGeneration(conf, shards);

    // iconf.set sets properties in conf
    IndexUpdateConfiguration iconf = new IndexUpdateConfiguration(conf);
    Shard.setIndexShards(iconf, shards);

    // MapTask.MapOutputBuffer uses "io.sort.mb" to decide its max buffer size
    // (max buffer size = 1/2 * "io.sort.mb").
    // Here we half-en "io.sort.mb" because we use the other half memory to
    // build an intermediate form/index in Combiner.
    iconf.setIOSortMB(iconf.getIOSortMB() / 2);

 

setShardGeneration(conf, shards);方法从shard path路径获得segment_N来获得generation,并更新shard实例的gen属性。

Shard.setIndexShards(iconf, shards);则是序列化shards为String写入到Configuration中。

 

接下来的代码,就是设置InputFormat,OutputFormat, Map, Reduce,Partitioner,  KeyValue Class, Combine等一些列的Job必备的参数。

 

    // create the job configuration
    JobConf jobConf = new JobConf(conf, IndexUpdater.class);
    jobConf.setJobName(this.getClass().getName() + "_"
        + System.currentTimeMillis());

    // provided by application
    FileInputFormat.setInputPaths(jobConf, inputPaths);
    FileOutputFormat.setOutputPath(jobConf, outputPath);

    jobConf.setNumMapTasks(numMapTasks);

    // already set shards
    jobConf.setNumReduceTasks(shards.length);

    jobConf.setInputFormat(iconf.getIndexInputFormatClass());

    // set by the system
    jobConf.setMapOutputKeyClass(IndexUpdateMapper.getMapOutputKeyClass());
    jobConf.setMapOutputValueClass(IndexUpdateMapper.getMapOutputValueClass());
    jobConf.setOutputKeyClass(IndexUpdateReducer.getOutputKeyClass());
    jobConf.setOutputValueClass(IndexUpdateReducer.getOutputValueClass());

    jobConf.setMapperClass(IndexUpdateMapper.class);
    jobConf.setPartitionerClass(IndexUpdatePartitioner.class);
    jobConf.setCombinerClass(IndexUpdateCombiner.class);
    jobConf.setReducerClass(IndexUpdateReducer.class);

    jobConf.setOutputFormat(IndexUpdateOutputFormat.class);

    return jobConf;

 

 

3、LineDocInputFormat(数据输入类)

从IndexUpdateConfiguration.getIndexInputFormatClass()可以获得当前默认使用的数据输入类org.apache.hadoop.contrib.index.example.LineDocInputFormat。

这里定义了org.apache.hadoop.contrib.index.example.LineDocRecordReader来解析数据,获取建立索引的命令(Insert, Update, Delete)和对应的数据。

 

  public synchronized boolean next(DocumentID key, LineDocTextAndOp value)
      throws IOException {
    if (pos >= end) {
      return false;
    }

    // key is document id, which are bytes until first space
    if (!readInto(key.getText(), SPACE)) { // 把读到的第一个数据写入Key
      return false;
    }

    // read operation: i/d/u, or ins/del/upd, or insert/delete/update
    Text opText = new Text();
    if (!readInto(opText, SPACE)) {
      return false;
    }
    String opStr = opText.toString();
    DocumentAndOp.Op op;
    if (opStr.equals("i") || opStr.equals("ins") || opStr.equals("insert")) {
      op = DocumentAndOp.Op.INSERT;
    } else if (opStr.equals("d") || opStr.equals("del")
        || opStr.equals("delete")) {
      op = DocumentAndOp.Op.DELETE;
    } else if (opStr.equals("u") || opStr.equals("upd")
        || opStr.equals("update")) {
      op = DocumentAndOp.Op.UPDATE;
    } else {
      // default is insert
      op = DocumentAndOp.Op.INSERT;
    }
    value.setOp(op);

    if (op == DocumentAndOp.Op.DELETE) {
      return true;
    } else {
      // read rest of the line
      return readInto(value.getText(), EOL);
    }
  }

 

// 把InputStream offset到分隔符的数据写入到text 
private boolean readInto(Text text, char delimiter) throws IOException
Sample 写道
0 ins apache dot org
2 ins apache
3 ins apache
4 ins apache

0 del
1 upd hadoop
2 del
3 upd hadoop

 

 

4、IndexUpdateMapper(最终形成IntermediateForm传递给Combiner和Reducer处理)

 

· ILocalAnalysis -->org.apache.hadoop.contrib.index.example.LineDocLocalAnalysis

    把Text组成为Lucene需要的Document。

 

· DocumentAndOp 

public class DocumentAndOp implements Writable {

  private Op op; // 
  private Document doc; // INSERT UPDATE
  private Term term; // DELETE UPDATE

· IntermediateForm 

public class IntermediateForm implements Writable {

  private final Collection<Term> deleteList;
  private RAMDirectory dir;
  private IndexWriter writer;
  private int numDocs;

  public void process(DocumentAndOp doc, Analyzer analyzer) throws IOException {
    if (doc.getOp() == DocumentAndOp.Op.DELETE
        || doc.getOp() == DocumentAndOp.Op.UPDATE) {
      deleteList.add(doc.getTerm());

    }

    if (doc.getOp() == DocumentAndOp.Op.INSERT
        || doc.getOp() == DocumentAndOp.Op.UPDATE) {

      if (writer == null) {
        // analyzer is null because we specify an analyzer with addDocument
        writer = createWriter();
      }

      writer.addDocument(doc.getDocument(), analyzer);
      numDocs++;
    }

  }

  public void process(IntermediateForm form) throws IOException {
    if (form.deleteList.size() > 0) {
      deleteList.addAll(form.deleteList);
    }

    if (form.dir.sizeInBytes() > 0) {
      if (writer == null) {
        writer = createWriter();
      }

      writer.addIndexesNoOptimize(new Directory[] { form.dir });
      numDocs++;
    }

  }

· HashingDistributionPolicy 

public class HashingDistributionPolicy implements IDistributionPolicy {

  private int numShards;

  public void init(Shard[] shards) {
    numShards = shards.length;
  }

  public int chooseShardForInsert(DocumentID key) {
    int hashCode = key.hashCode();
    return hashCode >= 0 ? hashCode % numShards : (-hashCode) % numShards;
  }

  public int chooseShardForDelete(DocumentID key) {
    int hashCode = key.hashCode();
    return hashCode >= 0 ? hashCode % numShards : (-hashCode) % numShards;
  }

}

  

IndexUpdateMapper.map(K, V, OutputCollector<Shard, IntermediateForm>, Reporter)  

    根据DocumentAndOp形成IntermediateForm,以及DistributionPolicy选择Shard,传入Combiner。

评注: 这里每条数据都要开启和关闭Writer,消耗应该不小。

 

5、IndexUpdateCombiner

   把该节点的IntermediateForm合并成一个大的IntermediateForm集合。

评注: 感觉作用不是很大,合并减少的数据量有限; 但是却又要初始化和关闭一次Writer。

 

6、IndexUpdateReducer

    把从Mapper传递来的IntermediateForm写入到ShardWriter。最终把Lucene索引写入到IndexPath下。

 

 public ShardWriter(FileSystem fs, Shard shard, String tempDir,
      IndexUpdateConfiguration iconf) throws IOException

 

   在Reducer最后关闭ShardWriter时,由于要等待比较长的时间。这里使用一个新的线程来发送心跳。 使用hadoop/编写mapreduce程序 注意点(! 不要关闭mapreduce的超时)

 

    new Closeable() {
      volatile boolean closed = false;

      public void close() throws IOException {
        // spawn a thread to give progress heartbeats
        Thread prog = new Thread() {
          public void run() {
            while (!closed) {
              try {
                fReporter.setStatus("closing");
                Thread.sleep(1000);
              } catch (InterruptedException e) {
                continue;
              } catch (Throwable e) {
                return;
              }
            }
          }
        };

        try {
          prog.start();

          if (writer != null) {
            writer.close();
          }
        } finally {
          closed = true;
        }
      }
    }.close();

 

· ShardWriter

   把索引写到本地,等处理完了数据后,关闭IndexWriter后把索引库转入拷贝到HDFS持久化。

 

  // move the files created in the temp dir into the perm dir
  // and then delete the temp dir from the local FS
  private void moveFromTempToPerm() throws IOException {
    try {
      FileStatus[] fileStatus =
          localFs.listStatus(temp, LuceneIndexFileNameFilter.getFilter());
      Path segmentsPath = null;
      Path segmentsGenPath = null;

      // move the files created in temp dir except segments_N and segments.gen
      for (int i = 0; i < fileStatus.length; i++) {
        Path path = fileStatus[i].getPath();
        String name = path.getName();

        if (LuceneUtil.isSegmentsGenFile(name)) {
          assert (segmentsGenPath == null);
          segmentsGenPath = path;
        } else if (LuceneUtil.isSegmentsFile(name)) {
          assert (segmentsPath == null);
          segmentsPath = path;
        } else {
          fs.completeLocalOutput(new Path(perm, name), path);
        }
      }

      // move the segments_N file
      if (segmentsPath != null) {
        fs.completeLocalOutput(new Path(perm, segmentsPath.getName()),
            segmentsPath);
      }

      // move the segments.gen file
      if (segmentsGenPath != null) {
        fs.completeLocalOutput(new Path(perm, segmentsGenPath.getName()),
            segmentsGenPath);
      }
    } finally {
      // finally delete the temp dir (files should have been deleted)
      localFs.delete(temp);
    }
  }

 

 

 

分享到:
评论

相关推荐

    大数据实验报告Hadoop编程实现InvertedIndex文档倒排索引程序附源码.doc

    Hadoop大数据InvertedIndex文档倒排索引程序实验报告 大数据实验报告中,实现了使用Hadoop编程的InvertedIndex文档倒排索引程序。该程序使用Hadoop的MapReduce框架,通过Map、Combine和Reduce三个阶段,实现了文档...

    Hadoop 下单词反向索引程序实验报告.pdf

    在本实验报告中,我们探讨了如何在Hadoop框架下构建一个单词的反向索引程序,这是一个在大数据处理和搜索引擎领域中常见的任务。Hadoop是Apache软件基金会开发的一个开源分布式计算框架,它允许在大规模数据集上进行...

    hadoop教学课程

    - Inverted Index:构建文档的倒排索引表。 #### 四、YARN资源管理器 1. **YARN架构**: - ResourceManager:集群资源的管理者。 - NodeManager:单个节点上的资源管理器。 - ApplicationMaster:负责应用程序...

    helm安装私有仓库及搭建hadoop实例过程文档

    这通常涉及到创建一个清单文件(index.yaml),并更新仓库的索引。Minio提供了命令行工具或REST接口来完成这个步骤。 7. **配置Hadoop实例**:在Hadoop Chart中,你需要定义各种配置参数,例如数据节点数量、HDFS的...

    Hadoop Map Reduce教程

    - **API**:Hadoop 提供了丰富的 API 来编写 MapReduce 应用程序,包括 `Mapper` 和 `Reducer` 接口。 - **配置**:通过 `Configuration` 类来设置各种参数,如输入输出路径、Mapper 和 Reducer 类以及文件分割策略...

    hadoop入门指南.pdf

    - **InvertedIndex**: 构建倒排索引,即给出一个词,返回包含该词的所有文档的列表。 #### 五、Hadoop生态系统扩展 - **Lucene**: 高性能全文搜索引擎库,虽然不是Hadoop的一部分,但经常与Hadoop结合使用。 - **...

    InvertedIndex:MapReduce 格式的大型文档的倒排索引。 Apache Hadoop、Java

    在构建倒排索引时,文档会以分块的形式存储在HDFS上。 **6. 集群优化** 为了提高性能,可以在Hadoop集群中进行各种优化,如调整Map和Reduce任务的数量、内存设置、数据本地化策略等。 **7. 进阶话题** - **...

    Hadoop平台优化文献综述.docx

    而论文[9]提出的Trojan Index和Trojan Join算法,为Hadoop提供了一种高效的索引和JOIN操作,实验结果显示优于原生Hadoop和HadoopDB。 在工业界,百度(Baidu)对Hadoop的关键组件如Map、Shuffler和Reducer进行了C++...

    hadoop命令指南

    - `-i &lt;index&gt;`:可选参数,用于指定索引文件。 - `&lt;source&gt;`:源文件或目录。 - `&lt;destination&gt;`:目标HAR文件的位置。 **示例**: ``` hadoop archive -archiveName test.har -p test/ -i test.haridx /user/test...

    SCTools:Hadoop 工具包,用于处理各种文本挖掘任务的 StreamCorpus 数据集

    它已经在 Cloudera CDH5.1.0 (Hadoop 2.3.0)、Terrier 4.0 和 StreamCorpus v0.3.0 上运行的 Hadoop 集群上进行了测试。 配置:使用Maven编译任务编译后,需要在Hadoop设置中配置Terrier(见)。 最重要的值是索引...

    Inverted-Index-Using-a-Hadoop-Cluster

    本文将深入探讨如何利用Java编程语言和Hadoop MapReduce来实现一个反向索引,特别是在一个大型的Hadoop集群上。 反向索引是一种数据结构,广泛应用于搜索引擎和全文检索系统中,它能够快速地根据词项找到包含这些词...

    Nutch-1.0分布式安装手册.rar

    Apache Nutch是一款开源的网络爬虫软件,用于抓取互联网上的网页并进行索引,是大数据领域中搜索引擎构建的重要工具。这份手册涵盖了从环境准备到系统配置的全过程,旨在帮助用户成功搭建一个分布式的Nutch系统。 ...

    测试数据如下 1)文件一:data01.txt,内容:Beijing is beautiful I love Beijing

    根据给定的信息,我们可以深入探讨倒排索引(Inverted Index)的概念以及如何利用Hadoop进行倒排索引的构建。倒排索引是一种用于快速文档检索的数据结构,尤其是在处理大规模文本数据时非常有效。 ### 倒排索引概念...

    cpp-ApacheORC文件格式是一种Hadoop生态圈中的列式存储格式

    2. **Row Index**: ORC文件在每个Stripe内和Stripe之间都保存了索引,这使得查询能够快速定位到所需的数据,避免了扫描整个文件。 3. **Column Statistics**: 每个列都有对应的统计信息,如最小值、最大值、null值...

    在HDFS上使用Lucene的SourceCode

    本文将通过代码实例展示如何利用Lucene和Java进行基本的数据索引和搜索,以及如何在HDFS(Hadoop分布式文件系统)上创建和搜索索引。开发环境包括Java 1.6、Eclipse 3.4.2、Lucene 2.4.0和运行在Windows XP SP3上的...

    SequenceFile转换成MapFile

    转换完成后,原来的SequenceFile数据会被保留,但会增加一个索引文件(通常命名为`index`),这样就形成了一个完整的MapFile。MapFile的索引允许用户快速定位到特定的键值对,提高了数据访问效率,尤其在需要频繁...

    MySQL命令大全

    * 创建索引:CREATE [UNIQUE] INDEX idxname ON tabname(col…) * 删除索引:DROP INDEX idxname 视图管理 * 创建视图:CREATE VIEW viewname AS SELECT statement * 删除视图:DROP VIEW viewname 查询语句 * ...

Global site tag (gtag.js) - Google Analytics