设为首页 收藏本站
查看: 970|回复: 0

[经验分享] [Hadoop 2.2 + Solr 4.5]系列之三:MapReduce + Lucene 生成Index文件

[复制链接]

尚未签到

发表于 2015-7-17 12:10:52 | 显示全部楼层 |阅读模式
  [Hadoop 2.2 + Solr 4.5]系列之三:MapReduce + Lucene 生成Index文件
  
  即上篇Hadoop2.2的配置与启动以来,我们这里就不过多的详解Mapreduce算法了,下面我们直接讲诉Mapred+Lucene。
  
  1)、思路:

  
  通过Map用来读取Hdfs文件,并在本地生成,最后将文件上传到HDFS上。仿照Nutch的代码。
  Hadoop2.X貌似没有提供之前版本的eclipse插件,这里我们就直接通过eclipse进行编写Mapred程序,然后直接上传到Master.Hadoop中直接运行。
  项目引用的jar包主要有Hadoop2.2的



hadoop-2.2.0\share\hadoop\
     |--common\
|--lib\*.jar
         |--hadoop-common-2.2.0.jar
         |--hadoop-nfs-2.2.0.jar
|--hdfs\
         |--hadoop-hdfs-2.2.0.jar
         |--hadoop-hdfs-nfs-2.2.0.jar
|--mapreduce\
         |--*.jar
|--tools\lib\
         |--*.jar
|--yarn\
         |--*.jar
Lucene4.5 的四个Jar
lucene-4.5.0\core\lucene-core-4.5.0.jar
lucene-4.5.0\analysis\common\lucene-analyzers-common-4.5.0.jar
lucene-4.5.0\queries\lucene-queries-4.5.0.jar
lucene-4.5.0\queryparser\lucene-queryparser-4.5.0.jar
  
  
  2)、代码献上来:

  HDFSDocument.java


DSC0000.gif DSC0001.gif


package com.yu.mapred.lib;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.util.HashMap;
import java.util.Iterator;
import org.apache.hadoop.io.Writable;
/*
* 自定义的一种hadoop输出类型,存储的内容是一个Map.
*/
public class HDFSDocument implements Writable {
HashMap fields = new HashMap();
public void setFields(HashMap fields) {
this.fields = fields;
}
public HashMap getFields() {
return this.fields;
}
@Override
public void readFields(DataInput in) throws IOException {
fields.clear();
String key = null, value = null;
int size = in.readInt();
for (int i = 0; i < size; i++) {
// 依次读取两个字符串,形成一个Map值
key = in.readUTF();
value = in.readUTF();
fields.put(key, value);
}
}
@Override
public void write(DataOutput out) throws IOException {
String key = null, value = null;
Iterator iter = fields.keySet().iterator();
out.writeInt(fields.size());
while (iter.hasNext()) {
key = iter.next();
value = fields.get(key);
// 依次写入两个字符串
                        out.writeUTF(key);
out.writeUTF(value);
}
}
}
View Code   HDFSDocumentOutputFormat.java





package com.yu.mapred.lib;
import java.io.File;
import java.io.IOException;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Random;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.RecordWriter;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.lib.MultipleOutputFormat;
import org.apache.hadoop.util.Progressable;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.StringField;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.LogDocMergePolicy;
import org.apache.lucene.index.LogMergePolicy;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;
/**
* job.setOutputValueClass(HDFSDocument.class);
* job.setOutputFormat(HDSDocumentOutput.class);
*/
public class HDFSDocumentOutputFormat extends
MultipleOutputFormat {
protected static class LuceneWriter
{
private Path perm;
private Path temp;
private FileSystem fs;
private IndexWriter writer;
public void open(JobConf job, String name) throws IOException{
this.fs = FileSystem.get(job);
perm = new Path(FileOutputFormat.getOutputPath(job), name);
// 临时本地路径,存储临时的索引结果
temp = job.getLocalPath("index/_" + Integer.toString(new Random().nextInt()));
fs.delete(perm, true);
// 配置IndexWriter(个人对Lucene索引的参数不是太熟悉)
Analyzer analyzer = new StandardAnalyzer(Version.LUCENE_45);
IndexWriterConfig conf = new IndexWriterConfig(Version.LUCENE_45, analyzer);
conf.setMaxBufferedDocs(100000);        
LogMergePolicy mergePolicy = new LogDocMergePolicy();
mergePolicy.setMergeFactor(100000);
mergePolicy.setMaxMergeDocs(100000);
conf.setMergePolicy(mergePolicy);      
conf.setRAMBufferSizeMB(256);
conf.setMergePolicy(mergePolicy);      
writer = new IndexWriter(FSDirectory.open(new File(fs.startLocalOutput(perm, temp).toString())),
conf);
}
public void close() throws IOException{
// 索引优化和IndexWriter对象关闭
            writer.commit();
writer.close();
// 将本地索引结果拷贝到HDFS上
            fs.completeLocalOutput(perm, temp);
fs.createNewFile(new Path(perm,"index.done"));      
}
/*
* 接受HDFSDocument对象,从中读取信息并建立索引
*/
public void write(HDFSDocument doc) throws IOException{
String key = null;
HashMap fields = doc.getFields();
Iterator iter = fields.keySet().iterator();
while(iter.hasNext()){
key = iter.next();
Document luceneDoc = new Document();
// 如果使用Field.Index.ANALYZED选项,则默认情况下会对中文进行分词。
// 如果这时候采用Term的形式进行检索,将会出现检索失败的情况。
luceneDoc.add(new StringField("key", key, Field.Store.YES));
luceneDoc.add(new StringField("value", fields.get(key), Field.Store.YES));                     
writer.addDocument(luceneDoc);
}
}
}
@Override
protected String generateFileNameForKeyValue(Text key, HDFSDocument value,
String leaf) {
return new Path(key.toString(), leaf).toString();
}
@Override
protected Text generateActualKey(Text key, HDFSDocument value) {
return key;
}
@Override
public RecordWriter getBaseRecordWriter(
final FileSystem fs, JobConf job, String name,
final Progressable progress) throws IOException {
final LuceneWriter writer = new LuceneWriter();
writer.open(job, name);
return new RecordWriter() {
@Override
public void write(Text key, HDFSDocument doc) throws IOException {
writer.write(doc);
}
@Override
public void close(Reporter reporter) throws IOException {
writer.close();
}
};
}
}
View Code   以及Mapred主程序:





package com.yu.mapred.lib;
import java.io.IOException;
import java.util.Date;
import java.util.HashMap;
import java.util.Iterator;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapreduce.filecache.DistributedCache;
@SuppressWarnings("deprecation")
public class TestLucene {
public static class MapHdfsDocument extends MapReduceBase implements
Mapper {
private Text word = new Text("mmmm");
public void map(LongWritable key, Text value,
OutputCollector output, Reporter reporter)
throws IOException {
HDFSDocument document = new HDFSDocument();
HashMap map = document.getFields();
map.put(key.toString(), value.toString());
output.collect(word, document);
}
}
public static class ReduceLuceneIndex extends MapReduceBase implements
Reducer {
public void reduce(Text key, Iterator values,
OutputCollector output, Reporter reporter)
throws IOException {
while (values.hasNext()) {
output.collect(key, values.next());
}
}
}
public static void main(String[] args) throws Exception {
String[] ars = new String[] { "/input/2013_10_21_00_00-2013_10_22_00_00.csv",
"/output/test_lucene_" + new Date().getTime() % 100 };
JobConf job = new JobConf(TestLucene.class);
job.setJobName("testmapred-lucene");
job.set("mapred.job.tracker", "Master.Hadoop:9001");

DistributedCache.addFileToClassPath(new Path("/jars/lucene-4.5/lucene-analyzers-common-4.5.0.jar"), job);   
DistributedCache.addFileToClassPath(new Path("/jars/lucene-4.5/lucene-core-4.5.0.jar"), job);               
DistributedCache.addFileToClassPath(new Path("/jars/lucene-4.5/lucene-queries-4.5.0.jar"), job);           
DistributedCache.addFileToClassPath(new Path("/jars/lucene-4.5/lucene-queryparser-4.5.0.jar"), job);      
//not work
//        job.addResource(new Path("/jars/lucene-4.5/lucene-analyzers-common-4.5.0.jar"));
//        job.addResource(new Path("/jars/lucene-4.5/lucene-core-4.5.0.jar"));
//        job.addResource(new Path("/jars/lucene-4.5/lucene-queries-4.5.0.jar"));
//        job.addResource(new Path("/jars/lucene-4.5/lucene-queryparser-4.5.0.jar"));
//        job.setJar("/jars/lucene-4.5/lucene-analyzers-common-4.5.0.jar");
//        job.setJar("/jars/lucene-4.5/lucene-core-4.5.0.jar");
//        job.setJar("/jars/lucene-4.5/lucene-queries-4.5.0.jar");
//        job.setJar("/jars/lucene-4.5/lucene-queryparser-4.5.0.jar");
        
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(HDFSDocument.class);
job.setMapperClass(MapHdfsDocument.class);
job.setReducerClass(ReduceLuceneIndex.class);
job.setInputFormat(TextInputFormat.class);
job.setOutputFormat(HDFSDocumentOutputFormat.class);
FileInputFormat.setInputPaths(job, new Path(ars[0]));
FileOutputFormat.setOutputPath(job, new Path(ars[1]));
JobClient.runJob(job);
}
}
View Code   
  3)、HDFS上传文件



$ hadoop dfs -mkdir /input
$ hadoop dfs -put [本地文件] /input/2013_10_21_00_00-2013_10_22_00_00.csv
--同上在HDFS上创建/jars目录上传Lucene的4个jar包,用于程序中,Mapred程序通过HDFS加载jar包
---运行程序
$ hadoop jar testlucene.jar com.yu.mapred.lib.TestLucene
  
  
  4)、注意: 该项目主要是测试Hadoop Mapreduce + Lucene,所以文件的Map方法就是随便一写。用户可以根据对应的需求创建对应map方法。
  生成后可以通过 WEB访问HDFS
DSC0002.jpg
  其中index.done文件只是为了标记HDFS上的Index文件已经创建完成。

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-87653-1-1.html 上篇帖子: 全文检索(SOLR)的比较好的参考资料 下篇帖子: solr的facet查询
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表