初学Hadoop之计算TF-IDF值

1.词频

TF(term frequency)词频，就是该分词在该文档中出现的频率，算法是：（该分词在该文档出现的次数）/(该文档分词的总数)，这个值越大表示这个词越重要，即权重就越大。

例如：一篇文档分词后，总共有500个分词，而分词”Hello”出现的次数是20次，则TF值是： tf =20/500=0.04



　　考虑到文章有长短之分，为了便于不同文章的比较，进行"词频"标准化。



　　或者

2.逆文档频率

　　IDF（inversedocument frequency）逆向文件频率,一个文档库中，一个分词出现在的文档数越少越能和其它文档区别开来。算法是： log(总文档数/(出现该分词的文档数+1)) 。如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。分母之所以要加1，是为了避免分母为0（即所有文档都不包含该词）。

例如：一个文档库中总共有50篇文档，2篇文档中出现过“Hello”分词，则idf是： Idf = log(50/3) =1.2218487496

3.TF-IDF

　　TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。

3.1用途

　　自动提取关键词，计算出文档的每个词的TF-IDF值，然后按降序排列，取排在最前面的几个词。

　　信息检索时，对于每个文档，都可以分别计算一组搜索词（"Hadoop"、"MapReduce"）的TF-IDF，将它们相加，就可以得到整个文档的TF-IDF。这个值最高的文档就是与搜索词最相关的文档。

3.2优缺点

　　TF-IDF算法的优点是简单快速，结果比较符合实际情况。缺点是，单纯以"词频"衡量一个词的重要性，不够全面，有时重要的词可能出现次数并不 多。而且，这种算法无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同，这是不正确的。（一种解决方法是，对全文的第一段和 每一段的第一句话，给予较大的权重。）

4.使用Hadoop计算TF-IDF

　　运行参数，第一个为文本存储路径，第二个为临时路径，第三个为结果输出路径

/home/hadoop/input /home/hadoop/temp /home/hadoop/output

package com.example.test;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class TFIDF {
// part1------------------------------------------------------------------------
public static class Mapper_Part1 extends
Mapper<LongWritable, Text, Text, Text> {
String File_name = ""; // 保存文件名，根据文件名区分所属文件
int all = 0; // 单词总数统计
static Text one = new Text("1");
String word;
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
InputSplit inputSplit = context.getInputSplit();
String str =  ((FileSplit) inputSplit).getPath().toString();
File_name = str.substring(str.lastIndexOf("/") + 1); // 获取文件名
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word = File_name;
word += " ";
word += itr.nextToken(); // 将文件名加单词作为key es: test1 hello 1
all++;
context.write(new Text(word), one);
}
}

public void cleanup(Context context) throws IOException,
InterruptedException {
// Map的最后，我们将单词的总数写入。下面需要用总单词数来计算。
String str = "";
str += all;
context.write(new Text(File_name + " " + "!"), new Text(str));
// 主要这里值使用的 "!"是特别构造的。 因为!的ascii比所有的字母都小。
}
}

public static class Combiner_Part1 extends Reducer<Text, Text, Text, Text> {
float all = 0;
public void reduce(Text key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
int index = key.toString().indexOf(" ");
// 因为!的ascii最小，所以在map阶段的排序后，!会出现在第一个
if (key.toString().substring(index + 1, index + 2).equals("!")) {
for (Text val : values) {
// 获取总的单词数。
all = Integer.parseInt(val.toString());
}
// 这个key-value被抛弃
return;
}
float sum = 0; // 统计某个单词出现的次数
for (Text val : values) {
sum += Integer.parseInt(val.toString());
}
// 跳出循环后，某个单词数出现的次数就统计完了，所有 TF(词频) = sum / all
float tmp = sum / all;
String value = "";
value += tmp; // 记录词频

// 将key中单词和文件名进行互换。es: test1 hello -> hello test1
String p[] = key.toString().split(" ");
String key_to = "";
key_to += p[1];
key_to += " ";
key_to += p[0];
context.write(new Text(key_to), new Text(value));
}
}

public static class Reduce_Part1 extends Reducer<Text, Text, Text, Text> {
public void reduce(Text key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
for (Text val : values) {
context.write(key, val);
}
}
}

public static class MyPartitoner extends Partitioner<Text, Text> {
// 实现自定义的Partitioner
public int getPartition(Text key, Text value, int numPartitions) {
// 我们将一个文件中计算的结果作为一个文件保存
// es： test1 test2
String ip1 = key.toString();
ip1 = ip1.substring(0, ip1.indexOf(" "));
Text p1 = new Text(ip1);
return Math.abs((p1.hashCode() * 127) % numPartitions);
}
}

// part2-----------------------------------------------------
public static class Mapper_Part2 extends
Mapper<LongWritable, Text, Text, Text> {
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
String val = value.toString().replaceAll("    ", " "); // 将vlaue中的TAB分割符换成空格
// es: Bank
// test1
// 0.11764706 ->
// Bank test1
// 0.11764706
int index = val.indexOf(" ");
String s1 = val.substring(0, index); // 获取单词 作为key es: hello
String s2 = val.substring(index + 1); // 其余部分 作为value es: test1
// 0.11764706
s2 += " ";
s2 += "1"; // 统计单词在所有文章中出现的次数, “1” 表示出现一次。 es: test1 0.11764706 1
context.write(new Text(s1), new Text(s2));
}
}

public static class Reduce_Part2 extends Reducer<Text, Text, Text, Text> {
int file_count;

public void reduce(Text key, Iterable<Text> values, Context context)
throws IOException, InterruptedException {
// 同一个单词会被分成同一个group
file_count = context.getNumReduceTasks(); // 获取总文件数
float sum = 0;
List<String> vals = new ArrayList<String>();
for (Text str : values) {
int index = str.toString().lastIndexOf(" ");
sum += Integer.parseInt(str.toString().substring(index + 1)); // 统计此单词在所有文件中出现的次数
vals.add(str.toString().substring(0, index)); // 保存
}
double tmp = Math.log10( file_count*1.0 /(sum*1.0)); // 单词在所有文件中出现的次数除以总文件数 = IDF
for (int j = 0; j < vals.size(); j++) {
String val = vals.get(j);
String end = val.substring(val.lastIndexOf(" "));
float f_end = Float.parseFloat(end); // 读取TF
val += " ";
val += f_end * tmp; //  tf-idf值
context.write(key, new Text(val));
}
}
}

public static void main(String[] args) throws Exception {
// part1----------------------------------------------------
Configuration conf1 = new Configuration();
// 设置文件个数，在计算DF(文件频率)时会使用
FileSystem hdfs = FileSystem.get(conf1);
FileStatus p[] = hdfs.listStatus(new Path(args[0]));

// 获取输入文件夹内文件的个数，然后来设置NumReduceTasks
Job job1 = Job.getInstance(conf1, "My_tdif_part1");
job1.setJarByClass(TFIDF.class);
job1.setMapperClass(Mapper_Part1.class);
job1.setCombinerClass(Combiner_Part1.class); // combiner在本地执行，效率要高点。
job1.setReducerClass(Reduce_Part1.class);
job1.setMapOutputKeyClass(Text.class);
job1.setMapOutputValueClass(Text.class);
job1.setOutputKeyClass(Text.class);
job1.setOutputValueClass(Text.class);
job1.setNumReduceTasks(p.length);
job1.setPartitionerClass(MyPartitoner.class); // 使用自定义MyPartitoner

FileInputFormat.addInputPath(job1, new Path(args[0]));
FileOutputFormat.setOutputPath(job1, new Path(args[1]));

job1.waitForCompletion(true);
// part2----------------------------------------
Configuration conf2 = new Configuration();

Job job2 = Job.getInstance(conf2, "My_tdif_part2");
job2.setJarByClass(TFIDF.class);
job2.setMapOutputKeyClass(Text.class);
job2.setMapOutputValueClass(Text.class);
job2.setOutputKeyClass(Text.class);
job2.setOutputValueClass(Text.class);
job2.setMapperClass(Mapper_Part2.class);
job2.setReducerClass(Reduce_Part2.class);
job2.setNumReduceTasks(p.length);

FileInputFormat.setInputPaths(job2, new Path(args[1]));
FileOutputFormat.setOutputPath(job2, new Path(args[2]));

job2.waitForCompletion(true);

//        hdfs.delete(new Path(args[1]), true);
}
}