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);
    }
}
我来评几句
登录后评论

已发表评论数()

相关站点

热门文章