输入为网页有向图的邻接表：
通过统计输入文件的行数，即可得之网页总数为4
每个网页的初值为1/N，即0.25
第一行输入经过map处理后，得到如下结果：
B 0.0833 C 0.0833 D 0.0833
同理，第二三四行经过map处理后，得到：
A 0.125 D 0.125 C 0.25 B 0.125 C 0.125
系统会自动对map的输出进行shuflle处理，即对key进行排序，将相同key的value合并成一个列表。
即
A 0.125 B 0.0833 0.125 C 0.0833 0.25 0.125 D 0.0833 0.125 0.125
此时出现一个疑问：
为什么要进行这一步，而不是直接将相同key的value进行加和呢？
是为了MapReduce编程的可扩展性，在已知PageRank任务的前提下，我们知道要对相同key的value进行加和，如果是求最大值的任务呢？
所以把对value列表的 *** 作交给reduce，我们要怎么 *** 作这些列表，只要对reduce进行编写即可。
为解决网页间的终止点问题和陷阱问题，需要在reduce中进行如下处理（网页没有出链或者出链只有自己，pr值迭代后只增不减）
假设：上网者通过出链访问其他网页的概率为a，通过地址栏随机访问页面的概率为(1-a)
所以，在reduce过程，某网页pr变换为：
a *（接收其他网页发送来的pr值） + (1-a) * 1/N
经过reduce处理后，网页的pr值为
A = 0.8 * 0.125 + 0.2 * 0.25 = 0.15
B = 0.8 * (0.0833 + 0.125) + 0.2 * 0.25 = 0.216
C = 0.8 * (0.0833 + 0.25) + 0.2 * 0.25 = 0.416
D = 0.8 * (0.0833 + 0.125 + 0.125) + 0.2 * 0.25 = 0.216
此时一轮迭代结束，将reduce的结果输出
那么何时停止迭代呢？
要么到达最大迭代次数，要么pr值的变化已经收敛（pr值的曲线图趋于水平）
如何判断pr值收敛：
设置一个参数epi，若 max | Pi j - P i j-1| < epi ,则说明pr值的变化已经收敛。
完整的程序如下：(支持eclipse Run on Hadoop，不支持yarn -jar运行，因为yarn -jar运行时，只能访问类中static变量的初始值，若在程序运行时对static变量的值进行更改，则map/reduce中得到的变量值还是旧值)
package test02;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class PageRank_02 {
private static int N = 1;
private static float a = 0.8f;
private static int maxIteration = 40;
private static float epi = 0.000001f;
private static HashMap map;
private static HashMap old_map;
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = (new GenericOptionsParser(conf, args)).getRemainingArgs();
if (otherArgs.length < 2) {
System.err.println("Usage: [max_iteration] [epi]");
System.err.println(" max_iteration -- Integer, default 40");
System.err.println(" epi -- Float, default 0.000001f");
System.exit(2);
}
String input = "";
if (otherArgs.length > 0)
input = otherArgs[0];
String output = "";
if (otherArgs.length > 1)
output = otherArgs[1];
if (otherArgs.length > 2)
setMaxIteration(Integer.parseInt(otherArgs[2]));
if (otherArgs.length > 3)
setEpi(Float.parseFloat(otherArgs[3]));
// 统计input文件行数，即网页个数
FileSystem fs = FileSystem.get(conf);
FSDataInputStream in = fs.open(new Path(input));
BufferedReader d = new BufferedReader(new InputStreamReader(in));
int count = 0;
String line;
while ((line = d.readLine()) != null) {
count += 1;
}
System.err.println("Numbers of pages: " + count);
setN(count);
d.close();
in.close();
for (int i = 0; i < getMaxIteration(); i++) {
map = new HashMap();
Job job = Job.getInstance(conf, "page rank");
job.setJarByClass(PageRank_02.class);
job.setMapperClass(PageRankMapper.class);
job.setReducerClass(PageRankReduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
FileInputFormat.addInputPath(job, new Path(input));
String new_output = output + (i + 1);// 把下一次的输出设置成一个新地址。
// 输出路径存在，则删除
Path new_output_path = new Path(new_output);
if (fs.exists(new_output_path)) {
fs.delete(new_output_path, true);
}
FileOutputFormat.setOutputPath(job, new_output_path);
job.waitForCompletion(true);
float max_delta = -1.0f;
if (i > 0) {
for (String key : map.keySet()) {
max_delta = Math.max(max_delta, Math.abs(map.get(key) - old_map.get(key)));
}
}
System.err.println("iteration: " + i + " , MaxIteration: " + getMaxIteration());
System.err.println("N: " + getN());
System.err.println("a: " + getA());
System.err.println("max_delta: " + max_delta);
System.err.println("epi: " + getEpi());
if (max_delta < epi && i > 0)
break;
old_map = map;
}
System.exit(0);
}
public static class PageRankMapper extends Mapper {
private String id;
private float pr;
private int count;
private float average_pr;
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
StringTokenizer str = new StringTokenizer(value.toString());// 对value进行解析
id = str.nextToken();// id为解析的第一个词，代表当前网页
if(old_map!=null && old_map.containsKey(id)) {
pr = old_map.get(id);
} else {
pr = 1.0f / N;
}
count = str.countTokens();// count为剩余词的个数，代表当前网页的出链网页个数
average_pr = pr / count;// 求出当前网页对出链网页的贡献值
while (str.hasMoreTokens()) {
String linkid = str.nextToken();
context.write(new Text(linkid), new Text(average_pr + ""));// 输出的是<出链网页，获得的贡献值>
}
}
}
public static class PageRankReduce extends Reducer {
public void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
float pr = 0;
for (Text val : values) {
pr += Float.parseFloat(val.toString());
}
pr = getA() * pr + (1 - getA()) * (1.0f / getN());// 加入跳转因子
map.put(key.toString(), pr);
context.write(key, new Text(pr + ""));
}
}
public static float getEpi() {
return epi;
}
public static void setEpi(float epi) {
PageRank_02.epi = epi;
}
public static float getA() {
return a;
}
public static void setA(float a) {
PageRank_02.a = a;
}
public static int getMaxIteration() {
return maxIteration;
}
public static void setMaxIteration(int maxIteration) {
PageRank_02.maxIteration = maxIteration;
}
public static int getN() {
return N;
}
public static void setN(int n) {
PageRank_02.N = n;
}
}
程序输入参数分别为：输入文件 输出文件 Max_iteration epi
Run Configurations设置如下
按照如图配置运行程序
在iteration: 14时，程序退出循环
pr值变化的最大值：
max_delta = 0.0000846
设置的参数epi:
epi = 0.0001
max_delta < epi
即pr值已收敛
参考文献：
1.MapReduce 之PageRank算法概述、设计思路和源码分析https://blog.csdn.net/u010414589/article/details/51404971
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）