- 1、本文档共12页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
MR倒排索引
本章要点一、倒排索引概念二、实例描述三.设计思路mapreduce输出结果到mysql
倒排索引概念?倒排索引是文档检索系统中最常用的数据结构,被广泛地应用于全文搜索引擎。它主要是用来存储某个单词(或词组)在一个文档或一组文档中的存储位置的映射,即提供了一种根据内容来查找文档的方式。由于不是根据文档来确定文档所包含的内容,而是进行相反的操作,因而称为倒排索引(InvertedIndex)。
实例描述单词文档列表------------------------------------------------------单词1文档1---文档4----文档13-----.....单词2文档3---文档5----文档15------...单词3文档1----文档8----文档20-----...
实例描述可以看出每个单词在文档中出现的频率,在实际应用中,还需要给每个文档添加一个权值,用来指出每个文档与搜索内容的的相关度。如下单词1文档1【权】---文档4【权】----文档13【权】-----.....单词2文档3【权】---文档5【权】----文档15【权】------...单词3文档1【权】----文档8【权】----文档20【权】-----...最常用的是使用词频作为权重,即记录单词在文档中出现的次数。
实例描述被索引文件索引文件---------------------------------------------------------------------------------------MapReduce:{(T0,1);(T1,1);(T2,2)}T0=MapReduceissimpleis:{(T0,1);(T1,2)}T1=MapReduceispowerfulissimple---------simple{(T0,1);(T1,1)}T2=HelloMapReducebyeMapReducepowerful{(T1,1)}Hello:{(T2,1)}bye:{(T2,1)}
设计思路实现“倒排索引”只要关注的信息为:单词、文档URL及词频,但是在实现过程中,索引文件的格式有所不同,以避免重写OutPutFormat类。下面根据MapReduce的处理过程给出倒排索引的设计思路。???1)Map过程???首先使用默认的TextInputFormat类对输入文件进行处理,得到文本中每行的偏移量及其内容。显然,Map过程首先必须分析输入的key,value对,得到倒排索引中需要的三个信息:单词、文档URL和词频
设计思路实现“倒排索引”只要关注的信息为:单词、文档URL及词频,但是在实现过程中,索引文件的格式有所不同,以避免重写OutPutFormat类。下面根据MapReduce的处理过程给出倒排索引的设计思路。???1)Map过程???首先使用默认的TextInputFormat类对输入文件进行处理,得到文本中每行的偏移量及其内容。显然,Map过程首先必须分析输入的key,value对,得到倒排索引中需要的三个信息:单词、文档URL和词频
设计思路这里存在两个问题:第一,key,value对只能有两个值,在不使用Hadoop自定义数据类型的情况下,需要根据情况将其中两个值合并成一个值,作为key或value值;第二,通过一个Reduce过程无法同时完成词频统计和生成文档列表,所以必须增加一个Combine过程
文档评论(0)