Mapreduce -- PageRank

PageRank 简单理解为网页排名，但是网页是根据什么排名的，接下来就简单介绍一下。

举例：

假设网页 A 的内容中有网页 B，C 和 D 的链接，并且 A 的 PageRank的值为0.25。

那接下里我们就可以计算在网页 A 中的其他网页的PageRank的值了。我们拿网页 B 来进行说明，

在网页 A 中的网页 B 的 PageRank 为 0.25 * (1/n) 其中n为网页 A 中网页链接数，结果则为 0.25*(1/3)。

可以简单理解为A的PageRank被B，C 和 D 平分了，B分到了0.25的三分之一。

然后将所有网页中的关于网页B的pagerank值求出来，就是网页B真实的pagerank了。

但是上面的例子没有考虑到如下的特殊情况：

1 网页A中只有指向自己的网页链接。

2 网页A中没有任何链接。

如果出现以上情况，会导致pagerank结果不准确。

所以出现了下面的公式：

result = sum * n + (1-n)/N

sum 为上面计算出来的，如网页B在所有网页中的pagerank值的总和。

n 可以理解为停留在当前网页继续进行网页跳转浏览的概率

1-n 可以理解为不访问当前网页的任何链接，从浏览器的地址栏输入，转去其他网页的概率。

N 为网页的数量

下面介绍通过MapReduce实现PageRank

简单的流程分析：

Map

取一行数据进行说明

A    B    C    D

网页A中有网页B,C,D的链接;

刚开始给网页A一个默认的pagerank值，然后根据这个值计算其他网页链接在网页A中的PageRank。处理后的数据如下：

A    0.25    B    C    D
B    0.25*(1/3)
C    0.25*(1/3)
D    0.25*(1/3)

Reduce

然后通过 Reduce 计算出各个网页在其他网页中的 PageRank 的总和 sum，然后代入公式计算实际的PageRank，并更新 A 0.25 B C D 中的数据，这里将0.25更新为计算出来真实的 PageRank。

重复计算各个网页的 PageRank 的值，直到 PageRank 的结果收敛，值趋于稳定。

A    0.25    B    C    D  =>A    ?    B    C    D

测试数据：

A    B       C       D
B    A       D
C    C
D    B       C

测试代码：

RunJob.java

import org.apache.hadoop.conf.Configuration;
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.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

/**
 * Created by Edward on 2016/7/13.
 */
public class RunJob {

    public static enum ValueEnum{
        CLOSURE_VALUE;
    }

    public static void main(String[] args)
    {

        //access hdfs's user
        System.setProperty("HADOOP_USER_NAME","root");

        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://node1:8020");

        try {
            int i = 0;
            while(true) {
                i++;
                conf.setInt("count", i);

                FileSystem fs = FileSystem.get(conf);
                Job job = Job.getInstance(conf);
                job.setJarByClass(RunJob.class);
                job.setMapperClass(MyMapper.class);
                job.setReducerClass(MyReducer.class);

                //需要指定 map out 的 key 和 value
                job.setOutputKeyClass(Text.class);
                job.setOutputValueClass(Text.class);

                //设置输入类的
                job.setInputFormatClass(KeyValueTextInputFormat.class);
                if(i==1)
                    FileInputFormat.addInputPath(job, new Path("/test/pagerank/input"));
                else
                    FileInputFormat.addInputPath(job, new Path("/test/pagerank/output/pr"+(i-1)));

                Path path = new Path("/test/pagerank/output/pr"+i);
                if (fs.exists(path))//如果目录存在，则删除目录
                {
                    fs.delete(path, true);
                }
                FileOutputFormat.setOutputPath(job, path);

                boolean b = job.waitForCompletion(true);
                if (b) {
                    long closure =job.getCounters().findCounter(ValueEnum.CLOSURE_VALUE).getValue();
                    double avg= closure/4000.0;//计算收敛的平均值，浮动小于0.001则认为收敛
                    System.out.println("执行第"+i+"次, closure="+closure+",avg="+avg);
                    if(avg < 0.001){
                        System.out.println("总共执行了"+i+"次，之后收敛");
                        break;
                    }
                }
            }

        } catch (Exception e) {
            e.printStackTrace();
        }
    }


    public static class MyMapper extends Mapper<Text, Text, Text, Text> {
        @Override
        protected void map(Text key, Text value, Context context) throws IOException, InterruptedException {
            AdjacentNodes adjacentNodes  = new AdjacentNodes();
            int count = context.getConfiguration().getInt("count", 1);

            if(count == 1)
            {
                AdjacentNodes firstAdj = new AdjacentNodes();
                firstAdj.setValue(1.0);
                firstAdj.setNodes(value.toString().split("	"));
                adjacentNodes = firstAdj;
            }
            else
            {
                //格式化 value: 1.0 B C D
                adjacentNodes.formatInfo(value.toString());
            }
            //A 1.0 B C D
            context.write(key, new Text(adjacentNodes.toString()));

            double pagerank = adjacentNodes.getValue()/adjacentNodes.getNum();
            for(int i=0; i<adjacentNodes.getNum(); i++)
            {
                String node = adjacentNodes.getNodes()[i];
                //B 0.333
                context.write(new Text(node), new Text(pagerank+""));
            }
        }
    }

    public static class MyReducer extends Reducer<Text, Text, Text, Text> {
        @Override
        protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {

            AdjacentNodes adjacentNodes = new AdjacentNodes();

            Double sum = 0.0;
            for(Text adj : values)
            {
                String str = adj.toString();
                if(str.split("	").length>1)
                {
                    adjacentNodes.formatInfo(str);
                }
                else{
                    sum += Double.parseDouble(str);   //对节点的 pagerank 求和，
                }
            }

            //计算pagerank
            double n = 0.80;
            double pagerank = sum * n + (1-n)/4.0;// 计算pagerank 公式 sum * n + (1-n)/N

            //计算收敛的差值
            int closure =(int)(Math.abs(pagerank - adjacentNodes.getValue()) * 1000);
            //通过context.getCounter(ENUM)方法，每次执行reduce将closure的值进行累加，结果传递给主函数，

            context.getCounter(ValueEnum.CLOSURE_VALUE).increment(closure);

            adjacentNodes.setValue(pagerank);
            context.write(key, new Text(adjacentNodes.toString()));
        }
    }
}

AdjacentNodes.java

/**
 * Created by Edward on 2016/7/14.
 */
public class AdjacentNodes {

    double value = 0.0;
    int num = 0;
    String[] nodes = null;

    public void formatInfo(String str)
    {
        String[] val = str.split("	");
        this.setValue(Double.parseDouble(val[0]));
        this.setNum(val.length-1);

        if(this.num != 0)
            this.nodes = new String[this.num];

        for(int i=1; i<val.length; i++)
        {
            this.nodes[i-1] = val[i];
        }
    }

    public boolean isEmpty()
    {
        if(this.num == 0)
            return true;
        else
            return false;
    }

    public void setNodes(String[] nodes) {
        this.nodes = nodes;
        this.num = nodes.length;
    }

    public void setNum(int num) {
        this.num = num;
    }

    public void setValue(double value) {
        this.value = value;
    }

    public double getValue() {
        return value;
    }

    public int getNum() {
        return num;
    }

    public String[] getNodes() {
        return nodes;
    }


    @Override
    public String toString() {

        StringBuffer stringBuffer = new StringBuffer(this.value+"");

        for(int i=0; i<this.num; i++)
        {
            stringBuffer.append("	"+this.nodes[i]);
        }

        return stringBuffer.toString();
    }
}

结果数据：

A       0.10135294176208584     B       C       D
B       0.12838069628609527     A       D
C       0.6560527651143326      C
D       0.12838069628609527     B       C

总共执行了24次，之后收敛;

PageRank值越高，越值得推荐。