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);     } }