草庐IT

java - Hadoop Map Reduce For Google web graph

coder 2024-01-05 原文

我们的任务是创建 map reduce 函数,该函数将为 google 网络图中的每个节点 n 输出,列出您可以在 3 跳中从节点 n 到达的节点。 (实际数据可以在这里找到:http://snap.stanford.edu/data/web-Google.html)
以下是列表中项目的示例:

1 2 
1 3 
2 4 
3 4 
3 5 
4 1 
4 5 
4 6 
5 6 

从上面的示例图将是这个


在上面的简化示例中,例如节点 1 的路径是
α [1 -> 2 -> 4 -> 1], [1 -> 2 -> 4 -> 5], [1 -> 2 -> 4 -> 6], [1 -> 3 -> 4 -> 1],
[1 -> 3 -> 4 -> 5], [1 -> 3 -> 4 -> 6] και [1 -> 3 -> 5 -> 6]
因此 map reduce 将为节点 1 输出顶点 1,5,6 (
(a) 每个顶点只能计数一次,并且
(b) 我们仅在存在长度为 3 的圆形路径时才包含当前顶点,例如 [1 -> 2 -> 4 -> 1] 和 [1 -> 3 -> 4 -> 1]。

我很迷茫,因为我相信这需要图论和算法的知识,而我们没有被教过任何与此相关的知识。

如果有人能给我一个正确的开始方向,我将不胜感激。 (我已经研究了最短路径理论等,但我不确定它是否对这个特定的练习有用)

提前致谢,祝您假期愉快。

编辑

我尝试创建邻接列表,但是虽然我希望输出为“vertexID”“node1 node2 node3 node4...”,但我看到在输出文件中我的 reducer 将每个顶点 Id 的列表分成三对。

例如,如果我有连接到 Z、X、C、V、B、N、M、G、H、J、K、L 的顶点 A,它输出为

A Z,X,C

A V, B, N

A M, G, H

A J,K,L

下面是我的映射器和 reducer
public class AdjacentsListDriver extends Configured implements Tool {

    @Override
    public int run(String[] args) throws Exception {



        Configuration conf = getConf();
        Job job = Job.getInstance(conf);
        job.setJobName("Test driver");
        job.setJarByClass(AdjacentsListDriver.class);

        String[] arg0 = new GenericOptionsParser(conf, args).getRemainingArgs();
        if (arg0.length != 2) {
            System.err.println("Usage: hadoop jar <my_jar> <input_dir> <output_dir>");
            System.exit(1);
        }

        Path in = new Path(arg0[0]);
        Path out = new Path(arg0[1]);

        FileInputFormat.setInputPaths(job, in);
        FileOutputFormat.setOutputPath(job, out);

        job.setMapperClass(ListMapper.class);
        job.setReducerClass(ListReducer.class);

        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);    
        job.waitForCompletion(true);

        return 0;
    }

    public static void main(String[] args) throws Exception {
        int res = ToolRunner.run(new Configuration(), new AdjacentsListDriver(), args);
        System.exit(res);

    }



}





/**
 * @author George
 * Theoretically this takes a key(vertexID) and maps all nodes that are connected to it in one hop....
 *
 */
public class ListMapper extends Mapper<LongWritable, Text, Text, Text> {

    private Text vertexID = new Text();
    //private LongWritable vertice= new LongWritable(0);
    private Text vertice=new Text();

    public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        String line = value.toString();
        StringTokenizer itr = new StringTokenizer(line,"\n");
        StringTokenizer itrInside;

        //vertice=new LongWritable(Long.valueOf(value.toString()).longValue());


        while (itr.hasMoreTokens()) {
            if(itr.countTokens() > 2){

            }//ignore first line ??
            else{
                itrInside=new StringTokenizer(itr.toString());
                vertexID.set(itr.nextToken());

                while(itrInside.hasMoreTokens()){               
                    vertice.set(itrInside.nextToken());
                    context.write(vertexID, value);
                }           
            }
        }

    }

}

@override
public class ListReducer extends Reducer<Text, Text, Text, Text>{
    public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {

        String vertices="";

        for (Text value : values) {
            if(vertices=="")
                vertices+=value.toString();
            else
                vertices=vertices+","+value.toString();         
        }

        Text value=new Text();
        value.set(vertices);
        context.write(key, value);

    }

}

最佳答案

由于这是您的(家庭作业)作业,因此我不会包括 Java/Hadoop 解决方案,但我会尝试使 MapReduce 的图形计算概念对您更清晰一些,以便您可以自己实现它。

对于每个顶点,您想要 的顶点正好 n 跳远。在查看最短路径算法时,您走在正确的路径上,但通过简单的广度优先搜索可以更轻松地解决该问题。

然而,当使用 MapReduce 处理图形时,您需要更深入地研究顶点之间的消息传递。图算法通常用多个作业表示,其中 map 和 reduce 阶段具有以下分配:

  • Mapper:向另一个顶点发送消息(通常针对顶点的每个邻居)
  • Reducer:对传入的消息进行分组,加入核心图并减少它们,有时会发送更多消息。

  • 每个作业将始终对前一个作业的输出进行操作,直到您达到结果或放弃为止。

    数据准备

    在您真正想要运行图形算法之前,请确保您的数据采用邻接表的形式。这将使以下迭代算法更容易实现。

    因此,您需要按顶点 id 对它们进行分组,而不是您的邻接元组。下面是一些伪代码:
    map input tuple (X, Y): 
       emit (X, Y)
    
    reduce input (X, Y[]) :
      emit (X, Y[])
    

    基本上,您只是按顶点 id 分组,因此您的输入数据是其邻居的键(顶点 id)(可以从该特定键顶点 id 到达的顶点 id 列表)。如果你想节省资源,你可以使用reducer作为combiner。

    算法

    就像我已经提到的,你只需要一个广度优先搜索算法。您将对图中的每个顶点执行广度优先搜索算法,当遇到邻居时,您只需增加一个跳跃计数器,告诉我们距离起始顶点有多远(这是最短路径算法的最简单情况,即当边权重为 1) 时。

    让我给你看一张简单的图片,用一个简单的图表来描述它。橙色表示已访问,蓝色未访问,绿色是我们的结果。括号中是跳数计数器。



    你看,在每次迭代中,我们都为每个顶点设置了一个跳跃计数器。如果我们碰到一个新的顶点,我们只会把它加一。如果我们命中第 n 个顶点,我们会以某种方式标记它以供以后查找。

    使用 MapReduce 进行分发

    虽然对每个顶点运行广度优先搜索似乎很浪费,但我们可以通过并行化它做得更好。这里是传递发挥作用的消息。就像上图一样,我们在映射步骤中得到的每个顶点最初都会向其邻居发送一条消息,其中包含以下有效载荷:
    HopMessage: Origin (VertexID) | HopCounter(Integer)
    

    在第一次迭代中,我们将尝试向邻居发送消息以启动计算。否则,我们将只代理图形或传入消息。

    因此,在您准备好数据后的第一份工作中,您的 map 和 reduce 看起来像这样:
    map input (VertexID key, either HopMessage or List<VertexID> adjacents):
      if(iterationNumber == 1): // only in the first iteration to kick off
         for neighbour in adjacents:
            emit (neighbour, new HopMessage(key, 0))
      emit (key, adjacents or HopMessage) // for joining in the reducer
    

    reducer 现在在图形和消息之间进行简单的连接,主要是为了获取顶点的邻居,从而导致该输入(以我的简单图形为例):
    1 2 // graph 
    2 1 // hop message
    2 3 // graph
    3 1 // hop message
    3 4 // graph
    4 1 // hop message
    4 - // graph
    

    在 reducer 步骤中,我们将再次将消息转发给邻居,并在递增后检查跃点计数器是否已经达到 3。
    reducer input(VertexID key, List<either HopMessage or List<VertexID> neighbours> values):
     for hopMessage in values:
        hopMessage.counter += 1
        if (hopMessage.counter == 3) 
           emit to some external resource (HopMessage.origin, key)
        else 
           for neighbour in neighbours of key:
              emit (neighbour, hopMessage)
        emit (key, neighbours)
    

    如您所见,这里可能会变得非常困惑:您需要管理两种不同类型的消息,然后还要写入一些外部资源,这些资源将跟踪正好相距 3 跳的顶点。

    只要有要发送的 HopMessages,您就可以安排迭代的作业。这很容易出现图中的循环问题,因为在这种情况下您将无限增加 hopcounter。所以我建议要么用每条消息发送到目前为止的完整遍历路径(非常浪费),要么简单地限制迭代次数。在 n=3 的情况下,不需要 3 次以上的作业迭代。

    有很多博客和项目可以为您提供有关如何处理 Hadoop 中的每个问题的示例。至少我在我的博客中写过 MapReduce 中的图形处理,你可以在我的 github 上找到一些例子。

    清洗输出数据

    最后,您将拥有一堆包含顶点 -> 顶点映射的文件。您可以按照在准备中所做的相同方式减少它们。

    使用 Pregel 的更好方法

    处理图的一种不太麻烦的方法是使用 Pregel 方式来表达图计算。 Pregel 正在使用以顶点为中心的模型,并且可以更轻松地表达这种广度优先计算。

    以下是使用 Apache Hama 的上述算法的简单示例:
      public static class NthHopVertex extends Vertex<Text, NullWritable, HopMessage> {
    
        @Override
        public void compute(Iterable<HopMessage> messages) throws IOException {
          if (getSuperstepCount() == 0L) {
            HopMessage msg = new HopMessage();
            msg.origin = getVertexID().toString();
            msg.hopCounter = 0;
            sendMessageToNeighbors(msg);
          } else {
            for (HopMessage message : messages) {
              message.hopCounter += 1;
              if (message.hopCounter == 3) {
                getPeer().write(new Text(message.origin), getVertexID());
                voteToHalt();
              } else {
                sendMessageToNeighbors(message);
              }
    
            }
          }
        }
      }
    

    顺便说一句,在您的示例中创建的新图如下所示:
    1=[1, 5, 6]
    2=[2, 3, 6]
    3=[2, 3, 6]
    4=[4, 5]
    

    这是完整的 Hama Graph 实现:

    https://github.com/thomasjungblut/tjungblut-graph/blob/master/src/de/jungblut/graph/bsp/NthHop.java

    关于java - Hadoop Map Reduce For Google web graph,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20774253/

    有关java - Hadoop Map Reduce For Google web graph的更多相关文章

    1. java - 等价于 Java 中的 Ruby Hash - 2

      我真的很习惯使用Ruby编写以下代码:my_hash={}my_hash['test']=1Java中对应的数据结构是什么? 最佳答案 HashMapmap=newHashMap();map.put("test",1);我假设? 关于java-等价于Java中的RubyHash,我们在StackOverflow上找到一个类似的问题: https://stackoverflow.com/questions/22737685/

    2. java - 从 JRuby 调用 Java 类的问题 - 2

      我正在尝试使用boilerpipe来自JRuby。我看过guide从JRuby调用Java,并成功地将它与另一个Java包一起使用,但无法弄清楚为什么同样的东西不能用于boilerpipe。我正在尝试基本上从JRuby中执行与此Java等效的操作:URLurl=newURL("http://www.example.com/some-location/index.html");Stringtext=ArticleExtractor.INSTANCE.getText(url);在JRuby中试过这个:require'java'url=java.net.URL.new("http://www

    3. java - 我的模型类或其他类中应该有逻辑吗 - 2

      我只想对我一直在思考的这个问题有其他意见,例如我有classuser_controller和classuserclassUserattr_accessor:name,:usernameendclassUserController//dosomethingaboutanythingaboutusersend问题是我的User类中是否应该有逻辑user=User.newuser.do_something(user1)oritshouldbeuser_controller=UserController.newuser_controller.do_something(user1,user2)我

    4. java - 什么相当于 ruby​​ 的 rack 或 python 的 Java wsgi? - 2

      什么是ruby​​的rack或python的Java的wsgi?还有一个路由库。 最佳答案 来自Python标准PEP333:Bycontrast,althoughJavahasjustasmanywebapplicationframeworksavailable,Java's"servlet"APImakesitpossibleforapplicationswrittenwithanyJavawebapplicationframeworktoruninanywebserverthatsupportstheservletAPI.ht

    5. Observability:从零开始创建 Java 微服务并监控它 (二) - 2

      这篇文章是继上一篇文章“Observability:从零开始创建Java微服务并监控它(一)”的续篇。在上一篇文章中,我们讲述了如何创建一个Javaweb应用,并使用Filebeat来收集应用所生成的日志。在今天的文章中,我来详述如何收集应用的指标,使用APM来监控应用并监督web服务的在线情况。源码可以在地址 https://github.com/liu-xiao-guo/java_observability 进行下载。摄入指标指标被视为可以随时更改的时间点值。当前请求的数量可以改变任何毫秒。你可能有1000个请求的峰值,然后一切都回到一个请求。这也意味着这些指标可能不准确,你还想提取最小/

    6. 【Java 面试合集】HashMap中为什么引入红黑树,而不是AVL树呢 - 2

      HashMap中为什么引入红黑树,而不是AVL树呢1.概述开始学习这个知识点之前我们需要知道,在JDK1.8以及之前,针对HashMap有什么不同。JDK1.7的时候,HashMap的底层实现是数组+链表JDK1.8的时候,HashMap的底层实现是数组+链表+红黑树我们要思考一个问题,为什么要从链表转为红黑树呢。首先先让我们了解下链表有什么不好???2.链表上述的截图其实就是链表的结构,我们来看下链表的增删改查的时间复杂度增:因为链表不是线性结构,所以每次添加的时候,只需要移动一个节点,所以可以理解为复杂度是N(1)删:算法时间复杂度跟增保持一致查:既然是非线性结构,所以查询某一个节点的时候

    7. 【Java入门】使用Java实现文件夹的遍历 - 2

      遍历文件夹我们通常是使用递归进行操作,这种方式比较简单,也比较容易理解。本文为大家介绍另一种不使用递归的方式,由于没有使用递归,只用到了循环和集合,所以效率更高一些!一、使用递归遍历文件夹整体思路1、使用File封装初始目录,2、打印这个目录3、获取这个目录下所有的子文件和子目录的数组。4、遍历这个数组,取出每个File对象4-1、如果File是否是一个文件,打印4-2、否则就是一个目录,递归调用代码实现publicclassSearchFile{publicstaticvoidmain(String[]args){//初始目录Filedir=newFile("d:/Dev");Datebeg

    8. java - 为什么 ruby​​ modulo 与 java/other lang 不同? - 2

      我基本上来自Java背景并且努力理解Ruby中的模运算。(5%3)(-5%3)(5%-3)(-5%-3)Java中的上述操作产生,2个-22个-2但在Ruby中,相同的表达式会产生21个-1-2.Ruby在逻辑上有多擅长这个?模块操作在Ruby中是如何实现的?如果将同一个操作定义为一个web服务,两个服务如何匹配逻辑。 最佳答案 在Java中,模运算的结果与被除数的符号相同。在Ruby中,它与除数的符号相同。remainder()在Ruby中与被除数的符号相同。您可能还想引用modulooperation.

    9. java - Ruby 相当于 Java 的 Collections.unmodifiableList 和 Collections.unmodifiableMap - 2

      Java的Collections.unmodifiableList和Collections.unmodifiableMap在Ruby标准API中是否有等价物? 最佳答案 使用freeze应用程序接口(interface):Preventsfurthermodificationstoobj.ARuntimeErrorwillberaisedifmodificationisattempted.Thereisnowaytounfreezeafrozenobject.SeealsoObject#frozen?.Thismethodretur

    10. java - Java 的 StringReader 的 Ruby 等价物是什么? - 2

      在Java中,可以像这样从一个字符串创建一个IO流:Readerr=newStringReader("mytext");我希望能够在Ruby中做同样的事情,这样我就可以获取一个字符串并将其视为一个IO流。 最佳答案 r=StringIO.new("mytext")和here'sthedocumentation. 关于java-Java的StringReader的Ruby等价物是什么?,我们在StackOverflow上找到一个类似的问题: https://st

    随机推荐