MapReduce数据分析（6）共同好友

六、MapReduce第六讲共同好友（Common friends）

某某社交网站，有如下用户好友关系：

A:B,C,D,
F,E,O
B:A,C,E,K
C:F,A,D,I
D:A,E,F,L
E:B,C,D,M,L
F:A,B,C,D,E,O,M
G:A,C,D,E,F
H:A,C,D,E,O
I:A,O
J:B,O
K:A,C,D
L:D,E,F
M:E,F,G
O:A,H,I,J

数据解释：

A:B,C,D,F,E,O

每行数据以冒号为分隔符：

1、冒号左边是网站的一个用户A；
2、冒号右边是用户A的好友列表（各好友间以逗号为分隔符）；
现在，需要对网站的几十亿用户进行分析，找出哪些用户两两之间有共同好友，以及他俩的共同好友都有哪些人。比如，A、B两个用户拥有共同好友C和E；

最终统计的结果数据示意如下：

A-L F,E,D
A-M E,F B-C A
B-D A,E
B-E C

设计思路：
整个实验过程需要写两个MapReduce程序来实现。
第一个job实现出来的结果是

B-C A
B-D A

该数据的意思是B和C用户、B和D用户都是A用户的好友
第二个job实现出来的结果是

A-B E,C
A-C D,F
A-D E,F

该数据的意思是A和B的共同好友是E用户,C用户。

接下来我们开始写第一个job类。
代码如下：

package demo;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Collections;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;

public class demo{
	public static void main(String[] args) {
		
		Configuration conf=new Configuration();
		Job job = Job.getInstance(conf);
		job.setJarByClass(demo.class);
		job.setMapperClass(MMapper.class);
		job.setReducerClass(MReduce.class);
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(Text.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(Text.class);
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		job.waitForCompletion(true);
	}
	
	public static class MMapper extends Mapper<LongWritable, Text, Text, Text>{
		// 输入数据形式如：      A:B,C,D,F,E,O
		protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, Text>.Context context)
				throws IOException, InterruptedException {
			
			// 转换数据类型并用:切割
			String[] line = value.toString().split(":");
			//得到数据中的用户
			String user = line[0];
			String[] itmse = line[1].split(",");
			//得到数据中的好友
			for (String v : itmse) {
				//将每一个好友作为key,用户作为value
				context.write(new Text(v), new Text(user));
			}
		}
		
	}
	public static class MReduce extends Reducer<Text, Text, Text, Text>{
		protected void reduce(Text key, Iterable<Text> value, Context context)
				throws IOException, InterruptedException {
			ArrayList<Text> arrayList = new ArrayList<Text>();
			// 将这一组拥有共同好友f的user们从迭代器中取出，放入一个arraylist暂存
			for (Text u : value) {
				arrayList.add(new Text(u));
			}
			//对users排个序，以免拼俩俩对时出现A-F 又有F-A的现象
			Collections.sort(arrayList);
			// 把这一对user进行两两组合，并将:
			//1.组合作为key
			//2.共同的好友f作为value
			//返回给reduce task作为本job的最终结果
			for (int i = 0; i < arrayList.size()-1; i++) {
				for (int j = i+1; j <arrayList.size(); j++) {
					context.write(new Text(arrayList.get(i)+"-"+arrayList.get(j)), key);
				}
			}
		}
	}
}

运行结果：

下面我们开始写第二个job

代码如下；

package xxx;
import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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;

public class demo{
	public static void main(String[] args) throws Exception {
		Configuration conf=new Configuration();
		Job job = Job.getInstance(conf);
		job.setJarByClass(demo.class);
		job.setMapperClass(MMapper.class);
		job.setReducerClass(MReduce.class);
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(Text.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(Text.class);
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		job.waitForCompletion(true);
	}
	
	public static class MMapper extends Mapper<LongWritable, Text, Text, Text>{
		// 输入数据形式如：      A:B,C,D,F,E,O
		protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, Text>.Context context)
				throws IOException, InterruptedException {
			// 将数据按制表符切分
			String[] line = value.toString().split("\t");
			// 将切出来的B-C用户对作为key，共同好友A作为value
			// 返回给map task
			context.write(new Text(line[0]), new Text(line[1]));
		}
		
	}
	public static class MReduce extends Reducer<Text, Text, Text, Text>{
		protected void reduce(Text key, Iterable<Text> value, Context context)
				throws IOException, InterruptedException {
			// 构造一个StringBuilder用于拼接字符串
			StringBuffer sb = new StringBuffer();
			for (Text v : value) {
				// 将这个用户对的所有共同好友拼接在一起
				sb.append(v).append(",");
			}
			//用户对作为key，拼接好的所有共同好友作为value
			context.write(key, new Text(sb.substring(0,sb.length()-1)));
		}
	}
}

运行结果：

本次教程就到次结束了，有什么不懂的欢迎大家下方评论。博主都会帮你解答的。觉的写的不错的点个赞价格关注，多多支持。