目录
一、简介
好友推荐功能简单的说是这样一个需求，预测某两个人是否认识，并推荐为好友。
二、思路
某两个非好友的用户，他们的共同好友越多，那么他们越可能认识。
比如，原始数据如下
Tom Cat Hello Hadoop Spring
Cat Hello Spring
Hello Tom Netty Hadoop Cat
Hadoop Tom Hello Netty Spring
Spring Tom Cat Hadoop
Netty Hello Hadoop每一行表示某个用户的好友列表，每一行的第一个名称为该用户的用户名，后面跟的用户名表示他的好友
那么我们需要得到如下的数据
Tom Netty 2
Cat Netty 1
Cat Hadoop 3
Hello Spring 3
Spring Netty 1这里每一行的两个用户名即为预测的可能认识的两个用户，数字表示他们共有的好友数
map：
将每行的人名进行组合，最后输出key为人名组合，value为标志位。需要注意的是，人名需要按照一定顺序排序，防止同样的人名组合产生两个不同的key
标志位0，表示一定是直接好友，也就是用户本人和他用户列表中的每个用户是直接好友。
标志位1，表示可能是间接好友，因为每次只能处理一行，所以在某一行中两个人不是直接好友，但是在其他人的好友列表中，他们可能是直接好友，比如Cat和Hello，在第一行我们只能确定他们可能是间接好友，在第二行我们才知道他们其实是直接好友。然而，Cat和Hadoop才是真正的间接好友。因此这里需要设置为标志位，在reduce阶段才能确认是不是真正的间接好友。选择1为标志位也方便reduce阶段的累加计算。
reduce：
对每个人名组合进行处理。如果值存在标志位0，那么直接抛弃。如果标志位没有0，那么就能够确定肯定是间接好友，进行累加计算。
三、实现
public class RecommentFriendJob {
/**
*
* @param args 0|profile;1|input;2|output;3|master-ip;4|operator;5|homeDir
* @throws Exception
*/
public static void main(String[] args) throws Exception {
Configuration config = JobUtil.init(args);
Job job = Job.getInstance(config);
job.setJarByClass(RecommentFriendJob.class);
job.setJobName("recommentFriend");
Path inputPath = new Path(args[1]);
FileInputFormat.addInputPath(job, inputPath);
Path outputPath = new Path(args[2]);
if(outputPath.getFileSystem(config).exists(outputPath)) {
outputPath.getFileSystem(config).delete(outputPath, true);
}
FileOutputFormat.setOutputPath(job, outputPath);
job.setMapperClass(ReconmentFriendMapper.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
job.setNumReduceTasks(1);
job.setReducerClass(RecommentFriendReducer.class);
boolean isSuccess = job.waitForCompletion(true);
Home("isSuccess:" + isSuccess);
System.exit(isSuccess ? 0 : 1);
}
}FriendMapper
public class ReconmentFriendMapper extends Mapper<Object, Text, Text, IntWritable> {
/**
*
* map的key为好友名，value为0|直接好友;1|可能是间接好友，需要在reduce中进行进一步处理
*
*/
@Override
public void map(Object key, Text value, Context context) throws
IOException, InterruptedException {
Home("key:" + key + ",value:" + value);
String[] friends = value.toString().split(" ");
for(int i=0; i < friends.length; i++) {
String self = friends[i];
for(int j=i+1; j < friends.length; j++) {
Home("i:" + i + ",j:" + j);
if(i == 0) {
// 直接好友
String directFriend = friends[j];
Text directFriendKey = new Text(sort(self, directFriend));
Home("direct:" + directFriendKey.toString());
context.write(directFriendKey, new IntWritable(0));
} else {
// 可能是间接好友
String indirectFriend = friends[j];
Text indirectFriendKey = new Text(sort(self, indirectFriend));
Home("indirect:" + indirectFriendKey.toString());
context.write(indirectFriendKey, new IntWritable(1));
}
}
}
}
private String sort(String self, String directFriend) {
if(self.compareToIgnoreCase(directFriend) < 0) {
return directFriend + " " + self;
}
return self + " " + directFriend;
}
}FriendReduce类
public class RecommentFriendReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
public void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
Home("key:" + key);
int sum = 0;
boolean isDirectFriend = false;
for(IntWritable value : values) {
if(value.get() == 0) {
// 直接好友
Home("direct friend");
isDirectFriend = true;
break;
}
sum = sum + value.get();
}
if(!isDirectFriend) {
context.write(key, new IntWritable(sum));
}
}
}