《hadoop进阶》PeopleRank从社交关系中挖掘价值用户

转载请注明出处：转载自 Thinkgamer的CSDN博客： blog.csdn.net/gamer_gyt

代码下载地址：点击查看

1：PageRank 与 PeopleRank

2：需求分析：挖掘CSDN博客的价值用户

3：算法模型：PeopleRank算法

4：架构设计：从数据准备到PR算法的MR化

5：程序开发：hadoop实现PeopleRank算法

一：PageRank与PeopleRank

PageRank算法是Google从垃圾堆里捡黄金的重量级算法，它让谷歌的搜索引擎一度成为No.1，当然谷歌所公开的PR算法毕竟是过去式了，既然它能公开，那么肯定不是它最新的算法演化版本，但是不管怎样，我们依旧从中学习到很多创新和独特的思想。

PR算法主要用于网页评分计算，它利用互联网的网页之间的连接关系，给网页进行打分，最终PR值越高的网页价值也就越高。

自2012以来，中国开始进入社交网络的时代，开心网，人人网，新浪微博，腾讯微博，微信等社交网络应用，开始进入大家的生活。最早是由“抢车位”，“偷菜”等社交游戏带动的社交网络的兴起，如今人们会更多的利用社交网络，获取信息和分享信息。我们的互联网，正在从以网页信息为核心的网络，向着以人为核心的网络转变着。

于是有人就提出了，把PageRank模型应用于社交网络，定义以人为核心的个体价值。这样PageRank模型就有了新的应用领域，同时也有了一个新的名字PeopleRank。

二 . 需求分析：挖掘CSDN博客的价值用户

如上图所示，CSDN博客的每个用户都有关注人数和粉丝人数，这在一定程度上和网页之间的连接关系是十分相似的，我个人比较菜，粉丝数太少，当然我希望看过我博客的人，如果你感觉不错的话是否可以关注以下呢，闲话少说，这种相互关注的关系在一定程度上体现了用户的价值，粉丝数目越多的人，在一定程度上，其本身所具有的重要性。

顺便给大家看一个CSDN排名47的牛人

这刚好符合PR算法，我们是否可以考虑使用PeopleRank算法，利用用户之间的关注关系，来计算不同用户的PR值，从而提取出“价值”更高的用户呢？答案是肯定的。

三 . 算法模型：PeopleRank算法

那么什么是PageRank算法？当然本篇博客并不是来谈PR算法的，而是将如何利用hadoop实现pr算法从而挖掘有价值的用户，所以以下只是简单的对pr算法的描述，更多还请自己搜索查看（以下部分摘自：http://blog.jobbole.com/71431/）

互联网中的网页可以看出是一个有向图，其中网页是结点，如果网页A有链接到网页B，则存在一条有向边A->B，下面是一个简单的示例：

这个例子中只有四个网页，如果当前在A网页，那么悠闲的上网者将会各以1/3的概率跳转到B、C、D，这里的3表示A有3条出链，如果一个网页有k条出链，那么跳转任意一个出链上的概率是1/k，同理D到B、C的概率各为1/2，而B到C的概率为0。一般用转移矩阵表示上网者的跳转概率，如果用n表示网页的数目，则转移矩阵M是一个n*n的方阵；如果网页j有k个出链，那么对每一个出链指向的网页i，有M[i][j]=1/k，而其他网页的M[i][j]=0；上面示例图对应的转移矩阵如下：

初试时，假设上网者在每一个网页的概率都是相等的，即1/n，于是初试的概率分布就是一个所有值都为1/n的n维列向量V0，用V0去右乘转移矩阵M，就得到了第一步之后上网者的概率分布向量MV0,（nXn）*(nX1)依然得到一个nX1的矩阵。下面是V1的计算过程：

注意矩阵M中M[i][j]不为0表示用一个链接从j指向i，M的第一行乘以V0，表示累加所有网页到网页A的概率即得到9/24。得到了V1后，再用V1去右乘M得到V2，一直下去，最终V会收敛，即Vn=MV(n-1)，上面的图示例，不断的迭代，最终V=[3/9,2/9,2/9,2/9]’：

四 .架构设计：从数据准备到PR算法的MR化

这里我采用的是用户和用户之间的关注关系，例如用户A 关注用户B

1：数据采集

使用Python爬虫采集CSDN博客的用户和用户的关注关系，这里我使用的采集程序架构图如下：

因为我这个PR计算是我做的另外一个项目（博客统计分析系统：github地址在线演示地址：点击查看
该地址会在一定的时间内有效）的其中的一部分，所以数据也是从其中摘取的，原本的采集程序是为了采集所有CSDN博客用户udell信息和博客内容的，当然由于各种关系，最终采集的用户数量为七万左右，最终采集到的数据格式如下：

用户信息数据：

博客信息数据：

2：数据整理

我从中随机抽取了100个用户，同时利用一定的技术手段，给这个100个用户之间赋予一定的关注关系，整理后的数据如下，主要包括两部分，第一部分是用户之间的关注关系（用户id，关注的用户id），第二是给每个用户赋予一定的初始值（用户id，初始用户pr值全部为1）

(1)
(2)

3：PR算法的MR化设计

我么以下面这个图来说一下

ID=1的页面链向2,3,4页面,所以一个用户从ID=1的页面跳转到2,3,4的概率各为1/3

ID=2的页面链向3,4页面,所以一个用户从ID=2的页面跳转到3,4的概率各为1/2

ID=3的页面链向4页面,所以一个用户从ID=3的页面跳转到4的概率各为1

ID=4的页面链向2页面,所以一个用户从ID=4的页面跳转到2的概率各为1

（1）：构造邻接矩阵

（2）：构造邻接矩阵

（3）：转换为概率矩阵(转移矩阵)

（4）：阻尼系数概率矩阵

（5）：进行迭代计算

至于迭代的次数有自己设定，并不是越多越好，根据六度分割理论来讲，一般迭代6次

五 .
程序开发：hadoop实现PeopleRank算法

程序架构如下：

个人代码目录：

下面我们具体说一说每一个文件是干什么的

day7_author100_mess.csv：源文件，由dataEtl.java处理成我们所需要的数据格式

people.csv，peoplerank.txt ：day7_author100_mess.csv处理后得到的文件

prjob.java：程序调度的主函数

prMatrix.java：数据转换为矩阵形式

prJisuan.java：计算每个用户的PR值

prNormal.java：PR值的标准化

prSort.java：对转化后的PR值进行排序

最终的输出文件目录

下面只对部分代码进行展示，更多请前往github下载：点击查看

dataEtl.java

package pagerankjisuan;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.io.FileWriter;
import java.io.IOException;

public class dataEtl {

	public static void main() throws IOException {

		File f1 = new File("MyItems/pagerankjisuan/people.csv");
		if(f1.isFile()){
			f1.delete();
		}
		File f = new File("MyItems/pagerankjisuan/peoplerank.txt");
		if(f.isFile()){
			f.delete();
		}
		//打开文件
		File file = new File("MyItems/pagerankjisuan/day7_author100_mess.csv");
		//定义一个文件指针
		BufferedReader reader = new BufferedReader(new FileReader(file));
		try {
			String line=null;
			//判断读取的一行是否为空
			while( (line=reader.readLine()) != null)
			{
					String[] userMess = line.split( "," );
					//第一字段为id，第是个字段为粉丝列表
					String userid = userMess[0];
					if(userMess.length!=0){
							if(userMess.length==11)
							{
									int i=0;
									String[] focusName = userMess[10].split("\\|"); //  | 为转义符
									for (i=1;i < focusName.length; i++)
										{
											write(userid,focusName[i]);
//											System.out.println(userid+ "           " + focusName[i]);
										}
							}
							else
							{
									int j =0;
									String[] focusName = userMess[9].split("\\|"); //  | 为转义符
									for (j=1;j < focusName.length; j++)
									{
										write(userid,focusName[j]);
//										System.out.println(userid+ "           " + focusName[j]);
									}
							}
					}
				}
			}
			catch (FileNotFoundException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			}
			finally
			{
					reader.close();

					//etl peoplerank.txt
					for(int i=1;i<=100;i++){
						FileWriter writer = new FileWriter("MyItems/pagerankjisuan/peoplerank.txt",true);
						writer.write(i + "\t" + 1 + "\n");
						writer.close();
					}
			}
			System.out.println("OK..................");
	}

	private static void write(String userid, String nameid) {
		// TODO Auto-generated method stub
		//定义写文件，按行写入
		try {
			if(!nameid.contains("\n")){
				FileWriter writer = new FileWriter("MyItems/pagerankjisuan/people.csv",true);
				writer.write(userid + "," + nameid + "\n");
				writer.close();
			}
		} catch (IOException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}

}

prjob.java

package pagerankjisuan;

import java.text.DecimalFormat;
import java.util.HashMap;
import java.util.Map;

/*
 * 调度函数
 */
public class prjob {

	public static final String  HDFS = "hdfs://127.0.0.1:9000";

	public static void main(String[] args) {
		Map  <String, String> path= new HashMap<String, String>();	

		path.put("page" ,"/home/thinkgamer/MyCode/hadoop/MyItems/pagerankjisuan/people.csv");
		path.put("pr" ,"/home/thinkgamer/MyCode/hadoop/MyItems/pagerankjisuan/peoplerank.txt");

		path.put("input", HDFS + "/mr/blog_analysic_system/people");          // HDFS的目录
        path.put("input_pr", HDFS + "/mr/blog_analysic_system/pr");       // pr存储目录
        path.put("tmp1", HDFS + "/mr/blog_analysic_system/tmp1");             // 临时目录,存放邻接矩阵
        path.put("tmp2", HDFS + "/mr/blog_analysic_system/tmp2");           // 临时目录,计算到得PR,覆盖input_pr

        path.put("result", HDFS + "/mr/blog_analysic_system/result");                   // 计算结果的PR

        path.put("sort", HDFS +  "/mr/blog_analysic_system/sort");  //最终排序输出的结果

        try {
        	   dataEtl.main();
            prMatrix.main(path);
            int iter = 3;           // 迭代次数
            for (int i = 0; i < iter; i++) {
                prJisuan.main(path);
            }
           prNormal.main(path);
           prSort.main(path);

        	} catch (Exception e) {
        		e.printStackTrace();
        	}
        	System.exit(0);
    	}

	 	public static String scaleFloat(float f) {// 保留6位小数
	        DecimalFormat df = new DecimalFormat("##0.000000");
	        return df.format(f);
	    }
}

prSort.java

package pagerankjisuan;

import java.io.IOException;
import java.net.URISyntaxException;
import java.util.Map;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.FloatWritable;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.IntWritable.Comparator;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparable;
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 prSort {
	/**
     * @param args
     * @throws IOException
     * @throws IllegalArgumentException
     * @throws InterruptedException
     * @throws ClassNotFoundException
     */
    public static class myComparator extends Comparator {
        @SuppressWarnings("rawtypes")
        public int compare( WritableComparable a,WritableComparable b){
            return -super.compare(a, b);
        }
        public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
            return -super.compare(b1, s1, l1, b2, s2, l2);
        }
    }

    public static class sortMap extends Mapper<Object,Text,FloatWritable,IntWritable>{
        public void map(Object key,Text value,Context context) throws NumberFormatException, IOException, InterruptedException{
            String[] split = value.toString().split("\t");
            context.write(new FloatWritable(Float.parseFloat(split[1])),new IntWritable(Integer.parseInt(split[0])) );
        }
    }
    public static class Reduce extends Reducer<FloatWritable,IntWritable,IntWritable,FloatWritable>{
        public void reduce(FloatWritable key,Iterable<IntWritable>values,Context context) throws IOException, InterruptedException{
            for (IntWritable text : values) {
                context.write( text,key);
            }
        }
    }

	public static void main(Map<String, String> path) throws IOException, URISyntaxException, ClassNotFoundException, InterruptedException {
        // TODO Auto-generated method stub  

		String input = path.get("result");
		String output = path.get("sort");
		hdfsGYT hdfs = new hdfsGYT();
		hdfs.rmr(output);

        Job job = new Job();
        job.setJarByClass(prSort.class);
        // 1
        FileInputFormat.setInputPaths(job, new Path(input) );
        // 2
        job.setMapperClass(sortMap.class);
        job.setMapOutputKeyClass(FloatWritable.class);
        job.setMapOutputValueClass(IntWritable.class);
        // 3
        // 4  自定义排序
        job.setSortComparatorClass( myComparator.class);
        // 5
        job.setNumReduceTasks(1);
        // 6
        job.setReducerClass(Reduce.class);
        job.setOutputKeyClass(IntWritable.class);
        job.setOutputValueClass(FloatWritable.class);
        // 7
        FileOutputFormat.setOutputPath(job, new Path(output));
        // 8
        System.exit(job.waitForCompletion(true)? 0 :1 );
    }
}

最终排序输出的结果为：

时间： 2024-11-10 15:52:32