转自 http://blog.csdn.net/liuxinghao/article/details/39958957
简单回顾一下矩阵乘法:
矩阵乘法要求左矩阵的列数与右矩阵的行数相等,m×n的矩阵A,与n×p的矩阵B相乘,结果为m×p的矩阵C。详细内容可以查看:矩阵乘法。
为了方便描述,先进行假设:
- 矩阵A的行数为m,列数为n,aij为矩阵A第i行j列的元素。
- 矩阵B的行数为n,列数为p,bij为矩阵B第i行j列的元素。
分析
因为分布式计算的特点,需要找到相互独立的计算过程,以便能够在不同的节点上进行计算而不会彼此影响。根据矩阵乘法的公式,C中各个元素的计算都是相互独立的,即各个cij在计算过程中彼此不影响。这样的话,在Map阶段可以把计算所需要的元素都集中到同一个key中,然后,在Reduce阶段就可以从中解析出各个元素来计算cij。
另外,以a11为例,它将会在c11、c12……c1p的计算中使用。也就是说,在Map阶段,当我们从HDFS取出一行记录时,如果该记录是A的元素,则需要存储成p个<key, value>对,并且这p个key互不相同;如果该记录是B的元素,则需要存储成m个<key, value>对,同样的,m个key也应互不相同;但同时,用于存放计算cij的ai1、ai2……ain和b1j、b2j……bnj的<key, value>对的key应该都是相同的,这样才能被传递到同一个Reduce中。
设计
普遍有一个共识是:数据结构+算法=程序,所以在编写代码之前需要先理清数据存储结构和处理数据的算法。
算法
map阶段
在map阶段,需要做的是进行数据准备。把来自矩阵A的元素aij,标识成p条<key, value>的形式,key="i,k",(其中k=1,2,...,p),value="a:j,aij";把来自矩阵B的元素bij,标识成m条<key, value>形式,key="k,j"(其中k=1,2,...,m),value="b:i,bij"。
经过处理,用于计算cij需要的a、b就转变为有相同key("i,j")的数据对,通过value中"a:"、"b:"能区分元素是来自矩阵A还是矩阵B,以及具体的位置(在矩阵A的第几列,在矩阵B的第几行)。
shuffle阶段
这个阶段是Hadoop自动完成的阶段,具有相同key的value被分到同一个Iterable中,形成<key,Iterable(value)>对,再传递给reduce。
reduce阶段
通过map数据预处理和shuffle数据分组两个阶段,reduce阶段只需要知道两件事就行:
- <key,Iterable(value)>对经过计算得到的是矩阵C的哪个元素?因为map阶段对数据的处理,key(i,j)中的数据对,就是其在矩阵C中的位置,第i行j列。
- Iterable中的每个value来自于矩阵A和矩阵B的哪个位置?这个也在map阶段进行了标记,对于value(x:y,z),只需要找到y相同的来自不同矩阵(即x分别为a和b)的两个元素,取z相乘,然后加和即可。
数据结构
计算过程已经设计清楚了,就需要对数据结构进行设计。大体有两种设计方案:
第一种:使用最原始的表示方式,相同行内不同列数据通过","分割,不同行通过换行分割;
第二种:通过行列表示法,即文件中的每行数据有三个元素通过分隔符分割,第一个元素表示行,第二个元素表示列,第三个元素表示数据。这种方式对于可以不列出为0的元素,即可以减少稀疏矩阵的数据量。
在上图中,第一种方式存储的数据量小于第二种,但这只是因为例子中的数据设计成这样。在现实中,使用分布式计算矩阵乘法的环境中,大部分矩阵是稀疏矩阵,且数据量极大,在这种情况下,第二种数据结构的优势就显现了出来。而且,因为使用分布式计算,如果数据大于64m,在map阶段将不能够逐行处理,将不能确定数据来自于哪一行。不过,由于现实中对于大矩阵的乘法,考虑到存储空间和内存的情况,需要特殊的处理方式,有一种是将矩阵进行行列转换然后计算,这个时候第一种还是挺实用的。
编写代码
第一种数据结构
代码为:
- import java.io.IOException;
- import java.util.HashMap;
- import java.util.Iterator;
- import java.util.Map;
- import org.apache.hadoop.conf.Configuration;
- import org.apache.hadoop.fs.Path;
- import org.apache.hadoop.io.IntWritable;
- 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.input.FileSplit;
- import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
- import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
- import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
- /**
- * @author liuxinghao
- * @version 1.0 Created on 2014年10月9日
- */
- public class MatrixMultiply {
- public static class MatrixMapper extends
- Mapper<LongWritable, Text, Text, Text> {
- private String flag = null;// 数据集名称
- private int rowNum = 4;// 矩阵A的行数
- private int colNum = 2;// 矩阵B的列数
- private int rowIndexA = 1; // 矩阵A,当前在第几行
- private int rowIndexB = 1; // 矩阵B,当前在第几行
- @Override
- protected void setup(Context context) throws IOException,
- InterruptedException {
- flag = ((FileSplit) context.getInputSplit()).getPath().getName();// 获取文件名称
- }
- @Override
- protected void map(LongWritable key, Text value, Context context)
- throws IOException, InterruptedException {
- String[] tokens = value.toString().split(",");
- if ("ma".equals(flag)) {
- for (int i = 1; i <= colNum; i++) { //循坏多列
- Text k = new Text(rowIndexA + "," + i);
- for (int j = 0; j < tokens.length; j++) {
- Text v = new Text("a," + (j + 1) + "," + tokens[j]);
- context.write(k, v);
- }
- }
- rowIndexA++;// 每执行一次map方法,矩阵向下移动一行
- } else if ("mb".equals(flag)) {
- for (int i = 1; i <= rowNum; i++) { //循环多行
- for (int j = 0; j < tokens.length; j++) {
- Text k = new Text(i + "," + (j + 1));
- Text v = new Text("b," + rowIndexB + "," + tokens[j]);
- context.write(k, v);
- }
- }
- rowIndexB++;// 每执行一次map方法,矩阵向下移动一行
- }
- }
- }
- public static class MatrixReducer extends
- Reducer<Text, Text, Text, IntWritable> {
- @Override
- protected void reduce(Text key, Iterable<Text> values, Context context)
- throws IOException, InterruptedException {
- Map<String, String> mapA = new HashMap<String, String>();
- Map<String, String> mapB = new HashMap<String, String>();
- for (Text value : values) {
- String[] val = value.toString().split(",");
- if ("a".equals(val[0])) {
- mapA.put(val[1], val[2]);
- } else if ("b".equals(val[0])) {
- mapB.put(val[1], val[2]);
- }
- }
- int result = 0;
- Iterator<String> mKeys = mapA.keySet().iterator();
- while (mKeys.hasNext()) {
- String mkey = mKeys.next();
- if (mapB.get(mkey) == null) {// 因为mkey取的是mapA的key集合,所以只需要判断mapB是否存在即可。
- continue;
- }
- result += Integer.parseInt(mapA.get(mkey))
- * Integer.parseInt(mapB.get(mkey));
- }
- context.write(key, new IntWritable(result));
- }
- }
- public static void main(String[] args) throws IOException,
- ClassNotFoundException, InterruptedException {
- String input1 = "hdfs://192.168.1.128:9000/user/lxh/matrix/ma";
- String input2 = "hdfs://192.168.1.128:9000/user/lxh/matrix/mb";
- String output = "hdfs://192.168.1.128:9000/user/lxh/matrix/out";
- Configuration conf = new Configuration();
- conf.addResource("classpath:/hadoop/core-site.xml");
- conf.addResource("classpath:/hadoop/hdfs-site.xml");
- conf.addResource("classpath:/hadoop/mapred-site.xml");
- conf.addResource("classpath:/hadoop/yarn-site.xml");
- Job job = Job.getInstance(conf, "MatrixMultiply");
- job.setJarByClass(MatrixMultiply.class);
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(Text.class);
- job.setMapperClass(MatrixMapper.class);
- job.setReducerClass(MatrixReducer.class);
- job.setInputFormatClass(TextInputFormat.class);
- job.setOutputFormatClass(TextOutputFormat.class);
- FileInputFormat.setInputPaths(job, new Path(input1), new Path(input2));// 加载2个输入数据集
- Path outputPath = new Path(output);
- outputPath.getFileSystem(conf).delete(outputPath, true);
- FileOutputFormat.setOutputPath(job, outputPath);
- System.exit(job.waitForCompletion(true) ? 0 : 1);
- }
- }
绘图演示效果:
第二种数据结构
代码为:
- import java.io.IOException;
- import java.util.HashMap;
- import java.util.Iterator;
- import java.util.Map;
- import org.apache.hadoop.conf.Configuration;
- import org.apache.hadoop.fs.Path;
- import org.apache.hadoop.io.IntWritable;
- 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.input.FileSplit;
- import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
- import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
- import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
- /**
- * @author liuxinghao
- * @version 1.0 Created on 2014年10月10日
- */
- public class SparseMatrixMultiply {
- public static class SMMapper extends Mapper<LongWritable, Text, Text, Text> {
- private String flag = null;
- private int m = 4;// 矩阵A的行数
- private int p = 2;// 矩阵B的列数
- @Override
- protected void setup(Context context) throws IOException,
- InterruptedException {
- FileSplit split = (FileSplit) context.getInputSplit();
- flag = split.getPath().getName();
- }
- @Override
- protected void map(LongWritable key, Text value, Context context)
- throws IOException, InterruptedException {
- String[] val = value.toString().split(",");
- if ("t1".equals(flag)) {
- for (int i = 1; i <= p; i++) {
- context.write(new Text(val[0] + "," + i), new Text("a,"
- + val[1] + "," + val[2]));
- }
- } else if ("t2".equals(flag)) {
- for (int i = 1; i <= m; i++) {
- context.write(new Text(i + "," + val[1]), new Text("b,"
- + val[0] + "," + val[2]));
- }
- }
- }
- }
- public static class SMReducer extends
- Reducer<Text, Text, Text, IntWritable> {
- @Override
- protected void reduce(Text key, Iterable<Text> values, Context context)
- throws IOException, InterruptedException {
- Map<String, String> mapA = new HashMap<String, String>();
- Map<String, String> mapB = new HashMap<String, String>();
- for (Text value : values) {
- String[] val = value.toString().split(",");
- if ("a".equals(val[0])) {
- mapA.put(val[1], val[2]);
- } else if ("b".equals(val[0])) {
- mapB.put(val[1], val[2]);
- }
- }
- int result = 0;
- // 可能在mapA中存在在mapB中不存在的key,或相反情况
- // 因为,数据定义的时候使用的是稀疏矩阵的定义
- // 所以,这种只存在于一个map中的key,说明其对应元素为0,不影响结果
- Iterator<String> mKeys = mapA.keySet().iterator();
- while (mKeys.hasNext()) {
- String mkey = mKeys.next();
- if (mapB.get(mkey) == null) {// 因为mkey取的是mapA的key集合,所以只需要判断mapB是否存在即可。
- continue;
- }
- result += Integer.parseInt(mapA.get(mkey))
- * Integer.parseInt(mapB.get(mkey));
- }
- context.write(key, new IntWritable(result));
- }
- }
- public static void main(String[] args) throws IOException,
- ClassNotFoundException, InterruptedException {
- String input1 = "hdfs://192.168.1.128:9000/user/lxh/matrix/t1";
- String input2 = "hdfs://192.168.1.128:9000/user/lxh/matrix/t2";
- String output = "hdfs://192.168.1.128:9000/user/lxh/matrix/out";
- Configuration conf = new Configuration();
- conf.addResource("classpath:/hadoop/core-site.xml");
- conf.addResource("classpath:/hadoop/hdfs-site.xml");
- conf.addResource("classpath:/hadoop/mapred-site.xml");
- conf.addResource("classpath:/hadoop/yarn-site.xml");
- Job job = Job.getInstance(conf, "SparseMatrixMultiply");
- job.setJarByClass(SparseMatrixMultiply.class);
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(Text.class);
- job.setMapperClass(SMMapper.class);
- job.setReducerClass(SMReducer.class);
- job.setInputFormatClass(TextInputFormat.class);
- job.setOutputFormatClass(TextOutputFormat.class);
- FileInputFormat.setInputPaths(job, new Path(input1), new Path(input2));// 加载2个输入数据集
- Path outputPath = new Path(output);
- outputPath.getFileSystem(conf).delete(outputPath, true);
- FileOutputFormat.setOutputPath(job, outputPath);
- System.exit(job.waitForCompletion(true) ? 0 : 1);
- }
- }
绘图演示效果:
代码分析
比较两种代码,可以很清楚的看出,两种实现只是在map阶段有些区别,reduce阶段基本相同。对于其中关于行i、列j定义不是从0计数(虽然我倾向于从0开始计数,不用写等号,简单),是为了更直观的观察数据处理过程是否符合设计。
在第一种实现中,需要记录当前是读取的哪一行数据,所以,这种仅适用于不需要分块的小文件中进行的矩阵乘法运算。第二种实现中,每行数据记录了所在行所在列,不会有这方面的限制。
在第二种实现中,遍历两个HashMap时,取mapA的key作为循环标准,是因为在一般情况下,mapA和mapB的key是相同的(如第一种实现),因为使用稀疏矩阵,两个不相同的key说明是0,可以舍弃不参与计算,所以只使用mapA的key,并判断mapB是否存在该key对应的值。
两种实现的reduce阶段,计算最后结果时,都是直接使用内存存储数据、计算结果,所以当数据量很大的时候(通常都会很大,否则不会用分布式处理),极易造成内存溢出,所以,对于大矩阵的运算,还需要其他的转换方式,比如行列相乘运算、分块矩阵运算、基于最小粒度相乘的算法等方式。另外,因为这两份代码都是demo,所以代码中缺少过滤错误数据的部分。