前言
在很多社交APP中，比如大家熟悉的QQ好友列表中，打开会话框，经常可以看到下面有一栏共同好友的推荐列表，用户通过这种方式，可以添加潜在的关联好友
这种功能该如何实现呢？对redis比较了解的同学应该能很快想到，可以使用redis来实现这个功能。没错，redis确实是个不错的可以实现这个功能的方案。
但redis的实现有一定的局限性，因为redis存储和数据和计算时需要耗费较多的内存资源，设想一下，像腾讯QQ这样的规模，如果用这种方式做的话，估计Redis服务器的投入成本将是一笔不小的开销。
利用hadoop中的MapReduce同样可以实现这个功能，该如何实现呢？
业务分析
下面是原始的数据文件，第一栏可理解为本人，第二行为该用户的好友列表，以逗号分割，比如A用户的好友包括：B,C,D,F,E,O这几个，后面的行依次类推
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
现在的需求是：通过原始的数据文件，输出该文件中所有用户中哪些人两两之间存在共同好友并输出，格式如下：
A-B C,E
A-C F,D
A-D E,F
......
实现思路分析
步骤一：将原始数据拆分为如下格式
通过这一步，得到一组K/V，可以清晰的反映出一个用户的所有好友
B：A #B是A的好友
C：A #C是A的好友
D：A #D是A的好友
F：A
E：A
O：AA：B
C：B
E：B
K：BF：C
A：C
D：C
I：CB：E
C：E
D：E
M：E
L：E
步骤二、对第一步的数据进一步处理成如下格式
从第一步格式完毕后的数据，可以很明显看出并总结出一个规律，那就是左边那些用户的好友列表，以C用户为例，可以看出C这个用户有A,B,E三个好友，反过来讲，ABE这三个用户，他们有一个共同的好友A
其他的类推进行理解
C A-B-E #C是A和B和E的共同好友
D A-C #D是A和B的共同好友
A B-C #A是B和C的共同好友
B A-E #A是E和B的共同好友
......
步骤三、将步骤二中的数据调换位置
从步骤2中我们得知，C的好友有ABE，反过来说，ABE他们的共同好友有C，针对这种超过3个的，可以考虑下一步进行两两组合即可
A-B-E C #A、B、E有共同好友C
A-C D #A与C有共同好友D
B-C A #B与C有共同好友A
A-E B #A与E有共同好友B
步骤四、将步骤三得到的数据继续拆分
步骤三中，像 ： A-B-E C 这种数据，显然需要进一步拆分，因为最终的结果是求取两两好友之间的共同好友，所以可以拆为： A-B C，A-E C，B-E C，为下一步数据组合做最后的准备
A-B C
A-E C
B-E C
A-C D
B-C A
A-E B
......
步骤五、将步骤四得到的数据合并
在使用MapReduce编程中我们知道，Map阶段出去的数据，进入reduce方法中的数据都是key相同的，以第四步中的: A-E 这个key为例，就有2个，这样通过 reduce方法最终输出的结果就是： A-E C,B ，即A-E 这两个用户的共同好友为 C和B
A-B C #A,B共同好友有C
A-E C,B #A，E有共同好友 C,B
B-E C #B，E有共同好友 C
A-C D #A，C有共同好友 D
B-C A #B，C有共同好友 A
......
通过以上的数据分析，最终可以达到预期的效果，同时也可以看出，上面的步骤划分到MapRedcue中，显然一个MapReduce肯定是无法完成的，至少需要2个
下面是结合上面的步骤分析，得出需要两个MapReduce的数据流程图，参考这个图来协助我们分析编写代码逻辑做参考
编码实现
1、第一个map类
public class FirstMapper extends Mapper<LongWritable,Text,Text,Text> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String val = value.toString();
String[] split = val.split(":");
//A:B,C,D,F,E,O 拆分后，左边是原用户，右边是好友
String user = split[0];
String friends = split[1];
String[] friendLists = friends.split(",");
//Map1 输出的结果为 ：
for(String str :friendLists ){
context.write(new Text(str),new Text(user));
}
}
}2、第一个Reduce类
public class FirstReducer extends Reducer<Text,Text,Text,Text> {
@Override
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
StringBuffer stringBuffer = new StringBuffer();
for (Text text : values){
stringBuffer.append(text).append("-");
}
//最终写出去的数据格式为： A-E B ......
context.write(new Text(stringBuffer.toString()),key);
}
}3、第一个Job类
public class FirstJob {
public static void main(String[] args) throws Exception {
//1、获取job
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
//2、设置jar路径
job.setJarByClass(FirstJob.class);
//3、关联mapper 和 Reducer
job.setMapperClass(FirstMapper.class);
job.setReducerClass(FirstReducer.class);
//4、设置 map输出的 key/val 的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
//5、设置最终输出的key / val 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
//6、设置最终的输出路径
String inputPath = "F:\\网盘\\csv\\friends.txt";
String outPath = "F:\\网盘\\csv\\friends1";
FileInputFormat.setInputPaths(job,new Path(inputPath));
FileOutputFormat.setOutputPath(job,new Path(outPath));
// 7 提交job
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}运行上面的Job代码，然后打开运行完毕后的第一个阶段的文件，从内容格式上看，符合第一阶段的输出结果要求的， 即下面的这种数据格式
4、第二个map类
public class SecondMapper extends Mapper<LongWritable,Text,Text,Text> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// I-K-C-B-G-F-H-O-D- A 阶段1的文件输出格式
//需要将左边的数据进行两两拆分，与V进行组合输出
String val = value.toString();
String[] split = val.split("\t");
String v2 = split[1];
String[] allUsers = split[0].split("-");
Arrays.sort(allUsers);
for(int i=0;i<allUsers.length-1;i++){
for(int j=i+1;j<allUsers.length;j++){
context.write(new Text(allUsers[i] + "-" + allUsers[j]),new Text(v2));
}
}
}
}5、第二个Reducer类
public class SecondReducer extends Reducer<Text,Text,Text,Text> {
@Override
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
//上一步输出的结果：
//只需要将相同的key的Val进行组合即可,即 ： A-B C-D，A-E C-D
StringBuffer stringBuffer = new StringBuffer();
for (Text text :values ){
stringBuffer.append(text.toString()).append("-");
}
context.write(key,new Text(stringBuffer.toString()));
}
}6、第二个Job类
public class SecondJob {
public static void main(String[] args) throws Exception {
//1、获取job
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
//2、设置jar路径
job.setJarByClass(SecondJob.class);
//3、关联mapper 和 Reducer
job.setMapperClass(SecondMapper.class);
job.setReducerClass(SecondReducer.class);
//4、设置 map输出的 key/val 的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
//5、设置最终输出的key / val 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
//6、设置最终的输出路径
String inputPath = "F:\\网盘\\csv\\friends1\\part-r-00000";
String outPath = "F:\\网盘\\csv\\friends2";
FileInputFormat.setInputPaths(job,new Path(inputPath));
FileOutputFormat.setOutputPath(job,new Path(outPath));
// 7 提交job
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}运行上面的Job代码，查看最终的输出结果，可以看到，也是符合我们预期的业务的
以上就是利用Hadoop实现求共同好友的示例详解的详细内容，更多关于Hadoop求共同好友的资料请关注编程网其它相关文章！
