java - 在 Reducer 中查找最常见的键，错误 : java. lang.ArrayIndexOutOfBoundsException:1

Question

我需要在 Reducer 中找到 Mapper 发出的最常见的键。我的 reducer 以这种方式工作正常:

public static class MyReducer extends Reducer<NullWritable, Text, NullWritable, Text> {
    private Text result = new Text();
    private TreeMap<Double, Text> k_closest_points= new TreeMap<Double, Text>();
    public void reduce(NullWritable key, Iterable<Text> values, Context context)
            throws IOException, InterruptedException {

        Configuration conf = context.getConfiguration();
        int K = Integer.parseInt(conf.get("K"));
        for (Text value : values) {
            String v[] = value.toString().split("@");    //format of value from mapper: "Key@1.2345"
            double distance = Double.parseDouble(v[1]);
            k_closest_points.put(distance, new Text(value));    //finds the K smallest distances
            if (k_closest_points.size() > K)
                k_closest_points.remove(k_closest_points.lastKey());
        }
        for (Text t : k_closest_points.values())    //it perfectly emits the K smallest distances and keys
            context.write(NullWritable.get(), t);
    }
}

它找到距离最小的 K 个实例并写入输出文件。但我需要在我的 TreeMap 中找到最常用的键。所以我正在尝试如下:

public static class MyReducer extends Reducer<NullWritable, Text, NullWritable, Text> {
    private Text result = new Text();
    private TreeMap<Double, Text> k_closest_points = new TreeMap<Double, Text>();

    public void reduce(NullWritable key, Iterable<Text> values, Context context)
            throws IOException, InterruptedException {

        Configuration conf = context.getConfiguration();
        int K = Integer.parseInt(conf.get("K"));
        for (Text value : values) {
            String v[] = value.toString().split("@");
            double distance = Double.parseDouble(v[1]);
            k_closest_points.put(distance, new Text(value));
            if (k_closest_points.size() > K)
                k_closest_points.remove(k_closest_points.lastKey());
        }
        TreeMap<String, Integer> class_counts = new TreeMap<String, Integer>();
        for (Text value : k_closest_points.values()) {
            String[] tmp = value.toString().split("@");
            if (class_counts.containsKey(tmp[0]))
                class_counts.put(tmp[0], class_counts.get(tmp[0] + 1));
            else
                class_counts.put(tmp[0], 1);
        }
        context.write(NullWritable.get(), new Text(class_counts.lastKey()));
    }
}

然后我得到这个错误:

Error: java.lang.ArrayIndexOutOfBoundsException: 1
        at KNN$MyReducer.reduce(KNN.java:108)
        at KNN$MyReducer.reduce(KNN.java:98)
        at org.apache.hadoop.mapreduce.Reducer.run(Reducer.java:171)

你能帮我解决这个问题吗？

Answer 1

一些事情......首先，你的问题在这里:

double distance = Double.parseDouble(v[1]);

你正在 split "@"它可能不在字符串中。如果不是，它会抛出 OutOfBoundsException。 .我会添加一个子句:

if(v.length < 2)
    continue;

其次(除非我疯了，否则这甚至不应该编译)，tmp是 String[] , 但在这里你实际上只是连接 '1'在put操作(这是一个括号问题):

class_counts.put(tmp[0], class_counts.get(tmp[0] + 1));

应该是:

class_counts.put(tmp[0], class_counts.get(tmp[0]) + 1);

在可能很大的 Map 中查找 key 两次也很昂贵.以下是我将如何根据您提供给我们的内容重写您的 reducer (这完全未经测试):

public static class MyReducer extends Reducer<NullWritable, Text, NullWritable, Text> {
    private Text result = new Text();
    private TreeMap<Double, Text> k_closest_points = new TreeMap<Double, Text>();

    public void reduce(NullWritable key, Iterable<Text> values, Context context)
            throws IOException, InterruptedException {

        Configuration conf = context.getConfiguration();
        int K = Integer.parseInt(conf.get("K"));

        for (Text value : values) {
            String v[] = value.toString().split("@");
            if(v.length < 2)
                continue; // consider adding an enum counter

            double distance = Double.parseDouble(v[1]);
            k_closest_points.put(distance, new Text(v[0])); // you've already split once, why do it again later?

            if (k_closest_points.size() > K)
                k_closest_points.remove(k_closest_points.lastKey());
        }


        // exit early if nothing found
        if(k_closest_points.isEmpty())
            return;


        TreeMap<String, Integer> class_counts = new TreeMap<String, Integer>();
        for (Text value : k_closest_points.values()) {
            String tmp = value.toString();
            Integer current_count = class_counts.get(tmp);

            if (null != current_count) // avoid second lookup
                class_counts.put(tmp, current_count + 1);
            else
                class_counts.put(tmp, 1);
        }

        context.write(NullWritable.get(), new Text(class_counts.lastKey()));
    }
}

接下来，从语义上讲，您将使用 TreeMap 执行 KNN 运算。作为您选择的数据结构。虽然这是有道理的，因为它在内部按比较顺序存储 key ，但使用 Map 没有意义。对于几乎毫无疑问需要打破联系的操作。原因如下:

int k = 2;
TreeMap<Double, Text> map = new TreeMap<>();
map.put(1.0, new Text("close"));
map.put(1.0, new Text("equally close"));
map.put(1500.0, new Text("super far"));
// ... your popping logic...

您保留的最近的两个点是哪两个？ "equally close"和 "super far" .这是因为您不能拥有同一 key 的两个实例。因此，您的算法无法打破平局。您可以采取一些措施来解决此问题:

首先，如果您准备在 Reducer 中执行此操作并且您知道您的传入数据不会导致 OutOfMemoryError , 考虑使用不同的排序结构，如 TreeSet并构建自定义 Comparable它将排序的对象:

static class KNNEntry implements Comparable<KNNEntry> {
    final Text text;
    final Double dist;

    KNNEntry(Text text, Double dist) {
        this.text = text;
        this.dist = dist;
    }

    @Override
    public int compareTo(KNNEntry other) {
        int comp = this.dist.compareTo(other.dist);
        if(0 == comp)
            return this.text.compareTo(other.text);
        return comp;
    }
}

然后代替你的 TreeMap , 使用 TreeSet<KNNEntry> ，它将根据 Comparator 在内部对自身进行排序我们刚刚在上面构建的逻辑。然后在你完成所有键之后，只需遍历第一个 k ，按顺序保留它们。但是，这有一个缺点:如果您的数据确实很大，您可以通过将所有值从 reducer 加载到内存中来溢出堆空间。

第二个选项:制作KNNEntry我们在上面构建了工具 WritableComparable ，并从你的 Mapper 发出, 然后使用 secondary sorting处理条目的排序。这变得有点复杂，因为您必须使用大量映射器，然后只使用一个缩减器来捕获第一个 k。 .如果您的数据足够小，请尝试第一个选项以允许打破平局。

但是，回到你原来的问题，你得到一个 OutOfBoundsException因为您尝试访问的索引不存在，即输入中没有“@”String .