java - 如何使用 MultipleInputs 在映射器中获取文档 ID

Question

出于学习目的，我正在使用 Java 中的 Hadoop(没有 Pig 或 Hive)编写 TF-IDF。我将把它分成三轮:字数统计、每个文档的字数统计，最后是每个字的 docCount。

我相信主要的作业链是正确的，但是我一开始就有一个问题:在我的第一轮中，我如何在映射器中获取文档 ID？我有以下多个输入:

    Path doc1 = new Path(System.getProperty("user.dir") + "/1.dat");
    Path doc2 = new Path(System.getProperty("user.dir") + "/2.dat");
    Path doc3 = new Path(System.getProperty("user.dir") + "/3.dat");
    MultipleInputs.addInputPath(job1, doc1, TextInputFormat.class, MapperRoundOne.class);
    MultipleInputs.addInputPath(job1, doc2, TextInputFormat.class, MapperRoundOne.class);
    MultipleInputs.addInputPath(job1, doc3, TextInputFormat.class, MapperRoundOne.class);

• 第 1 轮:
• Mapper {docID => [words]} --> {[word, docID] => 1}
• Reducer {[word, docId] => [1,1,...]} --> {[word, docId] => wordCount}

我显然可以将每个输入设置为不同的映射器，并对 docID 进行硬编码，这显然不是通用的。如何做到这一点？

Answer 1

你可以用

name = ((FileSplit)context.getInputSplit()).getPath().toString();

引用 Hadoop searching words from one file in another file

还有

http://bigdataspeak.wordpress.com/2013/03/24/hadoop-how-to-get-the-file-path-of-the-input-record-being-read-in-mapper/

HTH