Mahout算法调用展示平台2.1

问题导读：
1.本文需要哪些软件？
2.Mahout模块完成什么任务？
3.Hadoop模块的作用是什么？






软件版本：
windows7： Tomcat7、JDK7、Spring4.0.2、Struts2.3、Hibernate4.3、myeclipse10.0、easyui；Linux（centos6.5）：Hadoop2.4、Mahout1.0、JDK7；
使用Web工程调用Mahout的相关算法，提供监控，查看任务的执行状态。
自建Web项目，项目首页如下：



1. 准备        项目可以在
链接：http://pan.baidu.com/s/1kTKDMYV 密码：c9bt

下载。        
Hadoop使用官网提供的2.4版本，直接下载即可，然后配置（配置这里不再赘述）、启动各个服务，使用jps，可以看到下面的服务：
64位下载包下载：
百度网盘：
链接: http://pan.baidu.com/s/1hqEDe2S 密码: 224f

[root@node33 data]# jps
6033 NodeManager
5543 NameNode
5629 DataNode
5942 ResourceManager
41611 Jps
5800 SecondaryNameNode
6412 JobHistoryServer
复制代码

1.1 Hadoop包
可以使用eclipse新建一个java项目，然后导入Hadoop的包，测试是否可以连接集群，导入的包如下：




修改红色框里面的mapred-default.xml、yarn-default.xml中的如下配置(node33是伪分布式Hadoop集群机器的机器名)：
mapred-default.xml:

<property>
  <name>mapreduce.jobhistory.address</name>
  <value>node33:10020</value>
  <description>MapReduce JobHistory Server IPC host:port</description>
</property>
复制代码

yarn-default.xml:

<name>yarn.application.classpath</name>
    <value>
                $HADOOP_CONF_DIR,
      $HADOOP_COMMON_HOME/share/hadoop/common/*,
      $HADOOP_COMMON_HOME/share/hadoop/common/lib/*,
      $HADOOP_HDFS_HOME/share/hadoop/hdfs/*,
      $HADOOP_HDFS_HOME/share/hadoop/hdfs/lib/*,
      $HADOOP_YARN_HOME/share/hadoop/yarn/*,
      $HADOOP_YARN_HOME/share/hadoop/yarn/lib/*
        </value>
复制代码

<name>yarn.resourcemanager.hostname</name>
    <value>node33</value>
复制代码

注意classpath的路径是集群的相应路径；
还有是新建YARNRunner文件，参考：http://blog.csdn.net/fansy1990/article/details/27526167。
首先这样测试，看是否可以连接集群（直接运行一个MR任务，看是否执行），如果不行，肯定是有地方没有设置对。

1.2 Mahout包
导入Mahout的包，Mahout的包获取采用官网提供的方式，自行使用git下载，编译得到，参考：http://mahout.apache.org/developers/buildingmahout.html（注意选择使用Hadoop2的方式，由于这里使用的是2.4 ，所以

mvn -Dhadoop2.version=2.4.1 -DskipTests clean install
复制代码

git的使用可以查看开源项目必备管理工具git:git入门
）导入的包有：


新建文件进行测试，看调用Mahout的算法包是否可以正常运行，并不会报不兼容JobContext和Job不兼容的错误，如果报错，说明编译有问题（可以下载lz编译好的）

2.配置项目可以在

链接：http://pan.baidu.com/s/1kTKDMYV 密码：c9bt

，下载后需要配置：
2.1 Hadoop相关配置（1）在1.准备中的把对应的node33改为自己的机器名；
（2）去掉工程中WebRoot/lib/mahout-*-job.jar 中去掉javax.servlet 和javax.el目录（不然无法启动Tomcat，如果是自己编译的话，如果是下载的则不用，已经去掉了）；

（3）修改工程中src/com/fz/util/HadoopUtils文件中的node33以及端口号改为自己的集群机器名/IP和端口；
（4）把工程src目录的所有文件打jar包上传到云平台mapreduce目录下（否则会报类找不到的错误，lib目录下面的mh2.1.jar）；
2.2 数据库相关配置修改工程中Configuration/db.properties文件中数据库相应配置（数据库暂时没有使用到）；
2.3 Tomcat部署tomcat部署使用配置文件的方式：

<Context
  path ="/mh"  docBase ="D:\workspase\hadoop_hbase\MahoutAlgorithmPlatform2.1\WebRoot"  
  privileged ="true"  reloadable ="false"  >  
</Context>
复制代码

项目部署名使用mn。
3. 功能功能主要包括四个方面：集群配置、集群算法监控、Hadoop模块、Mahout模块，data目录提供测试数据；
3.1 集群配置模块启动工程，打开浏览器访问http://localhost:8080/mh ，即可访问项目，首页看到的即是集群配置。这里需要说明的是在src/com/fz/util/HadoopUtils中不一定要修改，可以在集群配置页面中进行配置亦可；
验证集群是否可以连接的代码：

public int checkConnection(String fsStr,String rm) throws IOException{
                
                Configuration conf = new Configuration();
                conf.set("fs.defaultFS", fsStr);
                conf.set("yarn.resourcemanager.address", rm);
                conf.set("mapreduce.framework.name", "yarn"); 
                FileSystem fs = FileSystem.get(conf);
                boolean fsOnline=fs.exists(new Path("/"));
                if(!fsOnline){
                        return 1;
                }
                JobClient jc = new JobClient(conf);
                ClusterStatus cs = jc.getClusterStatus();
                if(!"RUNNING".equals(cs.getJobTrackerStatus().toString())){
                        return 0;
                }
                // 集群验证成功
                HadoopUtils.setConf(conf);
                HadoopUtils.setFs(fs);
                // 通过判断Hadoop.getConf()是否为null来确定是否已经配置过集群
                return 3;
        }
复制代码

主要通过两个方面：1、检查HDFS文件；2、检查集群状态是否是running；
配置完成后，点击验证，如果验证成功，即可提示验证成功：


3.2集群算法监控模块在集群配置中，点击验证成功后，就会在任务监控页面不停的发送消息，获取集群任务运行的状态（间隔1.2秒，Ajax方式）；
当没有任务运行的时候，获取任务运行状态，会直接返回null。在Mahout模块或者Hadoop模块运行MR任务的时候，如果任务成功提交，那么首先会根据此次提交运行的MR任务的个数初始化任务信息类。初始化，做的工作就是找到当前已经运行的任务的ID，然后初始化接下来要运行任务的ID，如下代码：

public static void initialCurrentJobs(int nextJobNum) throws IOException{
                /*if(list!=null&&list.size()==10){
                        list.clear();
                }*/
                list.clear(); // 清空上次遗留
                JobStatus[] jbs=getJc().getAllJobs();
                JobID jID = findLastJob(jbs).getJobID();
                if(jID==null){
                        // the first time start the cluster , will be fixed next time 
                        
                        // TODO fix the bug
                        log.info("The cluster is started before and not running any job !!!");
                }
                log.info("The last job id is :{}", jID.toString());
                for(int i=1;i<=nextJobNum;i++){
                        CurrentJobInfo cj = new CurrentJobInfo();
                        cj.setJobId(new JobID(jID.getJtIdentifier(),jID.getId()+i));
                        list.add(cj);
                }
        }
复制代码

这里需要注意的是，如果集群是第一次启动，且没有运行MR任务的话，那么获取的任务ID为空，无法初始化（这个在下个版本修复）；
获取当前运行任务的代码如下：

public static List<CurrentJobInfo> getCurrentJobs() throws IOException{
                
                
                for(int i=0;i<list.size();i++){
                        CurrentJobInfo iJob = list.get(i);
                        RunningJob runningJob =findGivenJob(iJob.getJobId().toString());
                        if(runningJob==null){
                                break;
                        }
                        if(i==list.size()-1){ // 放在设置的前面
                                finished=runningJob.isComplete();
                        }
                        iJob.setJobName(runningJob.getJobName());
                        iJob.setJobIdStr(runningJob.getJobStatus().getJobID().toString());
                        iJob.setMapProgress(Utils.toPercent(runningJob.mapProgress(),2));
                        iJob.setRedProgress(Utils.toPercent(runningJob.reduceProgress(), 2));
                        iJob.setState(JobStatus.getJobRunState(runningJob.getJobState()));  // 有时map和reduce都到1时，此值仍是Running，需处理
                }
                return list;
        }
复制代码

获取到任务信息后，在任务监控界面就可以监控到任务的运行状态。

3.3 Hadoop模块Hadoop模块目前包括5个小功能：上传、下载、读取、读取聚类中心点、文本转换为序列向量文件。
3.3.1 上传、下载上传下载都使用FileSystem的方法，分别是copyFromLocal 和copyToLocal 。界面只有两个参数：


3.3.2 读取、读取聚类中心点读取是按照每行数据来读取的，可以选择读取的行数；读取聚类中心，则是直接读取序列文件；
读取聚类中心向量代码如下：

/**
         * 读取聚类中心向量
         * @param conf
         * @param centerPathDir
         * @return
         * @throws IOException
         */
        public static String readCenter(Configuration conf,String centerPathDir) throws IOException{
                StringBuffer buff = new StringBuffer();
                Path input = new Path(centerPathDir, "part-*");
                if(!HadoopUtils.getFs().exists(input)){
                        return input+" not exist ,please check the input";
                }
                for(ClusterWritable cl:new SequenceFileDirValueIterable<ClusterWritable>(input, PathType.GLOB, conf)){
                        buff.append(cl.getValue().asFormatString(null)).append("\n");
                }
                return buff.toString();
        }
复制代码

3.3.3文本转换为序列向量这个功能点是一个MR任务，提交任务后，可以在任务监控模块看到任务监控。主要的功能是把文本文件转换为序列向量，为聚类提供输入数据。需设置文本分隔符：


监控信息：



3.4 Mahout模块Mahout算法模块主要是调用Mahout算法库中相关算法，然后监控算法运行状态；

3.4.1 聚类算法聚类算法暂时使用kmeans算法，提供算法相关参数（数据在data目录的wine_kmeans.txt）：


这里提交任务使用多线程提交，这样可以方便监控；



3.4.2 分类算法分类算法暂时使用随机森林算法（数据在data/galss.txt）；
分为两个部分，建树、测试；建树使用MR算法，测试使用单机模式；
建树输出模型路径使用相对路径，使用绝对路径会报错！



点击确定，打开任务监控页面，查看任务提交情况：




测试随机森林，可以看到随机森林的参数以及测试数据的正确率和模糊矩阵；




3.4.3 推荐算法
推荐算法使用item的RecommenderJob，设置参数，提交任务：




点击确定，成功提交任务后，可以查看监控：




3.5 帮助模块在首页的右边，可以看到三个帮助页面，可以获取不同模块的帮助信息。



转载：http://blog.csdn.net/fansy1990

不错的学习借鉴例子，谢谢楼主。。。。