Mahout算法调用展示平台2.1


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http://download.csdn.net/detail/fansy1990/7600427（第一部分）、http://download.csdn.net/detail/fansy1990/7600463（第二部分）、http://download.csdn.net/detail/fansy1990/7600489（第三部分）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：
[root@node33 data]# jps
6033 NodeManager
5543 NameNode
5629 DataNode
5942 ResourceManager
41611 Jps
5800 SecondaryNameNode
6412 JobHistoryServer

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>
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>
<name>yarn.resourcemanager.hostname</name>
    <value>node33</value>
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
）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 http://download.csdn.net/detail/fansy1990/7600427（第一部分）、http://download.csdn.net/detail/fansy1990/7600463（第二部分）、http://download.csdn.net/detail/fansy1990/7600489（第三部分）下载，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>

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;
	}
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);
		}
	}
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;
	}
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();
	}

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。

分享，成长，快乐

转载请注明blog地址：http://blog.csdn.net/fansy1990




相关内容

    暂无相关文章