Mahout算法调用展示平台2.1
问题导读1、如何使用Web工程调用Mahout的相关算法？
2、Mahout的相关算法有哪些？
3、推荐算法使用item的什么？
static/image/hrline/4.gif
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：
# 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。
好东西谢谢 非常强大的实战项目，非常感谢，多多学习啦
页:
[1]