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？

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  
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>  
yarn-default.xml:
复制代码

<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>
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
）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>
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