R语言和大数据

#安装R语言
R3.3版本会出现各种so不存在的问题，退回去到R3.1版本时候就顺利安装。
在安装R环境之前，先安装好中文（如果没有的话图表中显示汉字成框框了）和tcl/tk包(少了这个没法安装sqldf)
sudo yum install fonts-chinese tcl tcl-devel tclx tk tk-devel -y
安装中文字体后重新加载 service xfs reload (不过在有台机器上总是失败，后来重启机器OK)
sudo service xfs reload
有些包会需要rgl，调用opengl的库，所以还要安装opengl包
sudo yum install mesa-libGLU mesa-libGLU-devel -y
sudo yum install gcc-gfortran gcc gcc-c++ readline-devel libXt-devel -y

wget --no-check-certificate https://stat.ethz.ch/CRAN/src/base/R-3/R-3.1.0.tar.gz
tar xvf R-3.1.0.tar.gz
./configure --enable-R-shlib=yes --enable-BLAS-shlib=yes --with-lapack --with-libpng --with-x=no --with-tcltk
sudo sh -c "make"
sudo sh -c "make install"

sudo R CMD javareconf JAVA_HOME=$JAVA_HOME
进入到r中进行
install.packages('rJava')
选择22

安装DBI
install.packages("DBI")
选择22

安装RSQLite
install.packages("RSQLite")
选择22

#安装RStudio
R装在工作的笔记本电脑上，由于内存的限制，只能用于一些很小的数据集的分析，所以更好的方式是，在Linux上配置一个R加rstudio-server，然后可以通过web直接访问R的功能。

下载rstudio-server的rpm包安装即可
wget http://download2.rstudio.org/rstudio-server-0.97.551-x86_64.rpm
rpm -ivh --nodeps rstudio-server-0.97.551-x86_64.rpm
启动命令

坑爹的是启动失败并没有任何错误提示，在/var/log/messages找到错误信息
安装时如果提示缺少libR.so；使用make unsintall卸载，然后重新安装一次R，指定了enable-R-shlib以后就不再报错
ps aux能够看到/usr/lib/rstudio-server/bin/rserver 已经启动了

配置文件位于/etc/rstudio/rserver.conf
www-port=80,80是默认的http服务端口号。
rsession-ld-library-path=/opt/local/lib:/opt/local/someapp/lib 指定额外的库地址
rsession-which-r=/usr/local/bin/R 指定R软件位置
auth-required-user-group=rstudio_users 限制可登陆R用户
rsession-memory-limit-mb=4000 限制使用的最大内存
rsession-stack-limit-mb=10 限制最大的栈大小
rsession-process-limit=100 限制最多进程数
session-timeout-minutes=30 进程超时时间
r-libs-user=~/R/packages 设置默认的R包
limit-file-upload-size-mb=100 设置最大的上传文件大小
r-cran-repos=http://cran.case.edu/ 设置默认的CRAN

#登陆访问

能够打开http://hostip:8787/页面了
此时需要输入登陆账户和密码，账户就是这个机器的域账户名称，密码是机器密码。如果没有的话，申请这个机器的权限就可以获得。
此外，还需要设置环境变量才可以访问，使用下面命令设置当前session的环境变量
Sys.setenv(SHELL ="/bin/bash")

#最新进展
R还是把数据load到本地进行计算的，这样的方式在大数据时代多少显得落伍。目前R和hadoop结合的有rhadoop、rhive、rhbase、sparkr等等，rhive和rodps采用的方法是类似的，用lib结合接口进行访问。比较彻底的是sparkR，在api和运行时做了修改。使用R或Python的DataFrame API能获得和Scala近乎相同的性能。