Hadoop Web项目--Mahout0.10 MR算法集锦

1. 涉及技术及下载

项目开发使用到的软件有：Myeclipse2014，JDK1.8。Hadoop2.6，MySQL5.6。EasyUI1.3.6，jQuery2.0，Spring4.1.3，Hibernate4.3.1。Struts2.3.1。Maven3.2.1，Mahout0.10。

项目下载地址：https://github.com/fansy1990/mahout1.0，项目部署參考：http://blog.csdn.net/fansy1990/article/details/46481409 。

2. 项目介绍

此项目是在Hadoop Web项目–Friend Find系统基础之上整理Mahout0.10版本号中MR程序的调用測试而成，重点演示怎样调用Mahout0.10的MR算法、怎样把MR算法嵌入到Web项目中，附带数据生成及数据查看、MR 任务监控等功能。

Mahout0.10的MR算法主要參考以下的文件：

此文档里面含有了覆盖经常使用工具类、聚类算法、分类算法、推荐算法等的MR调用mahout命令以及其相应的实现类。

此篇博客接下来将依照以下的内容进行编写：

项目部署及执行；
项目实现原理；
怎样进行项目二次开发；
项目眼下功能简介；
总结；

3. 项目部署及执行

3.1 下载、部署

下载project，參考上面的连接https://github.com/fansy1990/mahout1.0，并參考http://blog.csdn.net/fansy1990/article/details/46481409把它部署到Tomcat上；
（默认，在上面步骤中已经配置好了mysql数据库，数据库的配置參考src/main/resources/db.properties文件）这里直接在Tomcat上执行项目。就可以初始化好mysql相应的数据表（这里仅仅有一个，即Hadoop集群配置表）。打开浏览器在左边导航栏訪问Hadoop集群配置表页面。进行配置（配置自己的集群）；或直接在mysql数据库中进行配置就可以。配置项包含（这里默认是使用node101机器的配置）：

mapreduce.app-submission.cross-platform=true

fs.defaultFS=hdfs://node101:8020

mapreduce.framework.name=yarn

yarn.resourcemanager.address=node101:8032

yarn.resourcemanager.scheduler.address=node101:8030

mapreduce.jobhistory.address=node101:10020

3.2 注意事项

设置Hadoop云平台系统linux的时间和执行tomcat的机器的时间一样，由于在云平台任务监控的时候使用了时间作为监控停止的信号。否则。监控模块将会有问题。
此项目中并没有开发不论什么MR程序。所以不须要拷贝源代码到Hadoop的lib文件夹（假设在进行二次开发时。开发了相关的MR，则须要拷贝）。

项目部署好后，訪问项目url，就可以看到以下的界面：

4. 实现原理

项目组织架构：

4.1 页面框架

页面採用html+jQuery+easyUI开发，整个页面使用easyUI的layout标签，左边导航栏使用easyUI的tree标签，其数据使用json格式存储在src\main\webapp\tree_data.json文件里。

针对某个页面，其json配置例如以下：

{

“id”:152,

“text”:”fkmeans+”,

“attributes”:{

“folder”:”0”,

“url”:”clustering/fuzzykmeans.jsp”

}

}

这样在点击左边导航栏fkmeans+导航时。就可以在右边弹出clustering/fuzzykmeans.jsp页面。其js代码例如以下：

$('#navid').tree({

        onClick: function(node){

//          alert(node.text+","+node.url);  // alert node text property when clicked

            console.info("click:"+node.text);

            if(node.attributes.folder=='1'){

                return ;

            }

            console.info("open url:"+node.attributes.url)

            var url;

            if (node.attributes.url) {

                url = node.attributes.url;

            } else {

                url = '404.jsp';

            }

            console.info("open "+url);

            layout_center_addTabFun({

                title : node.text,

                closable : true,

                iconCls : node.iconCls,

                href : url

            });

        }

    });

当中 layout_center_addTabFun函数例如以下：

function layout_center_addTabFun(opts) {

var t = $(‘#layout_center_tabs’);

if (t.tabs(‘exists’, opts.title)) {

t.tabs(‘select’, opts.title);

} else {

t.tabs(‘add’, opts);

}

console.info(“打开页面：”+opts.title);

}

这个函数主要是推断右边窗体是否有名字为给定title的页面，假设没有，则打开这个页面。

js全部代码例如以下：

当中basic.js是首页的js文件，包含一些公共的js函数等；hconstants.js主要是针对Hadoop配置表进行的操作。jquery*.js相应的两个文件为jQuery的必须文件；mr*.js相应则是MR不同类别算法相应的js处理文件；preprocess.js为数据构造、数据查看的js处理；

4.2 请求提交逻辑

请求提交主要包含：MR算法任务提交。非MR算法任务提交。其它请求提交。这里都採用统一的提交逻辑，例如以下：

4.2.1 页面提交

这里全部页面提交都直接使用easyUI的< a > 标签，同一时候在js里面绑定其提交的点击触发函数。

在函数里面须要首先获取页面參考（假设是MR监控任务。则须要先推断是否已经有监控页面。须要提示关闭当前监控页面），接着弹出框提示正在执行，最后统一提交到公共函数callByAJax中。这里列举三种提交的典型js代码：

1. 提交MR任务个数固定的MR任务

//evaluateFactorization---

    $('#evaluateFactorization_submit').bind('click', function(){

        // 检查是否有“MR监控页面”，假设有，则退出，并提示关闭

        if(exitsMRmonitor()){

            return ;

        }

        var input=$('#evaluateFactorization_input').val();

        var output=$('#evaluateFactorization_output').val();

        var userFeatures=$('#evaluateFactorization_userFeatures').val();

        var itemFeatures=$('#evaluateFactorization_itemFeatures').val();

        // 弹出进度框

        popupProgressbar('推荐MR','evaluateFactorization任务提交中...',1000);

        // ajax 异步提交任务

        callByAJax('cloud/cloud_submitJob.action',{algorithm:"EvaluateFactorizationRunnable",jobnums:'1',       arg1:input,arg2:output,arg3:userFeatures,arg4:itemFeatures});

    });

    // ------evaluateFactorization

2 提交MR个数不固定的MR任务

// kmeans---

    $('#kmeans_submit').bind('click', function(){

        // 检查是否有“MR监控页面”。假设有。则退出。并提示关闭

        if(exitsMRmonitor()){

            return ;

        }

        var input=$('#kmeans_input').val();//

        var output=$('#kmeans_output').val();//

        var clusters=$('#kmeans_clusters').val();//

        var k=$('#kmeans_k').val();

        var convergenceDelta=$('#kmeans_convergenceDelta').val();

        var maxIter=$('#kmeans_maxIter').val();

        var clustering=$('#kmeans_clustering').combobox("getValue");

        var distanceMeasure=$('#kmeans_distanceMeasure').combobox("getValue");

        var jobnums_=parseInt(k); // 一共的MR个数

        if("true"==clustering){

            jobnums_=jobnums_+1;

        }

        jobnums_=jobnums_+"";

        // 弹出进度框

        popupProgressbar('聚类MR','kmeans任务提交中...',1000);

        // ajax 异步提交任务

        callByAJax('cloud/cloud_submitIterMR.action',{algorithm:"KMeansDriverRunnable",jobnums:jobnums_,

            arg1:input,arg2:output,arg3:clusters,arg4:k,

    arg5:convergenceDelta,arg6:maxIter,arg7:clustering,arg8:distanceMeasure});

    });

    // ------kmeans

这里把不定MR个数的任务和定MR个数的任务区分开来了，事实上是能够不用区分的。由于在返回结果都是一个Map，依据map结果来进行操作的。只是须要在不同的实现中设置标志位（详细參考以下的实现分析）

3 提交非MR任务

$('#upload_submit').bind('click', function(){

        var input=$('#upload_input').val();

        var output=$('#upload_output').val();

        // 弹出进度框

        popupProgressbar('数据上传','数据上传中...',1000);

        // ajax 异步提交任务

        callByAJax('cloud/cloud_submitJobNotMR.action',{algorithm:'Upload',

            arg1:input,arg2:output});

    });

这里要注意MR任务和非MR任务是须要区分的，由于非MR任务使用的是同步模式（这里同步模式不是指aJax的同步。而是指实现方式），即用户点击后。会一直弹出正在处理的提示，然后等后台处理完毕。返回结果才会关闭弹窗，同一时候把结果直接展如今原网页。可是MR的任务会启动多线程，当多线程成功启动后。直接关闭提示框，同一时候打开MR任务监控页面。开启页面定时刷新任务，向后台获取任务执行情况信息。

callByAJax函数例如以下：

// 调用ajax异步提交

// 任务返回成功。则提示成功。否则提示失败的信息

function callByAJax(url,data_){

    $.ajax({

        url : url,

        data: data_,

        async:true,

        dataType:"json",

        context : document.body,

        success : function(data) {

            closeProgressbar();

            console.info("close the progressbar,flag:"+data.flag);

            var retMsg;

            if("true"==data.flag){

                retMsg='操作成功！';

                if(typeof data.return_show !="undefined"){// 读取文件

                    var return_id = "#"+data.return_show+"";

//                  var obj=document.getElementById(data.return_show);

                    $(return_id).html(data.return_txt);

                    console.info('defined:'+data.return_show);

                }

            }else{

                retMsg='操作失败！

';

                if(typeof data.return_show !="undefined"){// 读取文件

                    var return_id = "#"+data.return_show+"";

                    $(return_id).html(data.msg);

                }

            }

            $.messager.show({

                title : '提示',

                msg : retMsg

            });

            if("true"==data.flag&&"true"==data.monitor){// 加入监控页面

                // 使用单独Tab的方式

                layout_center_addTabFun({

                    title : 'MR算法监控',

                    closable : true,

                    href : 'monitor/monitor.jsp'

                });

            }

        }

    });

}

4.2.2 MR实现

全部的MR任务提交到Action后，都会启动一个线程来专门执行MR任务。这样就能够直接返回前台页面。提示任务已经成功提交。

Action中相应的代码例如以下：

/**

     * 提交变jobnum的任务，暂未加入

     *

     */

    public void submitIterMR(){

        Map<String ,Object> map = new HashMap<String,Object>();

        try {

            //提交一个Hadoop MR任务的基本流程

            // 1. 设置提交时间阈值,并设置这组job的个数

            //使用当前时间就可以,当前时间往前10s，以防server和云平台时间相差

                    HUtils.setJobStartTime(System.currentTimeMillis()-10000);//

            // 由于不知道循环多少次完毕。所以这里设置为最大值，

            // 当全部MR完毕的时候，在监控代码处又一次设置JOBNUM；

            HUtils.setALLJOBSFINISHED(false);

            HUtils.JOBNUM=Integer.parseInt(jobnums);

            // 2. 使用Thread的方式启动一组MR任务

            // 2.1 生成Runnable接口

            RunnableWithArgs runJob = (RunnableWithArgs) Utils.getClassByName(

                    Utils.THREADPACKAGES+algorithm);

            // 2.2 设置參数

            runJob.setArgs(new String[]{arg1,arg2,arg3,arg4,arg5,arg6,arg7,arg8,arg9,arg10,arg11});

            // 2.3 启动Thread

            new Thread(runJob).start();

            // 3. 启动成功后。直接返回到监控，同一时候监控定时向后台获取数据，并在前台展示；

            map.put("flag", "true");

            map.put("monitor", "true");

        } catch (Exception e) {

            e.printStackTrace();

            map.put("flag", "false");

            map.put("monitor", "false");

            map.put("msg", "任务启动失败！

");

        }

        Utils.write2PrintWriter(JSON.toJSONString(map));

    }

这里採用统一接口把全部的提交都整合到一个函数中。算法參数採用匿名的方式，无论前台传送了多少个，都用全部的參数来接收。

然后使用Java反射来生成实际执行任务的类。并启动多线程。

最后返回的map数据依据须要须要设置监控的flag为true（和callByAJax函数中的标识相应）。

全部MR任务都必须实现以下的接口：

/**

 * 带有參数的Runnable接口

 * @author fansy

 * @date 2015-8-4

 */

public interface RunnableWithArgs extends Runnable {

    public abstract void setArgs(String[] args);

}

该接口有两点须要注意，其一。它继承了Runnable接口。其二，它自己定义了一个setArgs函数；

以下来看一个实现，以kmeans算法的调用为例：

/**

 * @author fansy

 * @date 2015-8-4

 */

public class KMeansDriverRunnable implements RunnableWithArgs {

    private String input;

    private String output;

    private String clusters;

    private String k;

    private String convergenceDelta;

    private String maxIter;

    private String clustering;

    private String  distanceMeasure;

    @Override

    public void run() {

        String[] args=null;

        if("true".equals(clustering)){

            args=new String[17];

            args[16]="-cl";

        }else{

            args= new String[16];

        }

        args[0]="-i";

        args[1]=input;

        args[2]="-o";

        args[3]=output;

        args[4]="-c";

        args[5]=clusters;

        args[6]="-k";

        args[7]=k;

        args[8]="-cd";

        args[9]=convergenceDelta;

        args[10]="-x";

        args[11]=maxIter;

        args[12]="-dm";

        args[13]=distanceMeasure;

        args[14]="--tempDir";

        args[15]="temp";

        Utils.printStringArr(args);

        try {

            HUtils.delete(output);

            HUtils.delete("temp");

            HUtils.delete(clusters);

            int ret = ToolRunner.run(HUtils.getConf()   ,new KMeansDriver() , args);

            if(ret==0){// 全部任务执行完毕

                HUtils.setALLJOBSFINISHED(true);

            }

        } catch (Exception e) {

            e.printStackTrace();

            // 任务中，报错，须要在任务监控界面体现出来

            HUtils.setRUNNINGJOBERROR(true);

            Utils.simpleLog("KMeansDriver任务错误！");

        }

    }

    @Override

    public void setArgs(String[] args) {

        this.input=args[0];

        this.output=args[1];

        this.clusters=args[2];

        this.k=args[3];

        this.convergenceDelta=args[4];

        this.maxIter=args[5];

        this.clustering=args[6];

        this.distanceMeasure=args[7];

    }

}

首先，这里须要实现setArgs函数，这个函数就是把匿名的算法參数全部实名化（实际上，这里能够不用这一步操作的，可是为了代码的可读性。还是建议这样做）。

接着，在run函数中，依据传进来的算法參数构造MR算法须要使用的算法參数。然后直接提交MR任务就可以。

这里须要注意：

1. 当任务执行出错时须要设置标志位。方便在任务监控时，前台向后台获取任务状态信息时，提示错误；

2. 固定个数的MR任务和非固定个数的MR任务的不同点是当非固定个数的MR提前执行完毕（比方kmeans算法假设设置了循环次数为10，那么假如当循环次数达到了8次时。其阈值满足条件。退出了循环）。那么就要实时更改MR任务的次数（非固定个数MR任务最開始设置任务全部个数是依照最大值来设置的），并设置相关标识，即不用再进行监控。

4.2.3 非MR实现

与MR实现相似，非MR实现的Action函数例如以下：

/**

     * 提交非MR的任务

     * 算法详细參数意思对比jsp页面理解，每一个实体类会把arg1~arg11 转换为实际的意思

     * @throws ClassNotFoundException

     * @throws IllegalAccessException

     * @throws InstantiationException

     */

    public void submitJobNotMR() throws InstantiationException, IllegalAccessException, ClassNotFoundException{

        Map<String ,Object> map = new HashMap<String,Object>();

        INotMRJob runJob = (INotMRJob) Utils.getClassByName(

                Utils.THREADNOTPACKAGES+algorithm);

        // 2.2 设置參数

        runJob.setArgs(new String[]{arg1,arg2,arg3,arg4,arg5,arg6,arg7,arg8,arg9,arg10,arg11});

        map= runJob.runJob();

        Utils.write2PrintWriter(JSON.toJSONString(map));

        return ;

    }

全部非MR任务都要实现INotMRJob接口，该接口定义例如以下：

/**

 * 提交非MR任务的基类

 * @author fansy

 * @date 2015年8月5日

 */

public interface INotMRJob {

    public void setArgs(String[] args);

    public Map<String,Object> runJob();

}

两个函数分别相应RunnableWithArgs的两个函数。

一个读取HDFS文件的详细实现例如以下：

/**

 * 读取HDFS txt文件

 * @author fansy

 * @date 2015年8月5日

 */

public class ReadTxt implements INotMRJob {

    private String input;

    private String lines;

    @Override

    public void setArgs(String[] args) {

        this.input=args[0];

        this.lines=args[1];

    }

    @Override

    public Map<String, Object> runJob() {

        Map<String ,Object> map = new HashMap<String,Object>();

        String txt =null;

        map.put("return_show", "readtxt_return");

        try{

            txt = HUtils.readTxt(input, lines, "<br>");

            txt ="文件的内容是:<br>"+txt;

            map.put("flag", "true");

            map.put("return_txt", txt);

        }catch(Exception e){

            e.printStackTrace();

            map.put("flag", "false");

            map.put("monitor", "false");

            map.put("msg", input+"读取失败！");

        }

        return map;

    }

}

4.2.4 结果返回

非MR任务结果返回直接在原网页展示，在callByAJax中推断相应的标志位假设不为空。那么就是须要展示在原网页的，原网页中必须有相应的组件来显示，比方以下的网页代码：

<div id="upload_return" style="padding-left: 30px;font-size: 20px;padding-top:10px;"></div>

MR的任务则会开启监控。在监控页面展现任务的执行情况。

5. 二次开发

二次开发实际就是在此版本号的基础上加入自己的功能而已。

一共包含以下几个步骤：

1. 编写測试函数

比方要加入一个fuzzykmeans的算法，那么就在src/test/java里面编写測试函数，例如以下：

编写測试函数的主要目的是，研究算法的參数以及输入数据的格式等。

2. 加入json导航栏数据

在tree_data.json中加入相应的算法，例如以下：

3. 编写页面

參考1.中的全部算法须要參数来编写jsp页面，例如以下图：

4. 编写页面处理js

依据jsp页面中的button，来编写button的触发事件，例如以下：

5. 实现请求提交接口实现

编写请求提交接口的实现分为两种，假设是MR任务则实现RunnableWithArgs接口，假设是非MR任务则实现INotMRJob接口就可以。例如以下图所看到的：

6. 执行项目并測试

打开浏览器。訪问刚开发的功能，点击页面中的button进行測试，例如以下：

6. 项目功能介绍

Hadoop集群配置连接查看、改动

在这里能够进行集群參数的配置。主要是连接Hadoop集群的參数；

2. 数据构造和查看

文件上传界面例如以下：

文件上传主要包含两个功能，其一就是把本地文件上传到HDFS文件；其二就是针对各个算法的数据初始化，这里的初始化基本都是把本地文件（这些文件在src/main/resources/data中已经存在）上传到HDFS指定文件夹，这里关于文件夹构造能够參考Upload.java文件：

/**

* 数据上传

* 统一命名：

上传本地文件：WEB-INF/classes/data//.

上传HDFS文件：/user/root///input.

* @author fansy

* @date 2015年8月5日

*/

其它的基本是数据查看之类的。最后一个分类数据生成，是针对输入数据须要是序列化的数据。所以这里直接生成序列化数据在HDFS指定的文件夹就可以。

3. 相关Mahout算法

相关MR算法中，页面都有默认的參数，比方：

这里的输入数据路径是依据前面Upload里面生成的路径是一致的，有些MR算法须要先执行其它MR算法，然后才干执行，这时其输入路径就是上一个MR算法相应的输出了。

7. 总结

Mahout MR算法调用事实上并不难，难在了解算法的输入数据格式、算法的參数设置等。
本篇在 MR调用上面事实上并没有非常多内容。较多的是js的处理以及ssh框架的应用。
在MR的监控上面实现的思路也是能够借鉴的；
能够git该项目。然后自己编程实现某个算法的全部过程。这样学习起来乐趣很多其它（建议实现TrainLogistic相关）；
Mahout MR算法已经不再更新，建议能够在Hadoop MR的基础上学习Spark。

分享，成长。快乐

脚踏实地，专注

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