SparkR安裝部署及數據分析實例

原文地址：http://www.cnblogs.com/payton/p/4227770.html

1. SparkR的安裝配置

1.1.       R與Rstudio的安裝

1.1.1.           R的安裝

我們的工作環境都是在Ubuntu下操作的，所以只介紹Ubuntu下安裝R的方法：

1）  在/etc/apt/sources.list添加源

deb http://mirror.bjtu.edu.cn/cran/bin/linux/ubuntu precise/，

然後更新源apt-get update；

2）  通過apt-get安裝：

sudo apt-get install r-base

1.1.2.           Rstudio的安裝

官網有詳細介紹：

http://www.rstudio.com/products/rstudio/download-server/

sudo apt-get install gdebi-core

sudo apt-get install libapparmor1  # Required only for Ubuntu, not Debian

wget http://download2.rstudio.org/rstudio-server-0.97.551-amd64.deb

sudo gdebi rstudio-server-0.97.551-amd64.deb

1.2.       rJava安裝

1.2.1.           rJava介紹

    rJava是一個R語言和Java語言的通信接口，通過底層JNI實現調用，允許在R中直接調用Java的對象和方法。

rJava還提供了Java調用R的功能，是通過JRI(Java/R Interface)實現的。JRI現在已經被嵌入到rJava的包中，我們也可以單獨試用這個功能。現在rJava包，已經成爲很多基於Java開發R包的基礎功能組件。

正是由於rJava是底層接口，並使用JNI作爲接口調用，所以效率非常高。在JRI的方案中，JVM通過內存直接加載RVM，調用過程性能幾乎無損耗，因此是非常高效連接通道，是R和Java通信的首選開發包。

1.2.2.           rJava安裝

1）  配置rJava環境

執行R CMD javareconf

root@testnode4:/home/payton# R CMD javareconf

2）  啓動R並安裝rJava

root@testnode4:/home/payton# R

> install.packages("rJava")

 

1.3.       SparkR的安裝

1.3.1.           SparkR的代碼下載

從網頁下載代碼SparkR-pkg-master.zip  https://github.com/amplab-extras/SparkR-pkg

1.3.2.           SparkR的代碼編譯

1）  解壓SparkR-pkg-master.zip，然後cd  SparkR-pkg-master/

2）  編譯的時候需要指明Hadoop版本和Spark版本

SPARK_HADOOP_VERSION=2.4.1 SPARK_VERSION=1.2.0 ./install-dev.sh

至此，單機版的SparkR已經安裝完成。

1.3.3.           分佈式SparkR的部署配置

1）  編譯成功後，會生成一個lib文件夾，進入lib文件夾，打包SparkR爲SparkR.tar.gz，這個是分佈式SparkR部署的關鍵。

2）  由打包好的SparkR.tar.gz在各集羣節點上安裝SparkR

R CMD INSTALL SparkR.tar.gz

至此分佈式SparkR搭建完成。

 

2. SparkR的運行

2.1.       SparkR的運行機制

SparkR是AMPLab發佈的一個R開發包，爲Apache Spark提供了輕量的前端。SparkR提供了Spark中彈性分佈式數據集（RDD）的API，用戶可以在集羣上通過R shell交互性的運行job。SparkR集合了Spark 和R的優勢，下面的這3幅圖很好的闡釋了SparkR的運行機制。

2.2.       用SparkR 進行數據分析

2.2.1.           SparkR基本操作

首先介紹下SparkR的基本操作：

第一步，加載SparkR包

library(SparkR)

第二步，初始化Spark context

sc <- sparkR.init(master=" spark://localhost:7077"

                  ,sparkEnvir=list(spark.executor.memory="1g",spark.cores.max="10"))

第三步，讀入數據，spark的核心是Resilient Distributed Dataset (RDD)，RDDS可以從Hadoop的InputFormats來創建（例如，HDFS文件）或通過轉化其它RDDS。例如直接從HDFS讀取數據爲RDD的示例如下：

lines <- textFile(sc, "hdfs://sparkR_test.txt")

另外，也可以通過parallelize函數從向量或列表創建RDD，如：

rdd <- parallelize(sc, 1:10, 2)

到了這裏，那麼我們就可以運用RDD的動作（actions）和轉換（transformations）來對RDD進行操作併產生新的RDD；也可以很容易地調用R開發包，只需要在集羣上執行操作前用includePackage讀取R開發包就可以了（例：includePackage(sc, Matrix)）；當然還可以把RDD轉換爲R語言格式的數據形式來對它進行操作。

具體可參見如下兩個鏈接：

http://amplab-extras.github.io/SparkR-pkg/

https://github.com/amplab-extras/SparkR-pkg/wiki/SparkR-Quick-Start

那麼下面我們就通過兩個示例來看下 SparkR是如何運行的吧。

2.2.2.           SparkR使用舉例

1） Example1：word count

# 加載SparkR包
library(SparkR)
# 初始化 Spark context
sc <- sparkR.init(master="spark://集羣ip:7077"
                  ,sparkEnvir=list(spark.executor.memory="1g",spark.cores.max="10"))
# 從HDFS上讀取文件
lines <- textFile(sc, "hdfs://集羣ip:8020/tmp/sparkR_test.txt")
# 按分隔符拆分每一行爲多個元素，這裏返回一個序列
words<-flatMap(lines,function(line) {strsplit(line,"\\|")[[1]]})
# 使用 lapply 來定義對應每一個RDD元素的運算，這裏返回一個（K，V)對
wordCount <-lapply(words, function(word) { list(word, 1L) })
# 對（K，V）對進行聚合計算
counts<-reduceByKey(wordCount,"+",2L)
# 以數組的形式，返回數據集的所有元素
output <- collect(counts)
# 按格式輸出結果
for (wordcount in output) {
  cat(wordcount[[1]], ": ", wordcount[[2]], "\n")
}

2） Example2：logistic regression

# 加載SparkR包
library(SparkR)
# 初始化 Spark context
sc <- sparkR.init(master="集羣ip:7077",
                  appName='sparkr_logistic_regression',
                  sparkEnvir=list(spark.executor.memory='1g',
                                  spark.cores.max="10"))
# 從hdfs上讀取txt文件，    該RDD由spark集羣的4個分區構成
input_rdd <- textFile(sc,
 "hdfs://集羣ip:8020/user/payton/german.data-numeric.txt",
minSplits=4)
# 解析每個RDD元素的文本（在每個分區上並行）
dataset_rdd <- lapplyPartition(input_rdd, function(part) {
  part <- lapply(part, function(x) unlist(strsplit(x, '\\s')))
  part <- lapply(part, function(x) as.numeric(x[x != '']))
  part
})
# 我們需要把數據集dataset_rdd分割爲訓練集（train）和測試集（test）兩部分，這裏
# ptest爲測試集的樣本比例，如取ptest=0.2，即取dataset_rdd的20%樣本數作爲測試
# 集，80%的樣本數作爲訓練集
split_dataset <- function(rdd, ptest) {
  #以輸入樣本數ptest比例創建測試集RDD
  data_test_rdd <- lapplyPartition(rdd, function(part) {
    part_test <- part[1:(length(part)*ptest)]
    part_test
  })
  # 用剩下的樣本數創建訓練集RDD
  data_train_rdd <- lapplyPartition(rdd, function(part) {
    part_train <- part[((length(part)*ptest)+1):length(part)]
    part_train
  })
  # 返回測試集RDD和訓練集RDD的列表
  list(data_test_rdd, data_train_rdd)
}
# 接下來我們需要轉化數據集爲R語言的矩陣形式，並增加一列數字爲1的截距項，
# 將輸出項y標準化爲0/1的形式
get_matrix_rdd <- function(rdd) {
  matrix_rdd <- lapplyPartition(rdd, function(part) {
    m <- matrix(data=unlist(part, F, F), ncol=25, byrow=T)
    m <- cbind(1, m)
    m[,ncol(m)] <- m[,ncol(m)]-1
    m
  })
  matrix_rdd
}
# 由於該訓練集中y的值爲1與0的樣本數比值爲7:3，所以我們需要平衡1和0的樣本
# 數，使它們的樣本數一致
balance_matrix_rdd <- function(matrix_rdd) {
  balanced_matrix_rdd <- lapplyPartition(matrix_rdd, function(part) {
    y <- part[,26]
    index <- sample(which(y==0),length(which(y==1)))
    index <- c(index, which(y==1))
    part <- part[index,]
    part
  })
  balanced_matrix_rdd
}
# 分割數據集爲訓練集和測試集
dataset <- split_dataset(dataset_rdd, 0.2)
# 創建測試集RDD
matrix_test_rdd <- get_matrix_rdd(dataset[[1]])
# 創建訓練集RDD
matrix_train_rdd <- balance_matrix_rdd(get_matrix_rdd(dataset[[2]]))
# 將訓練集RDD和測試集RDD放入spark分佈式集羣內存中
cache(matrix_test_rdd)
cache(matrix_train_rdd)
# 初始化向量theta
theta<- runif(n=25, min = -1, max = 1)
# logistic函數
hypot <- function(z) {
  1/(1+exp(-z))
}
# 損失函數的梯度計算
gCost <- function(t,X,y) {
  1/nrow(X)*(t(X)%*%(hypot(X%*%t)-y))
# 定義訓練函數
train <- function(theta, rdd) {
  # 計算梯度
  gradient_rdd <- lapplyPartition(rdd, function(part) {
    X <- part[,1:25]
    y <- part[,26]
    p_gradient <- gCost(theta,X,y)
    list(list(1, p_gradient))
  })
  agg_gradient_rdd <- reduceByKey(gradient_rdd, '+', 1L)
  # 一次迭代聚合輸出
  collect(agg_gradient_rdd)[[1]][[2]]
}
# 由梯度下降算法優化損失函數
# alpha ：學習速率
# steps ：迭代次數
# tol ：收斂精度
alpha <- 0.1
tol <- 1e-4
step <- 1
while(T) {
  cat("step: ",step,"\n")
  p_gradient <- train(theta, matrix_train_rdd)
  theta <- theta-alpha*p_gradient
  gradient <- train(theta, matrix_train_rdd)
  if(abs(norm(gradient,type="F")-norm(p_gradient,type="F"))<=tol) break
  step <- step+1
}
# 用訓練好的模型預測測試集信貸評測結果（“good”或“bad”），並計算預測正確率
test <- lapplyPartition(matrix_test_rdd, function(part) {
    X <- part[,1:25]
    y <- part[,26]
    y_pred <- hypot(X%*%theta)
    result <- xor(as.vector(round(y_pred)),as.vector(y))
})
result<-unlist(collect(test))
corrects = length(result[result==F])
wrongs = length(result[result==T])
cat("\ncorrects: ",corrects,"\n")
cat("wrongs: ",wrongs,"\n")
cat("accuracy: ",corrects/length(y_pred),"\n")