Author：張丹(Conan)
Date: 2013-03-07
Weibo: @Conan_Z
Email: [email protected]
Blog: http://www.fens.me/blog
APPs:
@曬粉絲 http://www.fens.me
@每日中國天氣 http://apps.weibo.com/chinaweatherapp
RHadoop實踐系列文章
RHadoop實踐系列文章，包含了R語言與Hadoop結合進行海量數據分析。Hadoop主要用來存儲海量數據，R語言完成MapReduce 算法，用來替代Java的MapReduce實現。有了RHadoop可以讓廣大的R語言愛好者，有更強大的工具處理大數據。1G, 10G, 100G, TB,PB 由於大數據所帶來的單機性能問題，可能會一去聯復返了。
RHadoop實踐是一套系列文章，主要包括”Hadoop環境搭建”，”RHadoop安裝與使用”，”R實現MapReduce的算法案 例”，”HBase和rhbase的安裝與使用”。對於單獨的R語言愛好者，Java愛好者，或者Hadoop愛好者來說，同時具備三種語言知識並不容 易。此文雖爲入門文章，但R,Java,Hadoop基礎知識還是需要大家提前掌握。
第二篇 RHadoop安裝與使用部分，分爲3個章節。
1. 環境準備
2. RHadoop安裝
3. RHadoop程序用例
每一章節，都會分爲”文字說明部分”和”代碼部分”，保持文字說明與代碼的連貫性。
注：Hadoop環境搭建的詳細記錄，請查看 同系列上一篇文章 “RHadoop實踐系列文章之Hadoop環境搭建”。
由於兩篇文章並非同一時間所寫，hadoop版本及操作系統，分步式環境都略有不同。
兩篇文章相互獨立，請大家在理解的基礎上動手實驗，不要完成依賴兩篇文章中的運行命令。
環境準備
文字說明部分：
首先環境準備，這裏我選擇了Linux Ubuntu操作系統12.04的64位版本，大家可以根據自己的使用習慣選擇順手的Linux。
但JDK一定要用Oracle SUN官方的版本，請從官網下載，操作系統的自帶的OpenJDK會有各種不兼容。JDK請選擇1.6.x的版本，JDK1.7版本也會有各種的不兼容情況。
http://www.oracle.com/technetwork/java/javase/downloads/index.html
Hadoop的環境安裝，請參考RHadoop實踐系統”Hadoop環境搭建”的一文。
R語言請安裝2.15以後的版本，2.14是不能夠支持RHadoop的。
如果你也使用Linux Ubuntu操作系統12.04，請先更新軟件包源，否則只能下載到2.14版本的R。
代碼部分：
1. 操作系統Ubuntu 12.04 x64
~ uname -a
Linux domU-00-16-3e-00-00-85 3.2.0-23-generic #36-Ubuntu SMP Tue Apr 10 20:39:51 UTC 2012 x86_64 x86_64 x86_64 GNU/Linux
2 JAVA環境
~ java -version
java version "1.6.0_29"
Java(TM) SE Runtime Environment (build 1.6.0_29-b11)
Java HotSpot(TM) 64-Bit Server VM (build 20.4-b02, mixed mode)
3 HADOOP環境(這裏只需要hadoop)
hadoop-1.0.3 hbase-0.94.2 hive-0.9.0 pig-0.10.0 sqoop-1.4.2 thrift-0.8.0 zookeeper-3.4.4
4 R的環境
R version 2.15.3 (2013-03-01) -- "Security Blanket"
Copyright (C) 2013 The R Foundation for Statistical Computing
ISBN 3-900051-07-0
Platform: x86_64-pc-linux-gnu (64-bit)
4.1 如果是Ubuntu 12.04，請更新源再下載R2.15.3版本
sh -c "echo deb http://mirror.bjtu.edu.cn/cran/bin/linux/ubuntu precise/ >>/etc/apt/sources.list"
apt-get update
apt-get install r-base
RHadoop安裝
文字說明部分：
RHadoop是RevolutionAnalytics的工程的項目，開源實現代碼在GitHub社區可以找到。RHadoop包含三個R包 (rmr，rhdfs，rhbase)，分別是對應Hadoop系統架構中的，MapReduce, HDFS, HBase 三個部分。由於這三個庫不能在CRAN中找到，所以需要自己下載。
https://github.com/RevolutionAnalytics/RHadoop/wiki
接下我們需要先安裝這三個庫的依賴庫。
首先是rJava，上個章節我們已經配置好了JDK1.6的環境，運行R CMD javareconf命令，R的程序從系統變量中會讀取Java配置。然後打開R程序，通過install.packages的方式，安裝rJava。
然後，我還要安裝其他的幾個依賴庫，reshape2，Rcpp，iterators，itertools，digest，RJSONIO，functional，通過install.packages都可以直接安裝。
接下安裝rhdfs庫，在環境變量中增加 HADOOP_CMD 和 HADOOP_STREAMING 兩個變量，可以用export在當前命令窗口中增加。但爲下次方便使用，最好把變量增加到系統環境變更/etc/environment文件中。再用 R CMD INSTALL安裝rhdfs包，就可以順利完成了。
安裝rmr庫，使用R CMD INSTALL也可以順利完成了。
安裝rhbase庫，後面”HBase和rhbase的安裝與使用”文章中會繼續介紹，這裏暫時跳過。
最後，我們可以查看一下，RHADOOP都安裝了哪些庫。
由於我的硬盤是外接的，使用mount和軟連接(ln -s)掛載了R類庫的目錄，所以是R的類庫在/disk1/system下面
/disk1/system/usr/local/lib/R/site-library/
一般R的類庫目錄是/usr/lib/R/site-library或者/usr/local/lib/R/site-library，用戶也可以使用whereis R的命令查詢，自己電腦上R類庫的安裝位置
代碼部分：
1. 下載RHadoop相關的3個程序包
https://github.com/RevolutionAnalytics/RHadoop/wiki/Downloads
rmr-2.1.0
rhdfs-1.0.5
rhbase-1.1
2. 複製到/root/R目錄
~/R# pwd
/root/R
~/R# ls
rhbase_1.1.tar.gz rhdfs_1.0.5.tar.gz rmr2_2.1.0.tar.gz
3. 安裝依賴庫
命令行執行
~ R CMD javareconf
~ R
啓動R程序
install.packages("rJava")
install.packages("reshape2")
install.packages("Rcpp")
install.packages("iterators")
install.packages("itertools")
install.packages("digest")
install.packages("RJSONIO")
install.packages("functional")
4. 安裝rhdfs庫
~ export HADOOP_CMD=/root/hadoop/hadoop-1.0.3/bin/hadoop
~ export HADOOP_STREAMING=/root/hadoop/hadoop-1.0.3/contrib/streaming/hadoop-streaming-1.0.3.jar (rmr2會用到)
~ R CMD INSTALL /root/R/rhdfs_1.0.5.tar.gz
4.1 最好把HADOOP_CMD設置到環境變量
~ vi /etc/environment
HADOOP_CMD=/root/hadoop/hadoop-1.0.3/bin/hadoop
HADOOP_STREAMING=/root/hadoop/hadoop-1.0.3/contrib/streaming/hadoop-streaming-1.0.3.jar
. /etc/environment
5. 安裝rmr庫
~ R CMD INSTALL rmr2_2.1.0.tar.gz
6. 安裝rhbase庫 (暫時跳過)
7. 所有的安裝包
~ ls /disk1/system/usr/local/lib/R/site-library/
digest functional iterators itertools plyr Rcpp reshape2 rhdfs rJava RJSONIO rmr2 stringr
RHadoop程序用例
文字說明部分：
安裝好rhdfs和rmr兩個包後，我們就可以使用R嘗試一些hadoop的操作了。
首先，是基本的hdfs的文件操作。
查看hdfs文件目錄
hadoop的命令：hadoop fs -ls /user
R語言函數：hdfs.ls(”/user/“)
查看hadoop數據文件
hadoop的命令：hadoop fs -cat /user/hdfs/o_same_school/part-m-00000
R語言函數：hdfs.cat(”/user/hdfs/o_same_school/part-m-00000″)
接下來，我們執行一個rmr算法的任務
普通的R語言程序：
> small.ints = 1:10
> sapply(small.ints, function(x) x^2)
MapReduce的R語言程序：
> small.ints = to.dfs(1:10)
> mapreduce(input = small.ints, map = function(k, v) cbind(v, v^2))
> from.dfs("/tmp/RtmpWnzxl4/file5deb791fcbd5")
因爲MapReduce只能訪問HDFS文件系統，先要用to.dfs把數據存儲到HDFS文件系統裏。MapReduce的運算結果再用from.dfs函數從HDFS文件系統中取出。
第二個，rmr的例子是wordcount，對文件中的單詞計數
> input<- '/user/hdfs/o_same_school/part-m-00000'
> wordcount = function(input, output = NULL, pattern = " "){
wc.map = function(., lines) {
keyval(unlist( strsplit( x = lines,split = pattern)),1)
}
wc.reduce =function(word, counts ) {
keyval(word, sum(counts))
}
mapreduce(input = input ,output = output, input.format = "text",
map = wc.map, reduce = wc.reduce,combine = T)
}
> wordcount(input)
> from.dfs("/tmp/RtmpfZUFEa/file6cac626aa4a7")
我在HDFS上提前放置了數據文件/user/hdfs/o_same_school/part-m-00000。寫wordcount的MapReduce函數，執行wordcount函數，最後用from.dfs從HDFS中取得結果。
代碼部分：
1. rhdfs包的使用
啓動R程序
> library(rhdfs)
Loading required package: rJava
HADOOP_CMD=/root/hadoop/hadoop-1.0.3/bin/hadoop
Be sure to run hdfs.init()
> hdfs.init()
1.1 命令查看hadoop目錄
~ hadoop fs -ls /user
Found 4 items
drwxr-xr-x - root supergroup 0 2013-02-01 12:15 /user/conan
drwxr-xr-x - root supergroup 0 2013-03-06 17:24 /user/hdfs
drwxr-xr-x - root supergroup 0 2013-02-26 16:51 /user/hive
drwxr-xr-x - root supergroup 0 2013-03-06 17:21 /user/root
1.2 rhdfs查看hadoop目錄
> hdfs.ls("/user/")
permission owner group size modtime file
1 drwxr-xr-x root supergroup 0 2013-02-01 12:15 /user/conan
2 drwxr-xr-x root supergroup 0 2013-03-06 17:24 /user/hdfs
3 drwxr-xr-x root supergroup 0 2013-02-26 16:51 /user/hive
4 drwxr-xr-x root supergroup 0 2013-03-06 17:21 /user/root
1.3 命令查看hadoop數據文件
~ hadoop fs -cat /user/hdfs/o_same_school/part-m-00000
10,3,tsinghua university,2004-05-26 15:21:00.0
23,4007,北京第一七一中學,2004-05-31 06:51:53.0
51,4016,大連理工大學,2004-05-27 09:38:31.0
89,4017,Amherst College,2004-06-01 16:18:56.0
92,4017,斯坦福大學,2012-11-28 10:33:25.0
99,4017,Stanford University Graduate School of Business,2013-02-19 12:17:15.0
113,4017,Stanford University,2013-02-19 12:17:15.0
123,4019,St Paul's Co-educational College - Hong Kong,2004-05-27 18:04:17.0
138,4019,香港蘇浙小學,2004-05-27 18:59:58.0
172,4020,University,2004-05-27 19:14:34.0
182,4026,ff,2004-05-28 04:42:37.0
183,4026,ff,2004-05-28 04:42:37.0
189,4033,tsinghua,2011-09-14 12:00:38.0
195,4035,ba,2004-05-31 07:10:24.0
196,4035,ma,2004-05-31 07:10:24.0
197,4035,southampton university,2013-01-07 15:35:18.0
246,4067,美國史丹佛大學,2004-06-12 10:42:10.0
254,4067,美國史丹佛大學,2004-06-12 10:42:10.0
255,4067,美國休士頓大學,2004-06-12 10:42:10.0
257,4068,清華大學,2004-06-12 10:42:10.0
258,4068,北京八中,2004-06-12 17:34:02.0
262,4068,香港中文大學,2004-06-12 17:34:02.0
310,4070,首都師範大學初等教育學院,2004-06-14 15:35:52.0
312,4070,北京師範大學經濟學院,2004-06-14 15:35:52.0
1.4 rhdfs查看hadoop數據文件
> hdfs.cat("/user/hdfs/o_same_school/part-m-00000")
[1] "10,3,tsinghua university,2004-05-26 15:21:00.0"
[2] "23,4007,北京第一七一中學,2004-05-31 06:51:53.0"
[3] "51,4016,大連理工大學,2004-05-27 09:38:31.0"
[4] "89,4017,Amherst College,2004-06-01 16:18:56.0"
[5] "92,4017,斯坦福大學,2012-11-28 10:33:25.0"
[6] "99,4017,Stanford University Graduate School of Business,2013-02-19 12:17:15.0"
[7] "113,4017,Stanford University,2013-02-19 12:17:15.0"
[8] "123,4019,St Paul's Co-educational College - Hong Kong,2004-05-27 18:04:17.0"
[9] "138,4019,香港蘇浙小學,2004-05-27 18:59:58.0"
[10] "172,4020,University,2004-05-27 19:14:34.0"
[11] "182,4026,ff,2004-05-28 04:42:37.0"
[12] "183,4026,ff,2004-05-28 04:42:37.0"
[13] "189,4033,tsinghua,2011-09-14 12:00:38.0"
[14] "195,4035,ba,2004-05-31 07:10:24.0"
[15] "196,4035,ma,2004-05-31 07:10:24.0"
[16] "197,4035,southampton university,2013-01-07 15:35:18.0"
[17] "246,4067,美國史丹佛大學,2004-06-12 10:42:10.0"
[18] "254,4067,美國史丹佛大學,2004-06-12 10:42:10.0"
[19] "255,4067,美國休士頓大學,2004-06-12 10:42:10.0"
[20] "257,4068,清華大學,2004-06-12 10:42:10.0"
[21] "258,4068,北京八中,2004-06-12 17:34:02.0"
[22] "262,4068,香港中文大學,2004-06-12 17:34:02.0"
[23] "310,4070,首都師範大學初等教育學院,2004-06-14 15:35:52.0"
[24] "312,4070,北京師範大學經濟學院,2004-06-14 15:35:52.0"
2. rmr2包的使用
啓動R程序
> library(rmr2)
Loading required package: Rcpp
Loading required package: RJSONIO
Loading required package: digest
Loading required package: functional
Loading required package: stringr
Loading required package: plyr
Loading required package: reshape2
2.1 執行r任務
> small.ints = 1:10
> sapply(small.ints, function(x) x^2)
[1] 1 4 9 16 25 36 49 64 81 100
2.2 執行rmr2任務
> small.ints = to.dfs(1:10)
13/03/07 12:12:55 INFO util.NativeCodeLoader: Loaded the native-hadoop library
13/03/07 12:12:55 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
13/03/07 12:12:55 INFO compress.CodecPool: Got brand-new compressor
> mapreduce(input = small.ints, map = function(k, v) cbind(v, v^2))
packageJobJar: [/tmp/RtmpWnzxl4/rmr-local-env5deb2b300d03, /tmp/RtmpWnzxl4/rmr-global-env5deb398a522b, /tmp/RtmpWnzxl4/rmr-streaming-map5deb1552172d, /root/hadoop/tmp/hadoop-unjar7838617732558795635/] [] /tmp/streamjob4380275136001813619.jar tmpDir=null
13/03/07 12:12:59 INFO mapred.FileInputFormat: Total input paths to process : 1
13/03/07 12:12:59 INFO streaming.StreamJob: getLocalDirs(): [/root/hadoop/tmp/mapred/local]
13/03/07 12:12:59 INFO streaming.StreamJob: Running job: job_201302261738_0293
13/03/07 12:12:59 INFO streaming.StreamJob: To kill this job, run:
13/03/07 12:12:59 INFO streaming.StreamJob: /disk1/hadoop/hadoop-1.0.3/libexec/../bin/hadoop job -Dmapred.job.tracker=hdfs://r.qa.tianji.com:9001 -kill job_201302261738_0293
13/03/07 12:12:59 INFO streaming.StreamJob: Tracking URL: http://192.168.1.243:50030/jobdetails.jsp?jobid=job_201302261738_0293
13/03/07 12:13:00 INFO streaming.StreamJob: map 0% reduce 0%
13/03/07 12:13:15 INFO streaming.StreamJob: map 100% reduce 0%
13/03/07 12:13:21 INFO streaming.StreamJob: map 100% reduce 100%
13/03/07 12:13:21 INFO streaming.StreamJob: Job complete: job_201302261738_0293
13/03/07 12:13:21 INFO streaming.StreamJob: Output: /tmp/RtmpWnzxl4/file5deb791fcbd5
> from.dfs("/tmp/RtmpWnzxl4/file5deb791fcbd5")
$key
NULL
$val
v
[1,] 1 1
[2,] 2 4
[3,] 3 9
[4,] 4 16
[5,] 5 25
[6,] 6 36
[7,] 7 49
[8,] 8 64
[9,] 9 81
[10,] 10 100
2.3 wordcount執行rmr2任務
> input<- '/user/hdfs/o_same_school/part-m-00000'
> wordcount = function(input, output = NULL, pattern = " "){
wc.map = function(., lines) {
keyval(unlist( strsplit( x = lines,split = pattern)),1)
}
wc.reduce =function(word, counts ) {
keyval(word, sum(counts))
}
mapreduce(input = input ,output = output, input.format = "text",
map = wc.map, reduce = wc.reduce,combine = T)
}
> wordcount(input)
packageJobJar: [/tmp/RtmpfZUFEa/rmr-local-env6cac64020a8f, /tmp/RtmpfZUFEa/rmr-global-env6cac73016df3, /tmp/RtmpfZUFEa/rmr-streaming-map6cac7f145e02, /tmp/RtmpfZUFEa/rmr-streaming-reduce6cac238dbcf, /tmp/RtmpfZUFEa/rmr-streaming-combine6cac2b9098d4, /root/hadoop/tmp/hadoop-unjar6584585621285839347/] [] /tmp/streamjob9195921761644130661.jar tmpDir=null
13/03/07 12:34:41 INFO util.NativeCodeLoader: Loaded the native-hadoop library
13/03/07 12:34:41 WARN snappy.LoadSnappy: Snappy native library not loaded
13/03/07 12:34:41 INFO mapred.FileInputFormat: Total input paths to process : 1
13/03/07 12:34:41 INFO streaming.StreamJob: getLocalDirs(): [/root/hadoop/tmp/mapred/local]
13/03/07 12:34:41 INFO streaming.StreamJob: Running job: job_201302261738_0296
13/03/07 12:34:41 INFO streaming.StreamJob: To kill this job, run:
13/03/07 12:34:41 INFO streaming.StreamJob: /disk1/hadoop/hadoop-1.0.3/libexec/../bin/hadoop job -Dmapred.job.tracker=hdfs://r.qa.tianji.com:9001 -kill job_201302261738_0296
13/03/07 12:34:41 INFO streaming.StreamJob: Tracking URL: http://192.168.1.243:50030/jobdetails.jsp?jobid=job_201302261738_0296
13/03/07 12:34:42 INFO streaming.StreamJob: map 0% reduce 0%
13/03/07 12:34:59 INFO streaming.StreamJob: map 100% reduce 0%
13/03/07 12:35:08 INFO streaming.StreamJob: map 100% reduce 17%
13/03/07 12:35:14 INFO streaming.StreamJob: map 100% reduce 100%
13/03/07 12:35:20 INFO streaming.StreamJob: Job complete: job_201302261738_0296
13/03/07 12:35:20 INFO streaming.StreamJob: Output: /tmp/RtmpfZUFEa/file6cac626aa4a7
> from.dfs("/tmp/RtmpfZUFEa/file6cac626aa4a7")
$key
[1] "-"
[2] "04:42:37.0"
[3] "06:51:53.0"
[4] "07:10:24.0"
[5] "09:38:31.0"
[6] "10:33:25.0"
[7] "10,3,tsinghua"
[8] "10:42:10.0"
[9] "113,4017,Stanford"
[10] "12:00:38.0"
[11] "12:17:15.0"
[12] "123,4019,St"
[13] "138,4019,香港蘇浙小學,2004-05-27"
[14] "15:21:00.0"
[15] "15:35:18.0"
[16] "15:35:52.0"
[17] "16:18:56.0"
[18] "172,4020,University,2004-05-27"
[19] "17:34:02.0"
[20] "18:04:17.0"
[21] "182,4026,ff,2004-05-28"
[22] "183,4026,ff,2004-05-28"
[23] "18:59:58.0"
[24] "189,4033,tsinghua,2011-09-14"
[25] "19:14:34.0"
[26] "195,4035,ba,2004-05-31"
[27] "196,4035,ma,2004-05-31"
[28] "197,4035,southampton"
[29] "23,4007,北京第一七一中學,2004-05-31"
[30] "246,4067,美國史丹佛大學,2004-06-12"
[31] "254,4067,美國史丹佛大學,2004-06-12"
[32] "255,4067,美國休士頓大學,2004-06-12"
[33] "257,4068,清華大學,2004-06-12"
[34] "258,4068,北京八中,2004-06-12"
[35] "262,4068,香港中文大學,2004-06-12"
[36] "312,4070,北京師範大學經濟學院,2004-06-14"
[37] "51,4016,大連理工大學,2004-05-27"
[38] "89,4017,Amherst"
[39] "92,4017,斯坦福大學,2012-11-28"
[40] "99,4017,Stanford"
[41] "Business,2013-02-19"
[42] "Co-educational"
[43] "College"
[44] "College,2004-06-01"
[45] "Graduate"
[46] "Hong"
[47] "Kong,2004-05-27"
[48] "of"
[49] "Paul's"
[50] "School"
[51] "University"
[52] "university,2004-05-26"
[53] "university,2013-01-07"
[54] "University,2013-02-19"
[55] "310,4070,首都師範大學初等教育學院,2004-06-14"
$val
[1] 1 2 1 2 1 1 1 4 1 1 2 1 1 1 1 2 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[39] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1