Hadoop家族安装系列(2)——安装Mahout0.9框架

在Hadoop1.2.1分布式集群环境下安装Mahout0.9框架

 

友情提醒：大家最好通读一遍过后，在理解的基础上按照步骤一步一步设置，因为后面的会对前面的有所启示。

一、前提条件

Hadoop1.2.1分布式集群环境搭建成功，并且Hadoop集群服务器正常运行。

二、所需环境和软件

1. Hadoop分布式集群环境：

见《在VMware下安装Ubuntu并部署Hadoop1.2.1分布式环境》。

2. Mahout0.9框架： mahout-distribution-0.9.tar.gz

3. 测试数据(自行下载，并另存为 synthetic_control.data.txt 格式)：

http://archive.ics.uci.edu/ml/databases/synthetic_control/synthetic_control.data

三、安装Mahout

1. 拷贝下载下来的mahout-distribution-0.9.tar.gz包，到Hadoop集群的masters机器的桌面上。

2. 解压mahout-distribution-0.9.tar.gz包，解压有二种方法。

方法一：使用命令 tar -zxvf mahout-distribution-0.9.tar.gz

方法二：见(图1)

(图1)

3. 移动生成的mahout-distribution-0.9文件夹到opt下，如(图2)所示。

sudo mv mahout-distribution-0.9 /opt/mahout-distribution-0.9

(图2)

4. 配置mahout环境变量，如(图3)所示。

使用命令：sudo gedit /etc/profile

打开文件后在里面添加如下内容:

export HADOOP_CONF_DIR=${HADOOP_HOME}/conf

export MAHOUT_HOME=/opt/mahout-distribution-0.9

export MAHOUT_CONF_DIR=${MAHOUT_HOME}/conf

export PATH=${PATH}:${MAHOUT_HOME}/conf:${MAHOUT_HOME}/bin

(图3)

5. 使用命令： source /etc/profile  使环境变量立即生效，如(图4)所示。

(图4)

6. 到此，Mahout安装好了，下面运行一个案例来验证一下。

四、运行一个Mahout案例

1. 准备测试数据

从下面网站下载测试数据，另存为 synthetic_control.data.txt 格式，并拷贝到Hadoop集群的masters机器的桌面上，如（图5）所示。

http://archive.ics.uci.edu/ml/databases/synthetic_control/synthetic_control.data

(图5)

2. 启动hadoop集群

使用命令 start-all.sh 启动hadoop集群，并使用jps命令查看是否启动成功，如(图6)所示。

(图6)

3. 使用以下命令创建测试目录testdata，如(图7)所示。

hadoop fs -mkdir testdata

备注：这里的目录名称只能为testdata，为什么我也不知道。

(图7)

4. 使用命令 hadoop fs -ls 查看创建testdata目录情况，如(图8)所示。

(图8)

5. 把测试数据synthetic_control.data.txt，导入testdata中，并查看导入情况，如(图9)所示。

hadoop fs -put /home/hadoop/桌面/synthetic_control.data.txt testdata

(图9)

6. ，使用以下命令，运行k-means算法，如（图10）所示。

hadoop jar /opt/mahout-distribution-0.9/mahout-examples-0.9-job.jar org.apache.mahout.clustering.syntheticcontrol.kmeans.Job

 

备注：这个算法需要运行3到5分钟，启动10个MapReduce Job任务。

(图10)

7. 运行生成的结果，如(图11)所示，而且运行的结果比较多已经超出了缓冲区的范围，下面只截取一小部分。

(图11)

8. 查看结果,如(图12)所示。

使用命令： hadoop fs -ls output

(图12)

9. 出现如(图11、12)所示页面，说明mahout的案例运行成功了。

备注：

/user/hadop/output/data：存放的是原始数据，这个文件夹下的文件可以用mahout vectordump来读取，原始数据是向量形式的，其它的都只能用mahout seqdumper来读取，向量文件也可以用mahout seqdumper来读取，只是用vectordump读取出来的是数字结果，没有对应的key，用seqdumper读出来的可以看到key，即对应的url，而value读出来的是一个类描述，而不是数组向量。

命令：

mahout vectordump -i /user/hadoop/output/data/part-m-00000

mahout seqdumper -i /user/hadoop/output/data/part-m-00000

 

有的书上或者资料上要运行下面命令，我在mahout0.9版本测试通不过(可能的原因是版本问题)。

mahout vectordump --seqFile /user/hadoop/output/data/part-m-00000

 

 2014年3月7日