Hadoop集群中的Mahout-distribution-0.7安装与配置

系统配置：

ubuntu 12.04

hadoop-1.1.2

jdk1.6.0_45

Mahout是Hadoop的一种高级应用。运行Mahout需要提前安装好Hadoop，Mahout只在Hadoop集群的NameNode节点上安装一个即可，其他数据节点上不需要安装。

1、下载二进制解压安装。

到http://labs.renren.com/apache-mirror/mahout/0.7下载，我选择下载二进制包，直接解压及可。

hadoop@ubuntu:~$ tar -zxvf mahout-distribution-0.7.tar.gz 

2、配置环境变量：/etc/profile

使环境变量生效：source /etc/profile

3、启动hadoop

4、mahout --help

检查Mahout是否安装完好，看是否列出了一些算法
当然，这种方法并不准确，可以通过接下来的步骤进行验证。

5、mahout使用准备

a. 下载一个文件synthetic_control.data，下载地址：http://archive.ics.uci.edu/ml/databases/synthetic_control/synthetic_control.data
b.创建测试目录testdata，并把数据导入到这个tastdata目录中(这里的目录的名字只能是testdata)

hadoop@ubuntu:~/$ hadoop fs -mkdir testdata
hadoop@ubuntu:~/$ hadoop fs -put /usr/local/mahout-distribution-0.7/synthetic_control.data testdata

c.使用kmeans算法

hadoop@ubuntu:~/$ hadoop jar /usr/local/mahout-distribution-0.7/mahout-examples-0.7-job.jar org.apache.mahout.clustering.syntheticcontrol.kmeans.Job

6.查看结果

hadoop@ubuntu:~/$ hadoop fs -lsr output

如果看到以下结果那么算法运行成功，你的安装也就成功了。
clusteredPoints clusters-0 clusters-1 clusters-10 clusters-2 clusters-3 clusters-4 clusters-5 clusters-6 clusters-7 clusters-8 clusters-9 data

这是在my-eclipse下的目录树：

注：

clusteredPoints：存放的是最后聚类的结果，将cluster-id和documents-id都展示出来了，用mahout seqdumper读clusteredPoints结果的key-value类型是 (IntWritable,WeightedVectorWritable)

clusters-N：是第N次聚类的结果，其中n为某类的样本数目，c为各类各属性的中心，r为各类属性的半径。 clusters-N结果类型是(Text,Cluster)

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

7、分析结果