fansy1990

Spark MLlib算法调用展示平台及其实现过程

1. 软件版本：

IDE：Intellij IDEA 14， Java：1.7，Scala：2.10.6；Tomcat：7，CDH：5.8.0； Spark：1.6.0-cdh5.8.0-hadoop2.6.0-cdh5.8.0 ； Hadoop：hadoop2.6.0-cdh5.8.0；(使用的是CDH提供的虚拟机)

2. 工程下载及部署：

Scala封装Spark算法工程：https://github.com/fansy1990/Spark_MLlib_Algorithm_1.6.0.git ；

调用Spark算法工程：https://github.com/fansy1990/Spark_MLlib_1.6.0_.git ；

部署（主要针对Spark_MLlib_1.6.0工程）：

1）配置好db.properties中相应用户名密码／数据库等参数；
2）第一次启动tomcat，修改hibernate.cfg.xml文件中的hibernate.hbm2ddl.auto值为create，第二次启动修改为update；
3) 打开集群参数页面，点击初始化，初始化集群参数，如果集群参数和当前集群不匹配，那么需要做相应修改；
   暂时考虑使用配置文件的方式来配置集群参数，如果要调整为数据库配置，那么修改Utisl.dbOrFile参数即可；即，暂时只需修改utisl.properties文件；
4）拷贝Spark_MLlib_Algorithm_1.6.0工程生成的算法到到3）中spark.jar所在路径；
5）拷贝集群中的yarn-site.xml到3）中spark.files所在路径；
6）拷贝spark-assembly-1.6.0-cdh5.8.0-hadoop2.6.0-cdh5.8.0.jar到3）中spark.yarn.jar所在路径；

3. 工程实现原理：

3.1 Scala封装Spark算法工程：

3.1.1 工程目录

1. 工程目录如下所示：

Spark MLlib算法调用展示平台及其实现过程_第1张图片

其中，data目录为所有的测试数据所在目录，这里针对不同的算法建立了不同的目录，主要有5类：分类与回归／聚类／协同过滤／降维／频繁项集挖掘；

main／scala里面就是所有封装Spark源码中的代码；

test／scala里面对应每个封装代码的测试；

2. 工程采用Maven构建，直接根据pom文件加载对应依赖；

3. 该工程需要经过maven打包，把打包好的jar包放到CDH的虚拟机中的HDFS上某一固定目录，方便Spark算法调用工程调用（具体目录下文有说）；

3.1.2 单个算法实现（封装／测试），比如针对逻辑回归

1. 针对逻辑回归，其封装代码如下所示：

代码清单3-1 逻辑回归算法封装（Scala）

package com.fz.classification

import com.fz.util.Utils
import org.apache.spark.mllib.classification.{LogisticRegressionWithSGD, LogisticRegressionWithLBFGS}
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.{SparkConf, SparkContext}

/**
 * 逻辑回归封装算法
 * Labels used in Logistic Regression should be {0, 1, ..., k - 1} for k classes multi-label classification problem
 * 输入参数：
 * testOrNot : 是否是测试，正常情况设置为false
 * input：输出数据；
 * minPartitions : 输入数据最小partition个数
 * output：输出路径
 * targetIndex：目标列所在下标，从1开始
 * splitter：数据分隔符；
 * method：使用逻辑回归算法："SGD" or "LBFGS"
 * hasIntercept : 是否具有截距
 * numClasses: 目标列类别个数；
 * Created by fanzhe on 2016/12/19.
 */
object LogisticRegression {

   def main (args: Array[String]) {
    if(args.length != 9){
      println("Usage: com.fz.classification.LogisticRegression testOrNot input minPartitions output targetIndex " +
        "splitter method hasIntercept numClasses")
      System.exit(-1)
    }
     val testOrNot = args(0).toBoolean // 是否是测试，sparkContext获取方式不一样, true 为test
     val input = args(1)
     val minPartitions = args(2).toInt
     val output = args(3)
     val targetIndex = args(4).toInt // 从1开始，不是从0开始要注意
     val splitter = args(5)
     val method = args(6) //should be "SGD" or "LBFGS"
     val hasIntercept = args(7).toBoolean
     val numClasses = args(8).toInt

     val sc =  Utils.getSparkContext(testOrNot,"Logistic Create Model")

     // construct data
     // Load and parse the data
     val training = Utils.getLabeledPointData(sc,input,minPartitions,splitter,targetIndex).cache()

     // Run training algorithm to build the model
     val model = method match {
       case "SGD" => new LogisticRegressionWithSGD()
         .setIntercept(hasIntercept)
         .run(training)
       case "LBFGS" => new LogisticRegressionWithLBFGS().setNumClasses(numClasses)
         .setIntercept(hasIntercept)
         .run(training)
       case _ => throw new RuntimeException("no method")
     }
     // save model

     model.save(sc,output)

     sc.stop()
  }
}

在上面的代码中，有对每个参数的解释，包括参数的含义，参数有哪些参数等；

在Main函数中，首先对各个参数进行获取并赋值变量，接着就是获取SparkContext；

其中，最重要的部分就是调用Spark自己封装的LogisticRegressionWithSGD 或 LogisticRegressionWithBFGS类进行逻辑回归建模；

最后，调用模型的save方法，把模型固化到HDFS上；

基本，所有的算法封装都采取这种模式，及对Spark MLlib中原生的算法再加一层封装。

2. 测试
测试主要使用JUnit进行测试，其逻辑回归示例代码如下：

代码清单3-2 逻辑回归算法封装测试（Scala）

package com.fz.classification

import java.io.File

import com.fz.util.Utils
import org.junit.{Assert, Test}
import Assert._
/**
 * 测试Logistics Regression算法
 * Created by fanzhe on 2016/12/19.
 */
@Test
class LogisticRegressionTest {

  @Test
  def testMain1()={
//    testOrNot input output targetIndex splitter method hasIntercept numClasses
    val args = Array(
      "true",
      "./src/data/classification_regression/logistic.dat",
      "2",
      "./target/logistic/tmp1",
      "1",
      " ",
      "SGD",
      "true",
      "2" // this parameter is useless
    )
    // 删除输出目录
    Utils.deleteOutput(args(3))
    LogisticRegression.main(args)
    assertTrue(Utils.fileContainsClassName(args(3)+"/metadata/part-00000",
      "org.apache.spark.mllib.classification.LogisticRegressionModel"))
  }

  @Test
  def testMain2()={
    //    testOrNot input minPartitions output targetIndex splitter method hasIntercept numClasses
    val args = Array(
      "true",
      "./src/data/classification_regression/logistic.dat",
      "2",
      "./target/logistic/tmp2",
      "1",
      " ",
      "LBFGS",
      "true",
      "2"
    )
    // 删除输出目录
    Utils.deleteOutput(args(3))
    LogisticRegression.main(args)
    assertTrue(Utils.fileContainsClassName(args(3)+"/metadata/part-00000",
      "org.apache.spark.mllib.classification.LogisticRegressionModel"))
  }
}

这里面的方法都是第一步先构建算法参数；接着调用main方法；第三步，查看输出中是否具有模型的相关信息；

当然，这里面还可以添加多个测试方法，使用不同的算法参数或数据进行测试；（读者可自行添加）

3.2 Spark算法调用工程：

3.2.1 界面介绍

1. 首页：

Spark MLlib算法调用展示平台及其实现过程_第2张图片

在系统首页有对该系统实现算法的介绍，系统主要功能有：

1）集群参数维护：主要是底层使用的Hadoop集群的参数配置，每次配置完成后，不仅仅会更新数据库对应记录，而且会更新Hadoop Configuration的获取；

2）监控：主要指Spark任务运行在YARN资源管理器下的任务状态监控；

3）文件上传及预览：文件上传主要是上传本地测试数据到HDFS上，方便页面进行测试；而预览则是查看HDFS上面的数据；

4）分类与回归／协同过滤／聚类／降维／关联规则：各个种类算法下面的每个算法的调用建模页面；

2. 集群参数页面：

Spark MLlib算法调用展示平台及其实现过程_第3张图片

点击初始化，会把各个参数固定写入到后台数据库中，用户可以根据自己集群的配置不同，而进行参数修改，而每次修改也会刷新Hadoop 中Configuration的获取；

3. 监控：

Spark MLlib算法调用展示平台及其实现过程_第4张图片

监控页面，会监控用户提交的SPark任务的运行状态，如果任务失败，则会显示异常信息（代码中只是截取了部分信息，需要进行调整，看如何可以得出重要的信息，直接显示）；后面会有具体实现过程分析。

4. 文件上传：

Spark MLlib算法调用展示平台及其实现过程_第5张图片

文件上传有两个功能:1)可指定一个本地目录和一个HDFS目录，然后把数据从本地上传到HDFS中；2）直接选择对应算法的数据，然后进行初始化，这个是把本地工程路径src/main/data中的对应数据上传到HDFS中的固定目录中；这两个上传的数据都可以在后面的算法建模中进行使用。

还有一点需要注意：被写入的HDFS路径是需要具有写权限的，而用户则是启动Tomcat的用户；

5. 文件查看：

Spark MLlib算法调用展示平台及其实现过程_第6张图片

文件查看功能只能查看Text编码的文件，即文本文件，同时可以输入行号，即可进行文件内容的读取；

6. 逻辑回归算法：

Spark MLlib算法调用展示平台及其实现过程_第7张图片

Spark MLlib算法调用展示平台及其实现过程_第8张图片

在逻辑回归算法界面，输入算法参数，点击提交，如果任务提交成功，即可在下面看到任务提交的ID，如果提交失败（即任务ID获取不到），同样有对应的提示信息；

同时，在任务提交后，在监控界面同样可以观察到该任务的状态，通过刷新即可获得最新的任务状态；

7. 其他算法与逻辑回归算法类似

3.2.2 架构

系统架构图如下所示（算法调用及监控）：

Spark MLlib算法调用展示平台及其实现过程_第9张图片

流程描述如下：

1. 前台界面设置参数，包括算法数据、算法参数等，然后提交任务；

2. 任务提交后，CloudAction接收后，会发起一个线程，该线程会启动Hadoop上的一个Job，该Job有一个返回值，为任务ID，如果任务提交失败，则返回null；

3. 初级监控状态：CloudAction发起线程后，主线程阻塞，等待hadoop任务线程返回值，根据返回值状态，前台返回任务提交成功或失败；

4. 在3的同时，即可通过DBService来更新数据库相应表JobInfo的状态；

5. 在monitor.html界面，通过刷新按钮即可及时获取Hadoop任务状态（有相应的服务，见下文介绍），并更新数据库相关数据，返回前台所有任务信息；

3.2.3 部分实现细节

1. Spark提交任务

参考《基于Spark ALS在线推荐系统》；

2. monitor实时查询任务状态列表

monitor实时查询任务状态列表其流程描述如下：

1） 获取JobInfo中最新的records条记录；
2） 查找其中isFinished字段为false的数据；
3） 根据2）中查找的数据，去YARN获取其实时状态，并更新1）中的数据，然后存入数据库中；
4） 根据row和page字段分页返回JSON数据；

其代码如下所示：

代码清单3-3 更新监控任务列表

public void getJobInfo(){
        Map jsonMap = new HashMap();
        // 1.
        List