mahout算法源码分析之零：搭建环境及Canopy获得输入数据

使用软件：VMware6.5 、redhat、hadoop-1.0.4、eclipse、mahout-0.7（主机 为win7）；

1.首先使用虚拟机搭建一个伪分布式hadoop集群，在主机的浏览器中输入： 虚拟机名:50030 ，查看集群状态（可以参考配置hosts文件）；

2. 下载两个版本的mahout（以1.7为例），如下图所示：

其中mahout-distribution-0.7-src.zip 是等下要拷贝到eclipse工程下面的，mahout-distribution-0.7.zip中的mahout-* .jar要拷贝到集群的hadoop_home/lib下面的；

其中拷贝到eclipse工程下面的文件包括：E:\software\mahout-distribution-0.7-src\mahout-distribution-0.7\core\src\main\java 、E:\software\mahout-distribution-0.7-src\mahout-distribution-0.7\examples\src\main\java、E:\software\mahout-distribution-0.7-src\mahout-distribution-0.7\integration\src\main\java、E:\software\mahout-distribution-0.7-src\mahout-distribution-0.7\math\src\main\java；

3. 在eclipse的java工程中编写一个wordcount的简单测试程序，看是否可以调用虚拟机的hadoop集群，若可以即说明环境基本搭建ok。

由于本来是想分析KMeansDriver这个程序的，但是之前先分析CannopyDriver会好点，所以就先看这个类，最开始的想法是直接下载数据，然后跑出来结果，再根据结果来 分析源码；但是第一次没有跑通，原因是数据不对，数据要经过转换才行；

我使用的数据是Reuters dataset，根据mahout官网上面的 说明，需要经过下面的转换：

ExtractReuters这个类直接去网上下载即可，放入工程中相应的位置，然后编写一个简单的程序把刚才下载的数据转换，即第二步：

package mahout.test.kmeans.transform;
import java.io.File;
import org.apache.lucene.benchmark.utils.ExtractReuters;
public class SegToOut {
	public static void main(String[] args) {
		// TODO Auto-generated method stub
		File in=new File("E:\\workspace\\MathTest1.0\\src\\mahout\\test\\kmeans\\transform\\in");
		File out=new File("E:\\workspace\\MathTest1.0\\src\\mahout\\test\\kmeans\\transform\\out");
		ExtractReuters eas=new ExtractReuters (in,out);
		eas.extract();			
	}
}

第三步的seqdirectory 对应于SequenceFilesFromDirectory这个类，同样编写一个测试的小程序，进行数据的转换：

package mahout.test.kmeans.transform;
import org.apache.mahout.text.SequenceFilesFromDirectory;
public class TestFile2Seq {
	public static void main(String[] args) throws Exception {
		String[] arg={
				"-fs hadoop:9000 ","-jt hadoop:9001"
				," --input hdfs://hadoop:9000/user/fansy/hadoop/input/canopy"
				," --output hdfs://hadoop:9000/user/fansy/out/canopy"};
		System.out.println(args);
		SequenceFilesFromDirectory se=new SequenceFilesFromDirectory();
		se.run(arg);
		System.out.println("job is done.");
	}
}

但是上面的程序提示错误：

ERROR common.AbstractJob: Unexpected –fs

通过进一步的调试，可以发现是在AbstractJob的347行出错，这个等于是识别不了-fs的前缀了（若arg={"--h"}，那么可以打印该类的使用帮助），既然使用不了这个参数，那如何指定jobtracker呢？一种方法可以是：修改 SequenceFilesFromDirectory，把77行的

Configuration conf = getConf();

替换为：

Configuration conf=new Configuration();
    conf.set("mapred.job.tracker", "hadoop:9001");

在此运行上面的测试小程序，即可在hdfs文件系统上看到转换后的结果，如下：

这说明文件已经被转换为序列文件了，并且他的key是Text类型，Value也是Text类型的，第三步完成；
下面进行最后一步，即把seq转换为vector，其对应的类是：SparseVectorsFromSequenceFiles，这个转换和上面的差不多，如果不改Configuration的话直接运行会出现下面的错误：

13/07/20 22:48:57 INFO vectorizer.SparseVectorsFromSequenceFiles: Maximum n-gram size is: 1
13/07/20 22:48:57 INFO vectorizer.SparseVectorsFromSequenceFiles: Minimum LLR value: 1.0
13/07/20 22:48:57 INFO vectorizer.SparseVectorsFromSequenceFiles: Number of reduce tasks: 1
Exception in thread "main" java.lang.NullPointerException
	at org.apache.hadoop.conf.Configuration.<init>(Configuration.java:264)
	at org.apache.mahout.vectorizer.DocumentProcessor.tokenizeDocuments(DocumentProcessor.java:72)
	at org.apache.mahout.vectorizer.SparseVectorsFromSequenceFiles.run(SparseVectorsFromSequenceFiles.java:253)
	at mahout.test.kmeans.transform.TestSeq2Vec.main(TestSeq2Vec.java:16)

同样修改 SparseVectorsFromSequenceFiles的250行的 Configuration conf=getConf(); 改为Configuration conf=new Configuration();
conf.set("mapred.job.tracker", "hadoop:9001");即可，这样即可获得CanopyDriver需要的输入数据格式了。

这个有三个job的，但是跑最后一个job的时候运行错误：

13/07/20 22:57:00 WARN mapred.JobClient: Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
13/07/20 22:57:01 INFO input.FileInputFormat: Total input paths to process : 1
13/07/20 22:57:02 INFO mapred.JobClient: Running job: job_201306162355_0004
13/07/20 22:57:03 INFO mapred.JobClient:  map 0% reduce 0%
13/07/20 22:57:24 INFO mapred.JobClient:  map 8% reduce 0%
13/07/20 22:57:27 INFO mapred.JobClient:  map 32% reduce 0%
13/07/20 22:57:30 INFO mapred.JobClient:  map 100% reduce 0%
13/07/20 22:57:51 INFO mapred.JobClient: Task Id : attempt_201306162355_0004_r_000000_0, Status : FAILED
java.lang.IllegalStateException: /user/hadoop/output/canopyvec/dictionary.file-0
	at org.apache.mahout.common.iterator.sequencefile.SequenceFileIterable.iterator(SequenceFileIterable.java:63)
	at org.apache.mahout.vectorizer.term.TFPartialVectorReducer.setup(TFPartialVectorReducer.java:130)
	at org.apache.hadoop.mapreduce.Reducer.run(Reducer.java:174)
	at org.apache.hadoop.mapred.ReduceTask.runNewReducer(ReduceTask.java:649)
	at org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:417)
	at org.apache.hadoop.mapred.Child$4.run(Child.java:255)
	at java.security.AccessController.doPrivileged(Native Method)
	at javax.security.auth.Subject.doAs(Subject.java:415)
	at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1121)
	at org.apache.hadoop.mapred.Child.main(Child.java:249)
Caused by: java.io.FileNotFoundException: File file:/user/hadoop/output/canopyvec/dictionary.file-0 does not exist.
	at org.apache.hadoop.fs.RawLocalFileSystem.getFileStatus(RawLocalFileSystem.java:397)
	at org.apache.hadoop.fs.FilterFileSystem.getFileStatus(FilterFileSystem.java:251)
	at org.apache.hadoop.fs.FileSystem.getLength(FileSystem.java:796)
	at org.apache.hadoop.io.SequenceFile$Reader.<init>(SequenceFile.java:1475)
	at org.apache.hadoop.io.SequenceFile$Reader.<init>(SequenceFile.java:1470)
	at org.apache.mahout.common.iterator.sequencefile.SequenceFileIterator.<init>(SequenceFileIterator.java:58)
	at org.apache.mahout.common.iterator.sequencefile.SequenceFileIterable.iterator(SequenceFileIterable.java:61)
	... 9 more

我去hdfs上面看确实是有这个错误的，但是还是提示找不到这个文件？ 看他的路径怎么好像是访问本地的？，根据提示找到TFPartialVectorReducer.java:130可以看到引用了一个SequenceFileIterable，那我直接把这里的path打印出来看看是什么先，修改SequenceFileIterable的构造函数加上一个打印的语句，但是这个没有效果，打印不了（）

所以再继续看，找到TFPartialVectorReducer的第118行可以看到：

URI[] localFiles = DistributedCache.getCacheFiles(conf);

所以我们要把 找不到的那个文件的目录添加一个cacheFiles，具体做法是在：

Configuration conf=new Configuration();
    conf.set("mapred.job.tracker", "hadoop:9001");

后面加上：

         DistributedCache.addCacheFile(new Path("hdfs://hadoop:9000/user/hadoop/output/canopyvec04/dictionary.file-0").toUri(), conf);

但是还是不行，明天继续。。。

分享，快乐，成长

转载请注明出处：http://blog.csdn.net/fansy1990