mahout中关联规则算法pfp-growth的使用以及常见错误

最近在工作中遇到一个问题：需要求几千个商品类目之间的相关性，自然而然相当了关联规则算法。

由于商品类目只有几千个，所以起初并没有考虑性能问题，所以就自己实现了一个mapreduce版的Priori算法，结果用到实际数据集上就悲剧了。

3000个1-频繁项目集做连接，可以得到400多万个2-候选项目集， 然后为了判断在400万中每个候选项集是不是频繁的，需要遍历700万条事务记录。然后依次求2,3,4频繁项集，每次都 需要遍历整个数据库（700万条记录），即使分布式也极度耗时的。所以，把目光转向只需要遍历两次数据库的FP-Growth算法。

说实话，涉及到树、图等复杂数据结构的算法，想改成成mapreduce版，鄙人真的没有信息。所以谷歌了一下，知道mahout里面有fp-growth算法mapreduce版。然后就傻不拉几下了一个最新版的mahout.0.9, 按照网上找来的教程：mahout fpg ..........

直接得到下面这个错误：

java.lang.IllegalArgumentException: Unknown program 'fpg' chosen.

病急乱投医，赶忙谷歌一下，有人说是因为mahout从0.8版开始就不支持fpg了（貌似不是这样的）

因为赶时间，也没去验证真假，就按照网上0.5版的教程，下了一个0.5版，继续运行命令：mahout fpg .....

又出现下面的错误：

java.lang.RuntimeException: java.lang.reflect.InvocationTargetException
        at org.apache.hadoop.util.ReflectionUtils.newInstance(ReflectionUtils.java:126)
        at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:616)
        at org.apache.hadoop.mapred.MapTask.run(MapTask.java:322)
        at org.apache.hadoop.mapred.Child.main(Child.java:165)
Caused by: java.lang.reflect.InvocationTargetException
        at sun.reflect.NativeConstructorAccessorImpl.newInstance0(Native Method)
        at sun.reflect.NativeConstructorAccessorImpl.newInstance(NativeConstructorAccessorImpl.java:39)
        at sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:27)
        at java.lang.reflect.Constructor.newInstance(Constructor.java:513)
        at org.apache.hadoop.util.ReflectionUtils.newInstance(ReflectionUtils.java:124)
        ... 3 more
Caused by: java.lang.NoClassDefFoundError: org/apache/mahout/math/map/OpenObjectIntHashMap
        at org.apache.mahout.fpm.pfpgrowth.TransactionSortingMapper.<init>(TransactionSortingMapper.java:42)
        ... 8 more
Caused by: java.lang.ClassNotFoundException: org.apache.mahout.math.map.OpenObjectIntHashMap
        at java.net.URLClassLoader$1.run(URLClassLoader.java:202)
        at java.security.AccessController.doPrivileged(Native Method)
        at java.net.URLClassLoader.findClass(URLClassLoader.java:190)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:306)
        at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:301)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:247)
        ... 9 more

火大，继续谷歌了一下，并且认真看了一下0.5包里面文件的结构，确实没有

<pre name="code" class="java">org/apache/mahout/math/map/OpenObjectIntHashMap  这个类

继续研究了一下0.5下面几个jar包的内部结构，觉得可以尝试下面的调用方式：

 hadoop jar mahout-examples-0.5-job.jar org.apache.mahout.fpm.pfpgrowth.FPGrowthDriver -i /group/admin/input/train_records.txt -o /group/admin/output -k 4 -method mapreduce -regex '[\ ]' -s 40  -m 20 -r 10

成功！ -i 后面跟输入文件路径， -o 后面跟输出目录，而且运行前不需要删除该目录，mahout源码里面在运行之前会确保该目录不存在； -k表示多想求出前几个频繁项；-s 表示支持度阈值（我是这么认为);；-method mapreduce表示执行分布式的fpg算法；  -regex ‘[\ ]’ 表示输入文件中item之间的分隔符。后面的-m -r mahout是不识别的，我自己加的`(*∩_∩*)′

因为pfpg默认的mapper和reduce的数目貌似只有两个，数据量特别大的情况下，这绝对是瓶颈。而且， 我找来找去没找到mahout命令行中，指定mapper和reducer个数的参数，-Dmapred.map.tasks这个参数也不接受。只好去改源码了。

下载一个mahout 0.5的源码，编译成maven工程：maven clean install -Dmaven.test.skip

编译好之后，打开eclipse, import --->exist maven project, 这里貌似要装m2e的插件。

然后打开org.apache.mahout.fpm.pfpgrowth.FPGrowthDriver, 可以看到main函数里面定义了很多Option对象，每一个Option对象表示一个支持的命令行参数。我们想加入指定mapper和reducer个数参数，首先模仿着以后的例子，添加下面两个：

    Option mapTasksOpt = obuilder.withLongName("mapTasks").withArgument(
    		abuilder.withName("mapTasks").withMinimum(1).withMaximum(100).create()).withDescription(
    	"(Optional)Minium Mapred.map.tasks. Default Value: 1").withShortName("m").create();
    
    Option reduceTasksOpt = obuilder.withLongName("reduceTasks").withArgument(
    		abuilder.withName("reduceTasks").withMinimum(1).withMaximum(10).create()).withDescription(
    	"(Optional)Minium Mapred.reduce.tasks. Default Value: 1").withShortName("r").create();

其中withLongName和withShortName分别表示了两种指定参数的方式：--mapTasks 5, 或者-m 5.

然后再Group group后面添加上这两个参数

Group group = gbuilder.withName("Options").withOption(minSupportOpt).withOption(inputDirOpt).withOption(
      outputOpt).withOption(maxHeapSizeOpt).withOption(numGroupsOpt).withOption(methodOpt).withOption(
      encodingOpt).withOption(helpOpt).withOption(treeCacheOpt).withOption(recordSplitterOpt).withOption(reduceTasksOpt).withOption(mapTasksOpt).create();

;

这样，当我们在命令行加入-m -r 的时候， 这两个参数就可以别识别的，不会报错说不合法参数了。

上面做的只能保证-m -r可以被识别，还得获取我们输入的参数值

      if(cmdLine.hasOption(mapTasksOpt)) {
    	  String numMapTasks = (String)cmdLine.getValue(mapTasksOpt);
    	  params.set("numMapTasks", numMapTasks);
      }
      
      if(cmdLine.hasOption(reduceTasksOpt)) {
    	  String numReduceTasks = (String)cmdLine.getValue(reduceTasksOpt);
    	  params.set("numReduceTasks", numReduceTasks);
      }

这样，就把命令行输入的Mapper和Reducer数目，存在params里面，传给后面的mapper和reducer任务用。

在往后面执行就到了-method方法起作用的地方了：

      String classificationMethod = (String) cmdLine.getValue(methodOpt);
      if ("sequential".equalsIgnoreCase(classificationMethod)) {
        runFPGrowth(params);
      } else if ("mapreduce".equalsIgnoreCase(classificationMethod)) {
        Configuration conf = new Configuration();
        HadoopUtil.delete(conf, outputDir);
        PFPGrowth.runPFPGrowth(params);
      }

如果不执行分布式版本，method可以写成sequential, 这里应该表示“串行”的意思。否则-method mapreduce

首先删除output目录，这就是为什么在运行命令之前，不需要手动去删除output目录。

然后运行runPFPGrowth方法。改方法里面有四个mapreduce任务（startGroupingItems非MR任务），每个任务的作用在PFP: Parallel FP-Growth for Query Recommendation这篇论文里面有论述，我们在这里不关注。

    startParallelCounting(params);
    startGroupingItems(params);
    startTransactionSorting(params);
    startParallelFPGrowth(params);
    startAggregating(params);

再每一个方法里面加上下面几行代码：

    int numMapTasks = Integer.parseInt(params.get("numMapTasks", "20"));
    int numReduceTasks = Integer.parseInt(params.get("numReduceTasks", "10"));
    conf.setInt("mapred.map.tasks", numMapTasks);
    job.setNumReduceTasks(numReduceTasks);

位置任意，param.get("paramName" , defaultValue) 后面的默认值可以根据每个MR任务的特点自己设定。可以设置一个合理的默认值，比如第一个任务只是统计item的频率，map和reduce的数目都可以设置的很小，而startParallelFPGrowth()任务reducer的计算任务比较重，可以把默认的reduce个数设置的大一点。这样在运行的时候，不需要在命令行指定了。推荐这种方式，因此我们用-m -r来指定，这四个MR任务都使用了统一的map和reduce个数，这很不合理。当然你的任务如果非常有讲究，可以为每一个MR任务指定单独的mapper和reducer个数，这样你需要在命令行为四个MR任务指定八个参数。

上面完工之后，编译一下整个项目：maven clean install -Dmaven.test.skip

然后进入maven的本地仓库找到：mahout-examples-0.5-job.jar这个包。把这个包拷贝到工作目录，在运行：

hadoop jar mahout-examples-0.5-job.jar org.apache.mahout.fpm.pfpgrowth.FPGrowthDriver -i /group/admin/input/train_records.txt -o /group/admin/output -k 4 -method mapreduce -regex '[\ ]' -s 40  -m 20 -r 10

这样 -m 和 -r就可以起作用了。