rhadoop安装
RHadoop实践系列文章
RHadoop实践系列文章，包含了R语言与Hadoop结合进行海量数据分析。Hadoop主要用来存储海量数据，R语言完成MapReduce算法，用来替代Java的MapReduce实现。有了RHadoop可以让广大的R语言爱好者，有更强大的工具处理大数据。1G, 10G, 100G, TB,PB 由于大数据所带来的单机性能问题，可能会一去联复返了。
RHadoop实践是一套系列文章，主要包括”Hadoop环境搭建”，”RHadoop安装与使用”，”R实现MapReduce的算法案例”，”HBase和rhbase的安装与使用”。对于单独的R语言爱好者，Java爱好者，或者Hadoop爱好者来说，同时具备三种语言知识并不容易。此文虽为入门文章，但R,Java,Hadoop基础知识还是需要大家提前掌握。
第二篇 RHadoop安装与使用部分，分为3个章节。
1. 环境准备
2. RHadoop安装
3. RHadoop程序用例
每一章节，都会分为”文字说明部分”和”代码部分”，保持文字说明与代码的连贯性。
注：Hadoop环境搭建的详细记录，请查看同系列上一篇文章 “RHadoop实践系列文章之Hadoop环境搭建”。
由于两篇文章并非同一时间所写，hadoop版本及操作系统，分步式环境都略有不同。
两篇文章相互独立，请大家在理解的基础上动手实验，不要完成依赖两篇文章中的运行命令。
环境准备
文字说明部分：
首先环境准备，这里我选择了Linux Ubuntu操作系统12.04的64位版本，大家可以根据自己的使用习惯选择顺手的Linux。
但JDK一定要用Oracle SUN官方的版本，请从官网下载，操作系统的自带的OpenJDK会有各种不兼容。JDK请选择1.6.x的版本，JDK1.7版本也会有各种的不兼容情况。
http://www.oracle.com/technetwork/java/javase/downloads/index.html
Hadoop的环境安装，请参考RHadoop实践系统”Hadoop环境搭建”的一文。
R语言请安装2.15以后的版本(2.15可以)，2.14是不能够支持RHadoop的。
如果你也使用Linux Ubuntu操作系统12.04，请先更新软件包源，否则只能下载到2.14版本的R。
代码部分：
1. 操作系统Ubuntu 12.04 x64
~ uname -a
Linux domU-00-16-3e-00-00-85 3.2.0-23-generic #36-Ubuntu SMP Tue Apr 1020:39:51 UTC 2012 x86_64 x86_64 x86_64 GNU/Linux
2 JAVA环境
~ java -version
java version "1.6.0_29"
Java(TM) SE Runtime Environment (build 1.6.0_29-b11)
Java HotSpot(TM) 64-Bit Server VM (build 20.4-b02, mixed mode)
3 HADOOP环境(这里只需要hadoop)
hadoop-1.0.3 hbase-0.94.2 hive-0.9.0 pig-0.10.0 sqoop-1.4.2 thrift-0.8.0 zookeeper-3.4.4
4 R的环境
R version 2.15.3 (2013-03-01) -- "Security Blanket"
Copyright (C) 2013 The R Foundation for Statistical Computing
ISBN 3-900051-07-0
Platform: x86_64-pc-linux-gnu (64-bit)
4.1 如果是Ubuntu 12.04，请更新源再下载R2.15.3版本
sh -c "echo deb http://mirror.bjtu.edu.cn/cran/bin/linux/ubuntuprecise/ >>/etc/apt/sources.list"
apt-get update
apt-get install r-base
RHadoop安装
文字说明部分：
RHadoop是RevolutionAnalytics的工程的项目，开源实现代码在GitHub社区可以找到。RHadoop包含三个R包 (rmr，rhdfs，rhbase)，分别是对应Hadoop系统架构中的，MapReduce, HDFS, HBase 三个部分。由于这三个库不能在CRAN中找到，所以需要自己下载。
https://github.com/RevolutionAnalytics/RHadoop/wiki
接下我们需要先安装这三个库的依赖库。
首先是rJava，上个章节我们已经配置好了JDK1.6的环境，运行R CMD javareconf命令，R的程序从系统变量中会读取Java配置。然后打开R程序，通过install.packages的方式，安装rJava。
然后，我还要安装其他的几个依赖库，reshape2，Rcpp，iterators，itertools，digest，RJSONIO，functional，通过install.packages都可以直接安装。
接下安装rhdfs库，在环境变量中增加 HADOOP_CMD和 HADOOP_STREAMING两个变量，可以用export在当前命令窗口中增加。但为下次方便使用，最好把变量增加到系统环境变更/etc/environment文件中。再用 R CMD INSTALL安装rhdfs包，就可以顺利完成了。
安装rmr库，使用R CMD INSTALL也可以顺利完成了。
安装rhbase库，后面”HBase和rhbase的安装与使用”文章中会继续介绍，这里暂时跳过。
最后，我们可以查看一下，RHADOOP都安装了哪些库。
由于我的硬盘是外接的，使用mount和软连接(ln -s)挂载了R类库的目录，所以是R的类库在/disk1/system下面
/disk1/system/usr/local/lib/R/site-library/
一般R的类库目录是/usr/lib/R/site-library或者/usr/local/lib/R/site-library，用户也可以使用whereis R的命令查询，自己电脑上R类库的安装位置
代码部分：
1. 下载RHadoop相关的3个程序包
https://github.com/RevolutionAnalytics/RHadoop/wiki/Downloads
rmr-2.1.0
rhdfs-1.0.5
rhbase-1.1
2. 复制到/root/R目录
~/R# pwd
/root/R
~/R# ls
rhbase_1.1.tar.gz rhdfs_1.0.5.tar.gz rmr2_2.1.0.tar.gz
3. 安装依赖库
命令行执行
~ R CMD javareconf
~ R
启动R程序
install.packages("rJava")
install.packages("reshape2")
install.packages("Rcpp")
install.packages("iterators")
install.packages("itertools")
install.packages("digest")
install.packages("RJSONIO")
install.packages("functional")
4. 安装rhdfs库
~ export HADOOP_CMD=/root/hadoop/hadoop-1.0.3/bin/hadoop
~ exportHADOOP_STREAMING=/root/hadoop/hadoop-1.0.3/contrib/streaming/hadoop-streaming-1.0.3.jar(rmr2会用到)
~ R CMD INSTALL /root/R/rhdfs_1.0.5.tar.gz
4.1 最好把HADOOP_CMD设置到环境变量
~ vi /etc/environment
HADOOP_CMD=/root/hadoop/hadoop-1.0.3/bin/hadoop
HADOOP_STREAMING=/root/hadoop/hadoop-1.0.3/contrib/streaming/hadoop-streaming-1.0.3.jar
. /etc/environment
5. 安装rmr库
~ R CMD INSTALL rmr2_2.1.0.tar.gz
6. 安装rhbase库 (暂时跳过)
7. 所有的安装包
~ ls /disk1/system/usr/local/lib/R/site-library/
digest functional iterators itertools plyr Rcpp reshape2 rhdfs rJava RJSONIO rmr2 stringr
RHadoop程序用例
文字说明部分：
安装好rhdfs和rmr两个包后，我们就可以使用R尝试一些hadoop的操作了。
首先，是基本的hdfs的文件操作。
查看hdfs文件目录
hadoop的命令：hadoop fs -ls /user
R语言函数：hdfs.ls(”/user/“)
查看hadoop数据文件
hadoop的命令：hadoop fs -cat /user/hdfs/o_same_school/part-m-00000
R语言函数：hdfs.cat(”/user/hdfs/o_same_school/part-m-00000″)
接下来，我们执行一个rmr算法的任务
普通的R语言程序：
> small.ints = 1:10
> sapply(small.ints, function(x) x^2)
MapReduce的R语言程序：
> small.ints = to.dfs(1:10)
> mapreduce(input = small.ints, map = function(k, v) cbind(v, v^2))
> from.dfs("/tmp/RtmpWnzxl4/file5deb791fcbd5")
因为MapReduce只能访问HDFS文件系统，先要用to.dfs把数据存储到HDFS文件系统里。MapReduce的运算结果再用from.dfs函数从HDFS文件系统中取出。
第二个，rmr的例子是wordcount，对文件中的单词计数
> input<- '/user/hdfs/o_same_school/part-m-00000'
> wordcount = function(input, output = NULL, pattern = " "){
wc.map = function(., lines) {
keyval(unlist( strsplit(x = lines,split = pattern)),1)
}
wc.reduce =function(word, counts) {
keyval(word,sum(counts))
}
mapreduce(input = input ,output= output, input.format = "text",
map = wc.map, reduce =wc.reduce,combine = T)
}
> wordcount(input)
> from.dfs("/tmp/RtmpfZUFEa/file6cac626aa4a7")
我在HDFS上提前放置了数据文件/user/hdfs/o_same_school/part-m-00000。写wordcount的MapReduce函数，执行wordcount函数，最后用from.dfs从HDFS中取得结果。
代码部分：
1. rhdfs包的使用
启动R程序
> library(rhdfs)
Loading required package: rJava
HADOOP_CMD=/root/hadoop/hadoop-1.0.3/bin/hadoop
Be sure to run hdfs.init()
> hdfs.init()
1.1 命令查看hadoop目录
~ hadoop fs -ls /user
Found 4 items
drwxr-xr-x - root supergroup 0 2013-02-01 12:15 /user/conan
drwxr-xr-x - root supergroup 0 2013-03-06 17:24 /user/hdfs
drwxr-xr-x - root supergroup 0 2013-02-26 16:51 /user/hive
drwxr-xr-x - root supergroup 0 2013-03-06 17:21 /user/root
1.2 rhdfs查看hadoop目录
> hdfs.ls("/user/")
permission owner group size modtime file
1 drwxr-xr-x root supergroup 0 2013-02-01 12:15 /user/conan
2 drwxr-xr-x root supergroup 0 2013-03-06 17:24 /user/hdfs
3 drwxr-xr-x root supergroup 0 2013-02-26 16:51 /user/hive
4 drwxr-xr-x root supergroup 0 2013-03-06 17:21 /user/root
1.3 命令查看hadoop数据文件
~ hadoop fs -cat /user/hdfs/o_same_school/part-m-00000
10,3,tsinghua university,2004-05-26 15:21:00.0
23,4007,北京第一七一中学,2004-05-3106:51:53.0
51,4016,大连理工大学,2004-05-2709:38:31.0
89,4017,Amherst College,2004-06-01 16:18:56.0
92,4017,斯坦福大学,2012-11-2810:33:25.0
99,4017,Stanford University Graduate School of Business,2013-02-1912:17:15.0
113,4017,Stanford University,2013-02-19 12:17:15.0
123,4019,St Paul's Co-educational College - Hong Kong,2004-05-2718:04:17.0
138,4019,香港苏浙小学,2004-05-2718:59:58.0
172,4020,University,2004-05-27 19:14:34.0
182,4026,ff,2004-05-28 04:42:37.0
183,4026,ff,2004-05-28 04:42:37.0
189,4033,tsinghua,2011-09-14 12:00:38.0
195,4035,ba,2004-05-31 07:10:24.0
196,4035,ma,2004-05-31 07:10:24.0
197,4035,southampton university,2013-01-07 15:35:18.0
246,4067,美国史丹佛大学,2004-06-1210:42:10.0
254,4067,美国史丹佛大学,2004-06-1210:42:10.0
255,4067,美国休士顿大学,2004-06-1210:42:10.0
257,4068,清华大学,2004-06-1210:42:10.0
258,4068,北京八中,2004-06-1217:34:02.0
262,4068,香港中文大学,2004-06-1217:34:02.0
310,4070,首都师范大学初等教育学院,2004-06-1415:35:52.0
312,4070,北京师范大学经济学院,2004-06-1415:35:52.0
1.4 rhdfs查看hadoop数据文件
> hdfs.cat("/user/hdfs/o_same_school/part-m-00000")
[1] "10,3,tsinghuauniversity,2004-05-26 15:21:00.0"
[2] "23,4007,北京第一七一中学,2004-05-3106:51:53.0"
[3] "51,4016,大连理工大学,2004-05-2709:38:31.0"
[4] "89,4017,AmherstCollege,2004-06-01 16:18:56.0"
[5] "92,4017,斯坦福大学,2012-11-2810:33:25.0"
[6] "99,4017,StanfordUniversity Graduate School of Business,2013-02-19 12:17:15.0"
[7] "113,4017,StanfordUniversity,2013-02-19 12:17:15.0"
[8] "123,4019,St Paul'sCo-educational College - Hong Kong,2004-05-27 18:04:17.0"
[9] "138,4019,香港苏浙小学,2004-05-2718:59:58.0"
[10] "172,4020,University,2004-05-27 19:14:34.0"
[11] "182,4026,ff,2004-05-28 04:42:37.0"
[12] "183,4026,ff,2004-05-28 04:42:37.0"
[13] "189,4033,tsinghua,2011-09-14 12:00:38.0"
[14] "195,4035,ba,2004-05-31 07:10:24.0"
[15] "196,4035,ma,2004-05-31 07:10:24.0"
[16] "197,4035,southampton university,2013-01-07 15:35:18.0"
[17] "246,4067,美国史丹佛大学,2004-06-12 10:42:10.0"
[18] "254,4067,美国史丹佛大学,2004-06-12 10:42:10.0"
[19] "255,4067,美国休士顿大学,2004-06-12 10:42:10.0"
[20] "257,4068,清华大学,2004-06-12 10:42:10.0"
[21] "258,4068,北京八中,2004-06-12 17:34:02.0"
[22] "262,4068,香港中文大学,2004-06-12 17:34:02.0"
[23] "310,4070,首都师范大学初等教育学院,2004-06-14 15:35:52.0"
[24] "312,4070,北京师范大学经济学院,2004-06-14 15:35:52.0"
2. rmr2包的使用
启动R程序
> library(rmr2)
Loading required package: Rcpp
Loading required package: RJSONIO
Loading required package: digest
Loading required package: functional
Loading required package: stringr
Loading required package: plyr
Loading required package: reshape2
2.1 执行r任务
> small.ints = 1:10
> sapply(small.ints, function(x) x^2)
[1] 1 4 9 16 25 36 49 64 81 100
2.2 执行rmr2任务
> small.ints = to.dfs(1:10)
13/03/07 12:12:55 INFO util.NativeCodeLoader: Loaded the native-hadooplibrary
13/03/07 12:12:55 INFO zlib.ZlibFactory: Successfully loaded &initialized native-zlib library
13/03/07 12:12:55 INFO compress.CodecPool: Got brand-new compressor
> mapreduce(input = small.ints, map = function(k, v) cbind(v, v^2))
packageJobJar: [/tmp/RtmpWnzxl4/rmr-local-env5deb2b300d03,/tmp/RtmpWnzxl4/rmr-global-env5deb398a522b,/tmp/RtmpWnzxl4/rmr-streaming-map5deb1552172d,/root/hadoop/tmp/hadoop-unjar7838617732558795635/] []/tmp/streamjob4380275136001813619.jar tmpDir=null
13/03/07 12:12:59 INFO mapred.FileInputFormat: Total input paths toprocess : 1
13/03/07 12:12:59 INFO streaming.StreamJob: getLocalDirs():[/root/hadoop/tmp/mapred/local]
13/03/07 12:12:59 INFO streaming.StreamJob: Running job:job_201302261738_0293
13/03/07 12:12:59 INFO streaming.StreamJob: To kill this job, run:
13/03/07 12:12:59 INFO streaming.StreamJob:/disk1/hadoop/hadoop-1.0.3/libexec/../bin/hadoop job -Dmapred.job.tracker=hdfs://r.qa.tianji.com:9001 -killjob_201302261738_0293
13/03/07 12:12:59 INFO streaming.StreamJob: Tracking URL:http://192.168.1.243:50030/jobdetails.jsp?jobid=job_201302261738_0293
13/03/07 12:13:00 INFO streaming.StreamJob: map 0% reduce 0%
13/03/07 12:13:15 INFO streaming.StreamJob: map 100% reduce 0%
13/03/07 12:13:21 INFO streaming.StreamJob: map 100% reduce 100%
13/03/07 12:13:21 INFO streaming.StreamJob: Job complete:job_201302261738_0293
13/03/07 12:13:21 INFO streaming.StreamJob: Output:/tmp/RtmpWnzxl4/file5deb791fcbd5
> from.dfs("/tmp/RtmpWnzxl4/file5deb791fcbd5")
$key
NULL
$val
v
[1,] 1 1
[2,] 2 4
[3,] 3 9
[4,] 4 16
[5,] 5 25
[6,] 6 36
[7,] 7 49
[8,] 8 64
[9,] 9 81
[10,] 10 100
2.3 wordcount执行rmr2任务
> input<- '/user/hdfs/o_same_school/part-m-00000'
> wordcount = function(input, output = NULL, pattern = " "){
wc.map = function(., lines) {
keyval(unlist( strsplit( x = lines,split =pattern)),1)
}
wc.reduce =function(word, counts) {
keyval(word,sum(counts))
}
mapreduce(input = input ,output= output, input.format = "text",
map = wc.map, reduce =wc.reduce,combine = T)
}
> wordcount(input)
packageJobJar: [/tmp/RtmpfZUFEa/rmr-local-env6cac64020a8f,/tmp/RtmpfZUFEa/rmr-global-env6cac73016df3,/tmp/RtmpfZUFEa/rmr-streaming-map6cac7f145e02,/tmp/RtmpfZUFEa/rmr-streaming-reduce6cac238dbcf, /tmp/RtmpfZUFEa/rmr-streaming-combine6cac2b9098d4,/root/hadoop/tmp/hadoop-unjar6584585621285839347/] []/tmp/streamjob9195921761644130661.jar tmpDir=null
13/03/07 12:34:41 INFO util.NativeCodeLoader: Loaded the native-hadooplibrary
13/03/07 12:34:41 WARN snappy.LoadSnappy: Snappy native library not loaded
13/03/07 12:34:41 INFO mapred.FileInputFormat: Total input paths toprocess : 1
13/03/07 12:34:41 INFO streaming.StreamJob: getLocalDirs():[/root/hadoop/tmp/mapred/local]
13/03/07 12:34:41 INFO streaming.StreamJob: Running job:job_201302261738_0296
13/03/07 12:34:41 INFO streaming.StreamJob: To kill this job, run:
13/03/07 12:34:41 INFO streaming.StreamJob:/disk1/hadoop/hadoop-1.0.3/libexec/../bin/hadoop job -Dmapred.job.tracker=hdfs://r.qa.tianji.com:9001-kill job_201302261738_0296
13/03/07 12:34:41 INFO streaming.StreamJob: Tracking URL:http://192.168.1.243:50030/jobdetails.jsp?jobid=job_201302261738_0296
13/03/07 12:34:42 INFO streaming.StreamJob: map 0% reduce 0%
13/03/07 12:34:59 INFO streaming.StreamJob: map 100% reduce 0%
13/03/07 12:35:08 INFO streaming.StreamJob: map 100% reduce 17%
13/03/07 12:35:14 INFO streaming.StreamJob: map 100% reduce 100%
13/03/07 12:35:20 INFO streaming.StreamJob: Job complete:job_201302261738_0296
13/03/07 12:35:20 INFO streaming.StreamJob: Output:/tmp/RtmpfZUFEa/file6cac626aa4a7
> from.dfs("/tmp/RtmpfZUFEa/file6cac626aa4a7")
$key
[1] "-"
[2] "04:42:37.0"
[3] "06:51:53.0"
[4] "07:10:24.0"
[5] "09:38:31.0"
[6] "10:33:25.0"
[7] "10,3,tsinghua"
[8] "10:42:10.0"
[9] "113,4017,Stanford"
[10] "12:00:38.0"
[11] "12:17:15.0"
[12] "123,4019,St"
[13] "138,4019,香港苏浙小学,2004-05-27"
[14] "15:21:00.0"
[15] "15:35:18.0"
[16] "15:35:52.0"
[17] "16:18:56.0"
[18] "172,4020,University,2004-05-27"
[19] "17:34:02.0"
[20] "18:04:17.0"
[21] "182,4026,ff,2004-05-28"
[22] "183,4026,ff,2004-05-28"
[23] "18:59:58.0"
[24] "189,4033,tsinghua,2011-09-14"
[25] "19:14:34.0"
[26] "195,4035,ba,2004-05-31"
[27] "196,4035,ma,2004-05-31"
[28] "197,4035,southampton"
[29] "23,4007,北京第一七一中学,2004-05-31"
[30] "246,4067,美国史丹佛大学,2004-06-12"
[31] "254,4067,美国史丹佛大学,2004-06-12"
[32] "255,4067,美国休士顿大学,2004-06-12"
[33] "257,4068,清华大学,2004-06-12"
[34] "258,4068,北京八中,2004-06-12"
[35] "262,4068,香港中文大学,2004-06-12"
[36] "312,4070,北京师范大学经济学院,2004-06-14"
[37] "51,4016,大连理工大学,2004-05-27"
[38] "89,4017,Amherst"
[39] "92,4017,斯坦福大学,2012-11-28"
[40] "99,4017,Stanford"
[41] "Business,2013-02-19"
[42] "Co-educational"
[43] "College"
[44] "College,2004-06-01"
[45] "Graduate"
[46] "Hong"
[47] "Kong,2004-05-27"
[48] "of"
[49] "Paul's"
[50] "School"
[51] "University"
[52] "university,2004-05-26"
[53] "university,2013-01-07"
[54] "University,2013-02-19"
[55] "310,4070,首都师范大学初等教育学院,2004-06-14"
$val
[1] 1 2 1 2 1 1 1 4 1 1 2 1 1 1 1 21 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[39] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
http://blog.fens.me/rhadoop-rhadoop/
我在安装的时候用的是hadoop-0.20.203.0 但是安装完成之后有很多问题：
1. 在安装R的时候，要求有g77编译器
2.R所在安装默认路径大概是 /usr/local/lib64/R，让对这个路径有读写权限，可以直接用777
3.安装R所需要的包
install.packages("rJava")
install.packages("reshape2")
install.packages("Rcpp")
install.packages("iterators")
install.packages("itertools")
install.packages("digest")
install.packages("RJSONIO")
install.packages("functional")
install.packages("bitops")
install.packages("caTools")
install.packages("stringr")
install.packages("plyr")
安装Rcpp的时候无法直接安装，需要下载Rcpp_0.10.0.tar.gz 使用 R CMD INSTALL Rcpp_0.10.0.tar.gz 进行安装
最后再安装rhadoop 需要的3个组件，我只安装了rmr2,rhdfs 同样使用R CMD INSTALL 进行安装
4.注意：HADOOP_CMD ,HADOOP_STREAMING 是配置在/etc/environment不是/etc/profile配置完后要用source使之生效（注意，不要写environment里不要写export ）
这里低版本的好像不太支持，我把这/hadoop/contrib/streaming/hadoop-streaming.jar换成了hadoop 1.2.1里的jar
同时设置了hdfs-site.xml
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
<property>
<name>dfs.permissions.superusergroup</name>
<value>supergroup</value> //hadoop fs -ls 查看文件的用户组
</property>
这里为了解决
java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 255
最后怎么解决的没有想问题这几个地方改了之后就好了，后面可以再试一下，先赶紧玩玩rhadoop，哈哈。
5.用一个最简单的程序试一下环境
library(rhdfs)
library(rmr2)
hdfs.init()
map <- function(k,lines) {
words.list <- strsplit(lines, '\\s')
words <- unlist(words.list)
return( keyval(words, 1) )
}
reduce <- function(word, counts) {
keyval(word, 1)
}
wordcount <- function (input, output=NULL) {
mapreduce(input=input, output=output, input.format="text", map=map, reduce=reduce)
}
hdfs.root <- '/user'
hdfs.data <- file.path(hdfs.root, 'input')
hdfs.out <- file.path(hdfs.root, 'output')
out <- wordcount(hdfs.data, hdfs.out)