Mahout 简明教程

Mahout - Environment

本章将教你如何设置 Mahout。Java 和 Hadoop 是 Mahout 的先决条件。以下是下载并安装 Java、Hadoop 和 Mahout 的步骤。

Pre-Installation Setup

在将 Hadoop 安装到 Linux 环境之前，我们需要使用 ssh （安全外壳）设置 Linux。按照以下步骤设置 Linux 环境。

Creating a User

建议为 Hadoop 创建一个独立用户，以将 Hadoop 文件系统与 Unix 文件系统隔离。请按照以下步骤创建用户：

  1. 使用“su”命令打开 root。

使用 “useradd username” 命令从 root 帐户创建用户。

  1. 现在，您可以使用命令 “su username” 打开现有用户帐户。

  2. 打开 Linux 终端并输入以下命令以创建用户。

$ su
password:
# useradd hadoop
# passwd hadoop
New passwd:
Retype new passwd

SSH Setup and Key Generation

执行群集上的不同操作（如启动、停止和分布式守护程序 shell 操作）需要进行 SSH 设置。为了对 Hadoop 的不同用户进行身份验证，需要为 Hadoop 用户提供公钥/私钥对并将其与不同的用户共享。

以下命令用于使用 SSH 生成密钥值对，将公钥 id_rsa.pub 复制到 authorized_keys，并分别为 authorized_keys 文件提供所有者、读取和写入权限。

$ ssh-keygen -t rsa
$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
$ chmod 0600 ~/.ssh/authorized_keys

Verifying ssh

ssh localhost

Installing Java

Java 是 Hadoop 和 HBase 的主要先决条件。首先，你应该使用 “java -version” 验证系统中是否存在 Java。Java version 命令的语法如下。

$ java -version

它应该生成以下输出。

java version "1.7.0_71"
Java(TM) SE Runtime Environment (build 1.7.0_71-b13)
Java HotSpot(TM) Client VM (build 25.0-b02, mixed mode)

如果你的系统中未安装 Java，请按照以下步骤安装 Java。

Step 1

访问以下链接下载 java (JDK <最新版本> - X64.tar.gz) ： Oracle

然后 jdk-7u71-linux-x64.tar.gz is downloaded 到你的系统。

Step 2

通常情况下，你会在下载文件夹中找到下载的 Java 文件。使用以下命令验证并解压 jdk-7u71-linux-x64.gz 文件。

$ cd Downloads/
$ ls
jdk-7u71-linux-x64.gz
$ tar zxf jdk-7u71-linux-x64.gz
$ ls
jdk1.7.0_71 jdk-7u71-linux-x64.gz

Step 3

为了使所有用户可以使用 Java，你需要将其移动到 “/usr/local/”位置。打开 root，然后键入以下命令。

$ su
password:
# mv jdk1.7.0_71 /usr/local/
# exit

Step 4

要设置 PATH 和 JAVA_HOME 变量，请将以下命令添加到 ~/.bashrc file 中。

export JAVA_HOME=/usr/local/jdk1.7.0_71
export PATH= $PATH:$JAVA_HOME/bin

现在，如上所述，从终端验证 java -version 命令。

Downloading Hadoop

安装 Java 后，你需要首先安装 Hadoop。使用如下所示的 “Hadoop version” 命令验证 Hadoop 的存在。

hadoop version

它应生成以下输出:

Hadoop 2.6.0
Compiled by jenkins on 2014-11-13T21:10Z
Compiled with protoc 2.5.0
From source with checksum 18e43357c8f927c0695f1e9522859d6a
This command was run using /home/hadoop/hadoop/share/hadoop/common/hadoopcommon-2.6.0.jar

如果你的系统无法找到 Hadoop，请下载 Hadoop 并安装在你的系统上。按照以下给出的命令操作。

使用以下命令从 Apache 软件基础下载并解压 hadoop-2.6.0。

$ su
password:
# cd /usr/local
# wget http://mirrors.advancedhosters.com/apache/hadoop/common/hadoop-
2.6.0/hadoop-2.6.0-src.tar.gz
# tar xzf hadoop-2.6.0-src.tar.gz
# mv hadoop-2.6.0/* hadoop/
# exit

Installing Hadoop

在任何必需的模式下安装 Hadoop。这里，我们正在以伪分布式模式演示 HBase 的功能，因此请以伪分布式模式安装 Hadoop。

按照下方给出的步骤将 Hadoop 2.4.1 安装在您的系统上。

Step 1: Setting up Hadoop

您可以通过将以下命令追加到 ~/.bashrc 文件来设置 Hadoop 环境变量。

export HADOOP_HOME=/usr/local/hadoop
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME

export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin
export HADOOP_INSTALL=$HADOOP_HOME

现在，将所有更改应用于当前运行的系统。

$ source ~/.bashrc

Step 2: Hadoop Configuration

您可以在以下位置找到所有 Hadoop 配置文件：“$HADOOP_HOME/etc/hadoop”。根据 Hadoop 基础结构，需要对这些配置文件进行更改。

$ cd $HADOOP_HOME/etc/hadoop

为了在 Java 中开发 Hadoop 程序，您需要通过使用系统中 Java 的位置替换 JAVA_HOME 值在 hadoop-env.sh 文件中重置 Java 环境变量。

export JAVA_HOME=/usr/local/jdk1.7.0_71

以下是您必须编辑以配置 Hadoop 的文件列表。

core-site.xml

core-site.xml 文件包含诸如 Hadoop 实例使用的端口号、分配给文件系统、数据存储内存限制和读/写缓冲区大小等信息。

打开 core-site.xml 并将以下属性添加到 <configuration>、</configuration> 标记之间：

<configuration>
   <property>
      <name>fs.default.name</name>
      <value>hdfs://localhost:9000</value>
   </property>
</configuration>

hdfs-site.xm

hdfs-site.xml 文件包含有关复制数据的值、名称节点路径和本地文件系统的 DataNode 路径的信息。也就是说，您想将 Hadoop 基础架构存储在什么位置。

让我们假设以下数据：

dfs.replication (data replication value) = 1

(In the below given path /hadoop/ is the user name.
hadoopinfra/hdfs/namenode is the directory created by hdfs file system.)
namenode path = //home/hadoop/hadoopinfra/hdfs/namenode

(hadoopinfra/hdfs/datanode is the directory created by hdfs file system.)
datanode path = //home/hadoop/hadoopinfra/hdfs/datanode

打开此文件，并在此文件中在 <configuration>、</configuration> 标记之间添加以下属性。

<configuration>
   <property>
      <name>dfs.replication</name>
      <value>1</value>
   </property>

   <property>
      <name>dfs.name.dir</name>
      <value>file:///home/hadoop/hadoopinfra/hdfs/namenode</value>
   </property>

   <property>
      <name>dfs.data.dir</name>
      <value>file:///home/hadoop/hadoopinfra/hdfs/datanode</value>
   </property>
</configuration>

Note: 在上述文件中，所有属性值都是用户定义的。您可以根据自己的 Hadoop 基础结构进行更改。

mapred-site.xml

此文件用于将 yarn 配置到 Hadoop 中。打开 mapred-site.xml 文件，并在此文件的 <configuration>、</configuration> 标记之间添加以下属性。

<configuration>
   <property>
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle</value>
   </property>
</configuration>

mapred-site.xml

此文件用于指定我们正在使用的哪个 MapReduce 框架。默认情况下，Hadoop 包含 mapred-site.xml 的模板。首先，需要使用以下命令将文件从 mapred-site.xml.template 复制到 mapred-site.xml 文件。

$ cp mapred-site.xml.template mapred-site.xml

打开 mapred-site.xml 文件，并在此文件中的 <configuration>、</configuration> 标记之间添加以下属性。

<configuration>
   <property>
      <name>mapreduce.framework.name</name>
      <value>yarn</value>
   </property>
</configuration>

Verifying Hadoop Installation

以下步骤用于验证 Hadoop 安装。

Step 1: Name Node Setup

使用命令 “hdfs namenode -format” 设置名称节点，如下所示：

$ cd ~
$ hdfs namenode -format

预期结果如下：

10/24/14 21:30:55 INFO namenode.NameNode: STARTUP_MSG:
/************************************************************
STARTUP_MSG: Starting NameNode
STARTUP_MSG: host = localhost/192.168.1.11
STARTUP_MSG: args = [-format]
STARTUP_MSG: version = 2.4.1
...
...
10/24/14 21:30:56 INFO common.Storage: Storage directory
/home/hadoop/hadoopinfra/hdfs/namenode has been successfully formatted.
10/24/14 21:30:56 INFO namenode.NNStorageRetentionManager: Going to retain
1 images with txid >= 0
10/24/14 21:30:56 INFO util.ExitUtil: Exiting with status 0
10/24/14 21:30:56 INFO namenode.NameNode: SHUTDOWN_MSG:
/************************************************************
SHUTDOWN_MSG: Shutting down NameNode at localhost/192.168.1.11
************************************************************/

Step 2: Verifying Hadoop dfs

以下命令用于启动 dfs。此命令将启动您的 Hadoop 文件系统。

$ start-dfs.sh

预期的输出如下：

10/24/14 21:37:56
Starting namenodes on [localhost]
localhost: starting namenode, logging to /home/hadoop/hadoop-
2.4.1/logs/hadoop-hadoop-namenode-localhost.out
localhost: starting datanode, logging to /home/hadoop/hadoop-
2.4.1/logs/hadoop-hadoop-datanode-localhost.out
Starting secondary namenodes [0.0.0.0]

Step 3: Verifying Yarn Script

以下命令用于启动 yarn 脚本。执行此命令将启动您的 yarn 守护程序。

$ start-yarn.sh

预期的输出如下：

starting yarn daemons
starting resource manager, logging to /home/hadoop/hadoop-2.4.1/logs/yarn-
hadoop-resourcemanager-localhost.out
localhost: starting node manager, logging to /home/hadoop/hadoop-
2.4.1/logs/yarn-hadoop-nodemanager-localhost.out

Step 4: Accessing Hadoop on Browser

访问 Hadoop 的默认端口号为 50070。使用以下 URL 在您的浏览器上获取 Hadoop 服务。

http://localhost:50070/
accessing hadoop

Step 5: Verify All Applications for Cluster

访问集群的所有应用程序的默认端口号为 8088。使用以下 URL 访问此服务。

http://localhost:8088/
applications for cluster

Downloading Mahout

可以在网站 Mahout 中找到 Mahout。从网站中提供的链接下载 Mahout。以下是网站的屏幕截图。

downloading mahout

Step 1

使用以下命令从链接 https://mahout.apache.org/general/downloads 下载 Apache mahout。

[Hadoop@localhost ~]$ wget
http://mirror.nexcess.net/apache/mahout/0.9/mahout-distribution-0.9.tar.gz

然后 mahout-distribution-0.9.tar.gz 将在您的系统中下载。

Step2

浏览 mahout-distribution-0.9.tar.gz 存储的文件夹，并按如下所示提取下载的 jar 文件。

[Hadoop@localhost ~]$ tar zxvf mahout-distribution-0.9.tar.gz

Maven Repository

以下是使用 Eclipse 构建 Apache Mahout 的 pom.xml。

<dependency>
   <groupId>org.apache.mahout</groupId>
   <artifactId>mahout-core</artifactId>
   <version>0.9</version>
</dependency>

<dependency>
   <groupId>org.apache.mahout</groupId>
   <artifactId>mahout-math</artifactId>
   <version>${mahout.version}</version>
</dependency>

<dependency>
   <groupId>org.apache.mahout</groupId>
   <artifactId>mahout-integration</artifactId>
   <version>${mahout.version}</version>
</dependency>