一个基于Mahout与hadoop的聚类搭建

转自：http://beneo.iteye.com/blog/1179331

mahout是基于hadoop的数据挖掘工具，因为有了hadoop，所以进行海量数据的挖掘工作显得更为简单。但是因为算法需要支持M/R，所以不是所有常用的数据挖掘算法都会支持。这篇文章会告诉你，如何使用hadoop + mahout搭出一个简易的聚类工具。 

    第一步：搭建hadoop平台。 

我使用的是ubuntu 11.04，如果没有ubuntu的开发环境，就参考我的帖子《Ubuntu 10.10 java 开发环境》 

    #1 在ubuntu下面建立一个用户组与用户 

Java代码  

1. beneo@ubuntu:~$ sudo addgroup hadoop  
2. beneo@ubuntu:~$ sudo adduser --ingroup hadoop hduser  

    #2 安装ssh-server  

Java代码  

1. beneo@ubuntu:~$ sudo apt-get install ssh  
2. beneo@ubuntu:~$ su - hduser  
3. hduser@ubuntu:~$ ssh-keygen -t rsa -P ""  
4. hduser@ubuntu:~$ cat $HOME/.ssh/id_rsa.pub >> $HOME/.ssh/authorized_keys  

    #3 验证ssh通信  

Java代码  

1. hduser@ubuntu:ssh localhost  

ssh localhost 后，选择 yes，如果没有问题，就可以安装hadoop了 
   
    #4 添加java_home  
修改conf/hadoop-env.sh文件，让JAVA_HOME指向正确的地址 

    #5 修改下面的配置  
conf/core-site.xml: 

Java代码  

1. <configuration>  
2.      <property>  
3.          <name>fs.default.name</name>  
4.          <value>hdfs://localhost:9000</value>  
5.      </property>  
6. </configuration>  

conf/hdfs-site.xml: 

Java代码  

1. <configuration>  
2.      <property>  
3.          <name>dfs.replication</name>  
4.          <value>1</value>  
5.      </property>  
6. </configuration>  

conf/mapred-site.xml: 

Java代码  

1. <configuration>  
2.      <property>  
3.          <name>mapred.job.tracker</name>  
4.          <value>localhost:9001</value>  
5.      </property>  
6. </configuration>  

     #6 Format a new distributed-filesystem:  

Java代码  

1. $ bin/hadoop namenode -format  

     #7 Start the hadoop daemons:  

Java代码  

1. $ bin/start-all.sh  

     #8 验证启动成功没有  

Java代码  

1. $ jps  

数一下有没有6个，没有的话，删除logs下面的文件，然后从#6开始 

     #9 别慌，先打开网页，打不开，等！！！  

Java代码  

1. NameNode - http://localhost:50070/  
2. JobTracker - http://localhost:50030/  

第一步搭建hadoop结束 

     第二步，Mahout的配置  

     #1 下载Mahout,解压  
     #2 .bash_profile里面设置HADOOP_HOME  
     #3 mahout/bin/mahout 看看打印结果  

     第三步，做一个聚类的demo吧  

我的聚类是文本 -> lucene index -> mahout -> clustering dumper 
可以选择的是 sequeneceFile -> mahout -> clustering dumper 

我直接贴代码吧，用的是groovy，可能写的不好 
     #1 text -> lucene index  

Java代码  

1. def assembleDoc = {  
2.     label, content ->  
3.     assert !label.toString().trim().empty  
4.     assert !content.toString().trim().empty  
5.   
6.     def doc = new Document()  
7.     doc.add(new Field("label", label, Field.Store.YES, Field.Index.NOT_ANALYZED))  
8.     doc.add(new Field("content", content, Field.Store.NO, Field.Index.ANALYZED, TermVector.YES))  
9.     doc  
10. }  
11.   
12. def mockContent = {  
13.     def set = []  
14.     new File("""/home/beneo/text.txt""").newReader().eachLine {  
15.         String line ->  
16.         set << line  
17.     }  
18.     set  
19. }  
20.   
21.   
22. def mockExpandoSet = {  
23.   
24.     def lst = []  
25.   
26.     mockContent()?.each {  
27.         content ->  
28.         // 过滤掉所有非中文字符  
29.         def line = content.replaceAll("[^\u4e00-\u9fa5]+", "")  
30.         if (line != null && line.trim().length() > 2) {  
31.             println(content)  
32.             def expando = new Expando()  
33.             expando.label = content  
34.             expando.content = line  
35.             lst << expando  
36.         }  
37.     }  
38.     lst  
39. }  
40.   
41. //创建一个dic  
42. def directory = FSDirectory.open(new File("""/home/beneo/index"""), NoLockFactory.getNoLockFactory())  
43. // 用的是 IK分词  
44. def analyzer = new IKAnalyzer()  
45. //创建一个indexWriter，这个wirter就是用来产生出index  
46. def indexWriter = new IndexWriter(directory, analyzer, true, IndexWriter.MaxFieldLength.UNLIMITED)  
47.   
48. //从本地获得文本  
49. mockExpandoSet().each {  
50.     expando ->  
51.     indexWriter.addDocument(assembleDoc(expando.label, expando.content))  
52. }  
53.   
54. indexWriter.commit()  
55. indexWriter.close()  
56. directory.close()  

         

     #2 lucene index -> mahout vector 

Java代码  

1. mahout/bin/mahout lucene.vector -d index/ -i label -o tmp/vector/vector -f content -t tmp/vector/dict -n 2  

  
     #3 mahout vector -> mahout canopy  

Java代码  

1. mahout/bin/mahout canopy -i tmp/vector/vector -o tmp/canopy/ -dm org.apache.mahout.common.distance.CosineDistanceMeasure -t1 0.32 -t2 0.08 -ow  

     #4 mahout canopy -> mahout kmeans  

Java代码  

1. mahout/bin/mahout kmeans -i tmp/vector/vector -c tmp/canopy/clusters-0/ -dm org.apache.mahout.common.distance.CosineDistanceMeasure -o tmp/kmeans/ -cd 0.001 -x 10 -ow -cl  

    
    #5 mahout keamns -> 结果分析  

Java代码  

1. String seqFileDir = "/home/hduser/tmp/kmeans/clusters-2/"  
2. String pointsDir = "/home/hduser/tmp/kmeans/clusteredPoints/"  
3.   
4. def conf = new Configuration()  
5.   
6. FileSystem fs = new Path(seqFileDir).getFileSystem(conf)  
7.   
8. Map<Integer, List<WeightedVectorWritable>> clusterIdToPoints = readPoints(new Path(pointsDir), new Configuration());  
9.   
10. for (FileStatus seqFile: fs.globStatus(new Path(seqFileDir, "part-*"))) {  
11.     Path path = seqFile.getPath()  
12.   
13.     SequenceFile.Reader reader = new SequenceFile.Reader(fs, path, conf);  
14.   
15.     org.apache.hadoop.io.Writable key = reader.getKeyClass().asSubclass(org.apache.hadoop.io.Writable.class).newInstance();  
16.     org.apache.hadoop.io.Writable value = reader.getValueClass().asSubclass(org.apache.hadoop.io.Writable.class).newInstance();  
17.   
18.     while (reader.next(key, value)) {  
19.         Cluster cluster = (Cluster) value;  
20.         int id = cluster.getId()  
21.         int np = cluster.getNumPoints()  
22.   
23.         List<WeightedVectorWritable> points = clusterIdToPoints.get(cluster.getId());  
24.         if (points != null && points.size() > 4) {  
25.             for (Iterator<WeightedVectorWritable> iterator = points.iterator(); iterator.hasNext();) {  
26.                 println(((NamedVector) iterator.next().getVector()).getName())  
27.             }  
28.             println "======================================"  
29.         }  
30.     }  
31. }  
32.   
33.   
34. private static Map<Integer, List<WeightedVectorWritable>> readPoints(Path pointsPathDir, Configuration conf)  
35. throws IOException {  
36.     Map<Integer, List<WeightedVectorWritable>> result = new TreeMap<Integer, List<WeightedVectorWritable>>();  
37.   
38.     FileSystem fs = pointsPathDir.getFileSystem(conf);  
39.     FileStatus[] children = fs.listStatus(pointsPathDir, new PathFilter() {  
40.         @Override  
41.         public boolean accept(Path path) {  
42.             String name = path.getName();  
43.             return !(name.endsWith(".crc") || name.startsWith("_"));  
44.         }  
45.     });  
46.   
47.     for (FileStatus file: children) {  
48.         Path path = file.getPath();  
49.         SequenceFile.Reader reader = new SequenceFile.Reader(fs, path, conf);  
50.   
51.         IntWritable key = reader.getKeyClass().asSubclass(IntWritable.class).newInstance();  
52.         WeightedVectorWritable value = reader.getValueClass().asSubclass(WeightedVectorWritable.class).newInstance();  
53.         while (reader.next(key, value)) {  
54.             // value is the cluster id as an int, key is the name/id of the  
55.             // vector, but that doesn't matter because we only care about printing  
56.             // it  
57.             // String clusterId = value.toString();  
58.             List<WeightedVectorWritable> pointList = result.get(key.get());  
59.             if (pointList == null) {  
60.                 pointList = new ArrayList<WeightedVectorWritable>();  
61.                 result.put(key.get(), pointList);  
62.             }  
63.             pointList.add(value);  
64.             value = reader.getValueClass().asSubclass(WeightedVectorWritable.class).newInstance();  
65.         }  
66.   
67.     }  
68.   
69.     return result;  
70. }  

效果我就不展示了