Spark加载PMML进行预测

软件版本:

CDH:5.8.0 , CDH-hadoop :2.6.0 ; CDH-spark :1.6.0 

目标:

使用Spark 加载PMML文件到模型,并使用Spark平台进行预测(这里测试使用的是Spark on YARN的方式)。

具体小目标:

1. 参考https://github.com/jpmml/jpmml-spark 实现,能运行简单例子;

2. 直接读取HDFS上面的输入数据文件,使用PMML生成的模型进行预测;

(第1点和第2点的不一样的地方体现在输入数据的构造上,可以参看下面的代码)

具体步骤:

1. 准备原始数据,原始数据包括PMML文件,以及测试数据;分别如下:

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<PMML version="4.2" xmlns="http://www.dmg.org/PMML-4_2">
    <Header description="linear SVM">
        <Application name="Apache Spark MLlib"/>
        <Timestamp>2016-11-16T22:17:47</Timestamp>
    </Header>
    <DataDictionary numberOfFields="4">
        <DataField name="field_0" optype="continuous" dataType="double"/>
        <DataField name="field_1" optype="continuous" dataType="double"/>
        <DataField name="field_2" optype="continuous" dataType="double"/>
        <DataField name="target" optype="categorical" dataType="string"/>
    </DataDictionary>
    <RegressionModel modelName="linear SVM" functionName="classification" normalizationMethod="none">
        <MiningSchema>
            <MiningField name="field_0" usageType="active"/>
            <MiningField name="field_1" usageType="active"/>
            <MiningField name="field_2" usageType="active"/>
            <MiningField name="target" usageType="target"/>
        </MiningSchema>
        <RegressionTable intercept="0.0" targetCategory="1">
            <NumericPredictor name="field_0" coefficient="-0.36682158807862086"/>
            <NumericPredictor name="field_1" coefficient="3.8787681305811765"/>
            <NumericPredictor name="field_2" coefficient="-1.6134308474471166"/>
        </RegressionTable>
        <RegressionTable intercept="0.0" targetCategory="0"/>
    </RegressionModel>
</PMML>
以上pmml文件是由一个svm模型构建的,其输入有三个字段,有一个目标输出,代表类别;

输入测试数据,如下:

field_0,field_1,field_2
98,97,96
1,2,7
这个数据由列名和数据组成,这里需要注意,列名需要和pmml里面的列名对应;

2. 把https://github.com/jpmml/jpmml-spark工程下载到本地,并添加如下代码:

package org.jpmml.spark;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.ml.Transformer;
import org.apache.spark.sql.*;
import org.jpmml.evaluator.Evaluator;

public class SVMEvaluationSparkExample {

	static
	public void main(String... args) throws Exception {

		if(args.length != 3){
			System.err.println("Usage: java " + SVMEvaluationSparkExample.class.getName() + " <PMML file> <Input file> <Output directory>");

			System.exit(-1);
		}
        /**
         * 根据pmml文件,构建模型
         */
        FileSystem fs = FileSystem.get(new Configuration());
        Evaluator evaluator = EvaluatorUtil.createEvaluator(fs.open(new Path(args[0])));

        TransformerBuilder modelBuilder = new TransformerBuilder(evaluator)
                .withTargetCols()
                .withOutputCols()
                .exploded(true);

        Transformer transformer = modelBuilder.build();

        /**
         * 利用DataFrameReader从原始数据中构造 DataFrame对象
         * 需要原始数据包含列名
         */
        SparkConf conf = new SparkConf();
        try(JavaSparkContext sparkContext = new JavaSparkContext(conf)){

            SQLContext sqlContext = new SQLContext(sparkContext);

            DataFrameReader reader = sqlContext.read()
                    .format("com.databricks.spark.csv")
                    .option("header", "true")
                    .option("inferSchema", "true");
            DataFrame dataFrame = reader.load(args[1]);// 输入数据需要包含列名

            /**
             * 使用模型进行预测
             */
            dataFrame = transformer.transform(dataFrame);

            /**
             * 写入数据
             */
            DataFrameWriter writer = dataFrame.write()
                    .format("com.databricks.spark.csv")
                    .option("header", "true");

            writer.save(args[2]);
        }
	}
}
这个代码主要实现的是小目标1,即参考jpmml-spark工程给的示例,编写代码;代码有四个部分,第一部分读取HDFS上面的PMML文件,然后构建模型;第二部分使用DataFrameReader根据输入数据构建DataFrame数据结构;第三部分,使用模型对构造的DataFrame数据进行预测;第四部分,把预测的结果写入HDFS。

注意里面在构造数据的时候.option("header","true")是一定要加的,原因如下:1)原始数据中确实有列名;2)如果这里不加,那么将读取不到列名的相关信息,将不能和模型中的列名对应;(当然,下面有其他方法处理这种情况)。

3. 上传测试数据以及pmml文件到HDFS,进行测试,代码如下:

spark-submit --master yarn --class org.jpmml.spark.SVMEvaluationSparkExample /opt/tmp/example-1.0-SNAPSHOT.jar hdfs://quickstart.cloudera:8020/tmp/svm/part-00000 sample_test_data.txt sample_out00
其中,example-1.0-SNAPSHOT.jar 是编译后的jar包;/tmp/svm/part-00000时svm模型的pmml文件;sample_test_data.txt 是测试数据;sample_out00是输出目录;

查看结果:


根据输出的结果,也可以看出预测结果是对的。

4. 如何实现小目标2呢?

编写代码:

/*
 * Copyright (c) 2015 Villu Ruusmann
 *
 * This file is part of JPMML-Spark
 *
 * JPMML-Spark is free software: you can redistribute it and/or modify
 * it under the terms of the GNU Affero General Public License as published by
 * the Free Software Foundation, either version 3 of the License, or
 * (at your option) any later version.
 *
 * JPMML-Spark is distributed in the hope that it will be useful,
 * but WITHOUT ANY WARRANTY; without even the implied warranty of
 * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
 * GNU Affero General Public License for more details.
 *
 * You should have received a copy of the GNU Affero General Public License
 * along with JPMML-Spark.  If not, see <http://www.gnu.org/licenses/>.
 */
package org.jpmml.spark;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.ml.Transformer;
import org.apache.spark.sql.*;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import org.dmg.pmml.FieldName;
import org.jpmml.evaluator.Evaluator;

import java.util.ArrayList;
import java.util.List;

//import org.jpmml.evaluator.FieldValue;

public class EvaluationSparkExample {

	static
	public void main(String... args) throws Exception {

		if(args.length != 3){
			System.err.println("Usage: java " + EvaluationSparkExample.class.getName() + " <PMML file> <Input file> <Output directory>");

			System.exit(-1);
		}

        /**
         * 构造模型
        */
        FileSystem fs = FileSystem.get(new Configuration());
        Evaluator evaluator = EvaluatorUtil.createEvaluator(fs.open(new Path(args[0])));

        TransformerBuilder modelBuilder = new TransformerBuilder(evaluator)
                .withTargetCols()
                .withOutputCols()
                .exploded(true);
        Transformer transformer = modelBuilder.build();

        /**
         * 构造列名,schema
         */
        List<StructField> fields = new ArrayList<>();
        for (FieldName fieldName: evaluator.getActiveFields()) {
            fields.add(DataTypes.createStructField(fieldName.getValue(), DataTypes.StringType, true));
        }
        StructType schema = DataTypes.createStructType(fields);

        /**
         * 原始数据构造成DataFrame
         */
        SparkConf conf = new SparkConf();
        final String splitter = ",";
        try(JavaSparkContext sparkContext = new JavaSparkContext(conf)){
            JavaRDD<Row> data = sparkContext.textFile(args[1]).map(new Function<String, Row>() {
                @Override
                public Row call(String line) throws Exception {
                    String[] lineArr = line.split(splitter,-1);
                    return  RowFactory.create(lineArr);
                }
            });

            SQLContext sqlContext = new SQLContext(sparkContext);
            DataFrame dataFrame = sqlContext.createDataFrame(data, schema);

            /**
             * 预测,并生成新的DataFrame
             */
            dataFrame = transformer.transform(dataFrame);

            /**
             * 把评估后的数据写入HDFS,不要写入列名
             */
            DataFrameWriter writer = dataFrame.write()
                    .format("com.databricks.spark.csv");
            writer.save(args[2]);

        }
	}
}
这个代码和上一个代码的不同之处只是从原始测试数据中构造DataFrame不同,这里使用的PMML模型中的列名信息,代码参考:http://spark.apache.org/docs/1.6.0/sql-programming-guide.html#interoperating-with-rdds;同时,这时,原始测试数据就不需要再添加列名信息了。由于在代码中,在输出的时候也把列名信息给去掉了,所以只输出数据。运行后,其结果如下所示:


其调用代码如下所示:

spark-submit --master yarn --class org.jpmml.spark.EvaluationSparkExample /opt/tmp/example-1.0-SNAPSHOT.jar hdfs://quickstart.cloudera:8020/tmp/svm/part-00000 sample_test_data1.txt sample_out02
其中,sample_test_data1.txt是没有列名的数据。


分享,成长,快乐

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


阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页