【甘道夫】怎样在cdh5.2上执行mahout的itemcf on hadoop

环境：

hadoop-2.5.0-cdh5.2.0

mahout-0.9-cdh5.2.0

---

步骤：

基本思路是，将mahout下的全部jar包都引入hadoop的classpath就可以，所以改动了$HADOOP_HOME/etc/hadoop/hadoop-env.sh，加入例如以下代码将mahout的全部jar包引入hadoop的classpath：

for b in $MAHOUT_HOME/lib/*.jar; do

  if [ "$HADOOP_CLASSPATH" ]; then

    export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$b

  else

    export HADOOP_CLASSPATH=$b

  fi

done

for c in $MAHOUT_HOME/*.jar; do

  if [ "$HADOOP_CLASSPATH" ]; then

    export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$c

  else

    export HADOOP_CLASSPATH=$c

  fi

done

加入完代码，准备好基础数据，上传好jar包后，运行命令：

hadoop jar gul-itemcf-hadoop.jar ItemCFHadoop

注意：

该jar包没有包括全部的依赖包，仅包括了mapreduce类。

用maven添加全部依赖包的做法会导致终于的jar包十分臃肿，这种做法是十分不优雅的，而且会添加网络和内存的负担。所以放弃。

---

遇到问题

顺利完毕第一个job的运行，从第二个job開始，先抛出例如以下异常

Error: java.lang.ClassNotFoundException:  org.apache.mahout.math.Vector

然后抛出例如以下异常

Exception in thread "main" java.io.FileNotFoundException: File does not exist: /RecommenderSystem/                               JiLinSMEPSP/RecommenderEngine/Service/GuessULike/tmp/1414042683946/preparePreferenceMatrix/numUser                               s.bin

看到第一条错误相信大家都明确，这是 hadoop没有识别到第三方（mahout）依赖jar包的问题。

---

解决思路

首先能确定，向 $HADOOP_HOME/etc/hadoop/hadoop-env.sh中加入HADOOP_CLASSPATH的方法是好使的，由于去掉最開始加入的语句后。连mahout的cf相关class都识别不到，可是，为什么仅仅识别了一部分呢？难道是冲突？

随后，我也饶了一些弯路，參照网上众多大神的招数，比方将jar包拷到$HADOOP_HOME/lib，但全部招数都不好使，最后思路还是回到“包冲突”思路上来。

---

终极解决方式

通过对照$MAHOUT_HOME下的几个jar包得知。 mahout-core-0.9-cdh5.2.0-job.jar包括了全部运行job须要用到的class。而且和mahout-math-0.9-cdh5.2.0.jar都反复包括了 org.apache.mahout.math.Vector ，看来就是冲突导致的不识别该class，所以。终极解决方式非常easy，在 $HADOOP_HOME/etc/hadoop/hadoop-env.sh中 引入一个jar包就可以：

export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$MAHOUT_HOME/mahout-core-0.9-cdh5.2.0-job.jar

然后，程序成功运行，世界一片光明！