RHadoop安装与使用

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，2.14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 -aLinux domU-00-16-3e-00-00-85 3.2.0-23-generic #36-Ubuntu SMP Tue Apr 10 20:39:51 UTC 2012 x86_64 x86_64 x86_64 GNU/Linux

2 JAVA环境

~ java -versionjava 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 ComputingISBN 3-900051-07-0Platform: 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/ubuntu precise/ >>/etc/apt/sources.list"apt-get updateapt-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-2.1.0rhdfs-1.0.5rhbase-1.1

2. 复制到/root/R目录

~/R# pwd/root/R~/R# lsrhbase_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~ export HADOOP_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: rJavaHADOOP_CMD=/root/hadoop/hadoop-1.0.3/bin/hadoopBe sure to run hdfs.init()> hdfs.init()

1.1 命令查看hadoop目录

~ hadoop fs -ls /userFound 4 itemsdrwxr-xr-x   - root supergroup          0 2013-02-01 12:15 /user/conandrwxr-xr-x   - root supergroup          0 2013-03-06 17:24 /user/hdfsdrwxr-xr-x   - root supergroup          0 2013-02-26 16:51 /user/hivedrwxr-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        file1 drwxr-xr-x  root supergroup    0 2013-02-01 12:15 /user/conan2 drwxr-xr-x  root supergroup    0 2013-03-06 17:24  /user/hdfs3 drwxr-xr-x  root supergroup    0 2013-02-26 16:51  /user/hive4 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-0000010,3,tsinghua university,2004-05-26 15:21:00.023,4007,北京第一七一中学,2004-05-31 06:51:53.051,4016,大连理工大学,2004-05-27 09:38:31.089,4017,Amherst College,2004-06-01 16:18:56.092,4017,斯坦福大学,2012-11-28 10:33:25.099,4017,Stanford University Graduate School of Business,2013-02-19 12:17:15.0113,4017,Stanford University,2013-02-19 12:17:15.0123,4019,St Paul's Co-educational College - Hong Kong,2004-05-27 18:04:17.0138,4019,香港苏浙小学,2004-05-27 18:59:58.0172,4020,University,2004-05-27 19:14:34.0182,4026,ff,2004-05-28 04:42:37.0183,4026,ff,2004-05-28 04:42:37.0189,4033,tsinghua,2011-09-14 12:00:38.0195,4035,ba,2004-05-31 07:10:24.0196,4035,ma,2004-05-31 07:10:24.0197,4035,southampton university,2013-01-07 15:35:18.0246,4067,美国史丹佛大学,2004-06-12 10:42:10.0254,4067,美国史丹佛大学,2004-06-12 10:42:10.0255,4067,美国休士顿大学,2004-06-12 10:42:10.0257,4068,清华大学,2004-06-12 10:42:10.0258,4068,北京八中,2004-06-12 17:34:02.0262,4068,香港中文大学,2004-06-12 17:34:02.0310,4070,首都师范大学初等教育学院,2004-06-14 15:35:52.0312,4070,北京师范大学经济学院,2004-06-14 15:35:52.0

1.4 rhdfs查看hadoop数据文件

>  hdfs.cat("/user/hdfs/o_same_school/part-m-00000") [1] "10,3,tsinghua university,2004-05-26 15:21:00.0" [2] "23,4007,北京第一七一中学,2004-05-31 06:51:53.0" [3] "51,4016,大连理工大学,2004-05-27 09:38:31.0" [4] "89,4017,Amherst College,2004-06-01 16:18:56.0" [5] "92,4017,斯坦福大学,2012-11-28 10:33:25.0" [6] "99,4017,Stanford University Graduate School of Business,2013-02-19 12:17:15.0" [7] "113,4017,Stanford University,2013-02-19 12:17:15.0" [8] "123,4019,St Paul's Co-educational College - Hong Kong,2004-05-27 18:04:17.0" [9] "138,4019,香港苏浙小学,2004-05-27 18:59:58.0"[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: RcppLoading required package: RJSONIOLoading required package: digestLoading required package: functionalLoading required package: stringrLoading required package: plyrLoading 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-hadoop library13/03/07 12:12:55 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library13/03/07 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=null13/03/07 12:12:59 INFO mapred.FileInputFormat: Total input paths to process : 113/03/07 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_029313/03/07 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 -kill job_201302261738_029313/03/07 12:12:59 INFO streaming.StreamJob: Tracking URL: http://192.168.1.243:50030/jobdetails.jsp?jobid=job_201302261738_029313/03/07 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_029313/03/07 12:13:21 INFO streaming.StreamJob: Output: /tmp/RtmpWnzxl4/file5deb791fcbd5> from.dfs("/tmp/RtmpWnzxl4/file5deb791fcbd5")$keyNULL$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=null13/03/07 12:34:41 INFO util.NativeCodeLoader: Loaded the native-hadoop library13/03/07 12:34:41 WARN snappy.LoadSnappy: Snappy native library not loaded13/03/07 12:34:41 INFO mapred.FileInputFormat: Total input paths to process : 113/03/07 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_029613/03/07 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_029613/03/07 12:34:41 INFO streaming.StreamJob: Tracking URL: http://192.168.1.243:50030/jobdetails.jsp?jobid=job_201302261738_029613/03/07 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_029613/03/07 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 2 1 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