Mahout详细安装过程

转自：http://hi.baidu.com/pakko/blog/item/e3d2228bd72a7a05c9fc7a71.html

1、jdk安装

1.1、到官网下载相关的JDK

下载地址：http://www.oracle.com/technetwork/java/javase/downloads/index.html

1.2、打开“终端”

输入：sh jdk-6u24-linux-i586.bin 

1.3、设置JAVA_HOME环境系统变量

输入：

vi /etc/environment  

在文件中添加：

export JAVA_HOME=/root/jdk1.6.0_24 

export JRE_Home=/root/jdk1.6.0_24/jre 

export CLASSPATH=$CLASSPATH:$JAVA_HOME/lib:$JAVA_HOME/jre/lib  

同样，修改第二个文件。输入：

vi /etc/profile  

在umask 022之前添加以下语句：

export JAVA_HOME=/root/jdk1.6.0_24 

export JRE_Home=/root/jdk1.6.0_24/jre 

export CLASSPATH=$CLASSPATH:$JAVA_HOME/lib:$JAVA_HOME/jre/lib  

export PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATH:$HOME/bin  

1.4、注销用户，检测JDK版本。

输入：

java -version 

2、集群环境介绍

集群包含三个节点：1 个 namenode，2 个 datanode，节点之间局域网连接，可以相互 ping 通。节点 IP 地址分布如下：

Namenode:  [email protected]

Datanode1:  slave1 @192.168.1.20

Datanode2:  [email protected]

三台节点上均是CentOS系统，Hadoop在/root/hadoop/目录下。

在/etc/hosts上添加主机名和相应的IP地址：

192.168.1.10master

192.168.1.20slave1

192.168.1.21slave2

3、SSH无密码验证配置

 2.1 Hadoop 需要使用SSH 协议，namenode 将使用SSH 协议启动 namenode和datanode 进程，伪分布式模式数据节点和名称节点均是本身，必须配置 SSH localhost无密码验证。

    用root用户登录，在家目录下执行如下命令：ssh-keygen -t rsa 

[root@master ~]# ssh-keygen -t  rsa

Generating public/private rsa key pair.

Enter file in which to save the key (/root/.ssh/id_rsa):  & 按回车默认路径 &

Created directory '/root/.ssh'.  &创建/root/.ssh目录&

Enter passphrase (empty for no passphrase):

Enter same passphrase again: 

Your identification has been saved in /root/.ssh/id_rsa.

Your public key has been saved in /root/.ssh/id_rsa.pub.

The key fingerprint is:

c6:7e:57:59:0a:2d:85:49:23:cc:c4:58:ff:db:5b:38 root@master

通过以上命令将在/root/.ssh/ 目录下生成id_rsa私钥和id_rsa.pub公钥。进入/root/.ssh目录在namenode节点下做如下配置：

[root@master .ssh]# cat id_rsa.pub > authorized_keys

[root@master .ssh]# scp  authorized_keys 192.168.1.20:/root/.ssh/

[root@master .ssh]# scp  authorized_keys 192.168.1.21:/root/.ssh/

配置完毕，可通过ssh 本机IP 测试是否需要密码登录。

2.2 和namenode无密码登录所有Datanode原理一样，把Datanode的公钥复制到

Namenode的.ssh目录下。

[root@slave1 .ssh]# scp  authorized_keys1  192.168.1.10:/root /.ssh

[root@ slave2.ssh]# scp  authorized_keys2  192.168.1.10:/root /.ssh

将刚传过来的authorized_keys1、2加入到authorized_keys

[root@ master.ssh]# cat  authorized_keys1 > authorized_keys

[root@ master.ssh]# cat  authorized_keys2 > authorized_keys

这样也能在Datanode上关闭和启动Hadoop服务。

4、 Hadoop配置

下载 hadoop-0.20.2.tar.gz， 进行解压。

tar zxvf  hadoop-0.20.2.tar.gz

修改/etc/profile，加入如下：

# set hadoop path

export HADOOP_HOME=/root/hadoop

export PATH=$HADOOP_HOME/bin:$PATH

4.1、进入hadoop/conf， 配置Hadoop配置文件

4.1.1 配置hadoop-env.sh文件

添加 # set java environment

             export JAVA_HOME=/root/jdk1.6.0_24

编辑后保存退出。

4.1.2 配置core-site.xml

# vi core-site.xml

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

   <property>

     <name>fs.default.name</name>

     <value>hdfs://192.168.1.10:9000/</value>

   </property>

   <property>

     <name>hadoop.tmp.dir</name>

     <value>/root/hadoop/hadooptmp</value>

   </property>

</configuration>

4.1.3 配置hdfs-site.xml

# vi  hdfs-site.xml

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

  <property>

     <name>dfs.name.dir</name>

     <value>/root/hadoop/hdfs/name</value>

  </property>

  <property>

     <name>dfs.data.dir</name>

     <value>/root/hadoop/hdfs/data</value>

  </property>

  <property>

     <name>dfs.replication</name>

     <value>3</value>

  </property>

</configuration>

4.1.4 配置mapred-site.xml

# vi mapred-site.xml

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

  <property>

     <name>mapred.job.tracker</name>

     <value>192.168.1.10:9001</value>

  </property>

  <property>

     <name>mapred.local.dir</name>

     <value>/root/hadoop/mapred/local</value>

  </property>

  <property>

     <name>mapred.system.dir</name>

     <value>/tmp/hadoop/mapred/system</value>

  </property>

</configuration> 

4.1.5 配置masters

# vi masters

192.168.1.10

4.1.6 配置slaves

#vi slaves

192.168.1.20

192.168.1.21

4.2、 Hadoop启动

4.2.1 进入 /root/hadoop/bin目录下，格式化namenode

#./hadoop namenode –format

4.2.2 启动hadoop所有进程

在/root/hadoop/bin 目录下，执行start-all.sh命令

启动完成后，可用jps命令查看hadoop进程是否启动完全。正常情况下应该有如下进程：

10910 NameNode

11431 Jps

11176 SecondaryNameNode

11053 DataNode

11254 JobTracker

11378 TaskTracker  

我在搭建过程中，在此环节出现的问题最多，经常出现启动进程不完整的情况，要不是datanode无法正常启动，就是namenode或是TaskTracker启动异常。解决的方式如下：

1）在Linux下关闭防火墙：使用service iptables stop命令；

2）再次对namenode进行格式化：在/root/hadoop/bin 目录下执行hadoop namenode -format命令

3）对服务器进行重启

4）查看datanode或是namenode对应的日志文件，日志文件保存在/root/hadoop/logs目录下。

5）再次在/bin目录下用start-all.sh命令启动所有进程，通过以上的几个方法应该能解决进程启动不完全的问题了。

4.2.3  查看集群状态

在 bin目录下执行：hadoop dfsadmin  -report

# hadoop dfsadmin –report

4.3 在WEB页面下查看Hadoop工作情况

打开IE浏览器输入部署Hadoop服务器的IP：

http://localhost:50070

http://localhost:50030。

5、Hadop使用

一个测试例子wordcount

计算输入文本中词语数量的程序。WordCount在Hadoop主目录下的java程序包hadoop-0.20.2-examples.jar 中，执行步骤如下：

在/root/hadoop/bin/目录下进行如下操作：

./hadoop fs -mkdir  input(新建目录名称，可任意命名)

mkdir /root/a/

vi /root/a/a.txt

写入hello world hello

#hadoop fs -copyFromLocal /root/a/ input

在/root/hadoop/bin下执行：

#./hadoop jar hadoop-0.20.2-examples.jar wordcount input output (提交作业，此处需注意input与output是一组任务，下次再执行wordcount程序，还要新建目录intput1与output1不能跟input与output重名)

6、Maven安装

6.1下载Maven

解压tar vxzf apache-maven-3.0.2-bin.tar.gz

mv apache-maven-3.0.2 /root/maven

6.2  vi ~/.bashrc

添加如下两行

export M3_HOME=/root/maven

export PATH=${M3_HOME}/bin:${PATH}

6.3 先logout，之后再login

查看maven版本，看是否安装成功

mvn -version

7、安装mahout

安装方法见：

https://cwiki.apache.org/confluence/display/MAHOUT/BuildingMahout

8、hadoop集群来执行聚类算法

8.1数据准备

cd /root/hadoop

wget http://archive.ics.uci.edu/ml/databases/synthetic_control/synthetic_control.data

8.2 ./hadoop fs -mkdir testdata

./hadoop fs -put synthetic_control.data testdata

./hadoop fs -lsr testdata

bin/hadoop jar /root/mahout/mahout-examples-0.4-job.jar org.apache.mahout.clustering.syntheticcontrol.kmeans.Job

8.3查看一下结果吧

bin/mahout vectordump --seqFile /user/root/output/data/part-r-00000

这个直接把结果显示在控制台上。

9、hadoop集群来执行推荐算法

分布式

bin/hadoop jar /root/trunk/mahout-distribution-0.4/mahout-core-0.4-job.jar org.apache.mahout.cf.taste.hadoop.item.RecommenderJob -Dmapred.map.tasks=3 -Dmapred.reduce.tasks=3 -Dmapred.input.dir=testdata/100wan.txt -Dmapred.output.dir=output2

伪分布式

bin/hadoop jar /root/trunk/mahout-distribution-0.4/mahout-core-0.4-job.jar org.apache.mahout.cf.taste.hadoop.pseudo.RecommenderJob --recommenderClassName org.apache.mahout.cf.taste.impl.recommender.slopeone.SlopeOneRecommender -Dmapred.input.dir=testdata/10wan.dat -Dmapred.output.dir=output_w10wan

10、其他

离开安全模式：hadoop dfsadmin -safemode leave