original link:http://blog.fens.me/hadoop-mahout-maven-eclipse/
用Maven構建Mahout項目
Hadoop家族系列文章，主要介紹Hadoop家族產品，常用的項目包括Hadoop, Hive, Pig, HBase, Sqoop, Mahout, Zookeeper, Avro, Ambari, Chukwa，新增加的項目包括，YARN, Hcatalog, Oozie, Cassandra, Hama, Whirr, Flume, Bigtop, Crunch, Hue等。
從2011年開始，中國進入大數據風起雲涌的時代，以Hadoop爲代表的家族軟件，佔據了大數據處理的廣闊地盤。開源界及廠商，所有數據軟件，無一不向Hadoop靠攏。Hadoop也從小衆的高富帥領域，變成了大數據開發的標準。在Hadoop原有技術基礎之上，出現了Hadoop家族產品，通過“大數據”概念不斷創新，推出科技進步。
作爲IT界的開發人員，我們也要跟上節奏，抓住機遇，跟着Hadoop一起雄起！
前言
基於Hadoop的項目，不管是MapReduce開發，還是Mahout的開發都是在一個複雜的編程環境中開發。Java的環境問題，是困擾着每個程序員的噩夢。Java程序員，不僅要會寫Java程序，還要會調linux，會配hadoop，啓動hadoop，還要會自己運維。所以，新手想玩起Hadoop真不是件簡單的事。
不過，我們可以儘可能的簡化環境問題，讓程序員只關注於寫程序。特別是像算法程序員，把精力投入在算法設計上，要比花時間解決環境問題有價值的多。
目錄
Maven介紹和安裝
Mahout單機開發環境介紹
用Maven構建Mahout開發環境
用Mahout實現協同過濾userCF
用Mahout實現kmeans
模板項目上傳github
1. Maven介紹和安裝
請參考文章：用Maven構建Hadoop項目
開發環境
Win7 64bit
Java 1.6.0_45
Maven 3
Eclipse Juno Service Release 2
Mahout 0.6
這裏要說明一下mahout的運行版本。
mahout-0.5, mahout-0.6, mahout-0.7，是基於hadoop-0.20.2x的。
mahout-0.8, mahout-0.9，是基於hadoop-1.1.x的。
mahout-0.7，有一次重大升級，去掉了多個算法的單機內存運行，並且了部分API不向前兼容。
注：本文關注於“用Maven構建Mahout的開發環境”，文中的 2個例子都是基於單機的內存實現，因此選擇0.6版本。Mahout在Hadoop集羣中運行會在下一篇文章介紹。
2. Mahout單機開發環境介紹
如上圖所示，我們可以選擇在win中開發，也可以在linux中開發，開發過程我們可以在本地環境進行調試，標配的工具都是Maven和Eclipse。
3. 用Maven構建Mahout開發環境
1. 用Maven創建一個標準化的Java項目
2. 導入項目到eclipse
3. 增加mahout依賴，修改pom.xml
4. 下載依賴
1). 用Maven創建一個標準化的Java項目
~ D:\workspace\java>mvn archetype:generate -DarchetypeGroupId=org.apache.maven.archetypes -DgroupId=org.conan.mymahout -DartifactId=myMahout -DpackageName=org.conan.mymahout -Dversion=1.0-SNAPSHOT -DinteractiveMode=false
進入項目，執行mvn命令
~ D:\workspace\java>cd myMahout ~ D:\workspace\java\myMahout>mvn clean install
2). 導入項目到eclipse
我們創建好了一個基本的maven項目，然後導入到eclipse中。 這裏我們最好已安裝好了Maven的插件。
3). 增加mahout依賴，修改pom.xml
這裏我使用hadoop-0.6版本，同時去掉對junit的依賴，修改文件：pom.xml
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>org.conan.mymahout</groupId>
<artifactId>myMahout</artifactId>
<packaging>jar</packaging>
<version>1.0-SNAPSHOT</version>
<name>myMahout</name>
<url>http://maven.apache.org</url>
<properties>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<mahout.version>0.6</mahout.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.mahout</groupId>
<artifactId>mahout-core</artifactId>
<version>${mahout.version}</version>
</dependency>
<dependency>
<groupId>org.apache.mahout</groupId>
<artifactId>mahout-integration</artifactId>
<version>${mahout.version}</version>
<exclusions>
<exclusion>
<groupId>org.mortbay.jetty</groupId>
<artifactId>jetty</artifactId>
</exclusion>
<exclusion>
<groupId>org.apache.cassandra</groupId>
<artifactId>cassandra-all</artifactId>
</exclusion>
<exclusion>
<groupId>me.prettyprint</groupId>
<artifactId>hector-core</artifactId>
</exclusion>
</exclusions>
</dependency>
</dependencies>
</project>4). 下載依賴
~ mvn clean install
在eclipse中刷新項目：
項目的依賴程序，被自動加載的庫路徑下面。
4. 用Mahout實現協同過濾userCF
Mahout協同過濾UserCF深度算法剖析，請參考文章：用R解析Mahout用戶推薦協同過濾算法(UserCF)
實現步驟：
1. 準備數據文件: item.csv
2. Java程序：UserCF.java
3. 運行程序
4. 推薦結果解讀
1). 新建數據文件: item.csv
~ mkdir datafile ~ vi datafile/item.csv 1,101,5.0 1,102,3.0 1,103,2.5 2,101,2.0 2,102,2.5 2,103,5.0 2,104,2.0 3,101,2.5 3,104,4.0 3,105,4.5 3,107,5.0 4,101,5.0 4,103,3.0 4,104,4.5 4,106,4.0 5,101,4.0 5,102,3.0 5,103,2.0 5,104,4.0 5,105,3.5 5,106,4.0
數據解釋：每一行有三列，第一列是用戶ID，第二列是物品ID，第三列是用戶對物品的打分。
2). Java程序：UserCF.java
Mahout協同過濾的數據流，調用過程。
上圖摘自：Mahout in Action
新建JAVA類：org.conan.mymahout.recommendation.UserCF.java
package org.conan.mymahout.recommendation;
import java.io.File;
import java.io.IOException;
import java.util.List;
import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.impl.common.LongPrimitiveIterator;
import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.neighborhood.NearestNUserNeighborhood;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.EuclideanDistanceSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.recommender.RecommendedItem;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;
public class UserCF {
final static int NEIGHBORHOOD_NUM = 2;
final static int RECOMMENDER_NUM = 3;
public static void main(String[] args) throws IOException, TasteException {
String file = "datafile/item.csv";
DataModel model = new FileDataModel(new File(file));
UserSimilarity user = new EuclideanDistanceSimilarity(model);
NearestNUserNeighborhood neighbor = new NearestNUserNeighborhood(NEIGHBORHOOD_NUM, user, model);
Recommender r = new GenericUserBasedRecommender(model, neighbor, user);
LongPrimitiveIterator iter = model.getUserIDs();
while (iter.hasNext()) {
long uid = iter.nextLong();
List list = r.recommend(uid, RECOMMENDER_NUM);
System.out.printf("uid:%s", uid);
for (RecommendedItem ritem : list) {
System.out.printf("(%s,%f)", ritem.getItemID(), ritem.getValue());
}
System.out.println();
}
}
}3). 運行程序
控制檯輸出:
SLF4J: Failed to load class "org.slf4j.impl.StaticLoggerBinder". SLF4J: Defaulting to no-operation (NOP) logger implementation SLF4J: See http://www.slf4j.org/codes.html#StaticLoggerBinder for further details. uid:1(104,4.274336)(106,4.000000) uid:2(105,4.055916) uid:3(103,3.360987)(102,2.773169) uid:4(102,3.000000) uid:5
4). 推薦結果解讀
向用戶ID1，推薦前二個最相關的物品, 104和106
向用戶ID2，推薦前二個最相關的物品, 但只有一個105
向用戶ID3，推薦前二個最相關的物品, 103和102
向用戶ID4，推薦前二個最相關的物品, 但只有一個102
向用戶ID5，推薦前二個最相關的物品, 沒有符合的
5. 用Mahout實現kmeans
1. 準備數據文件: randomData.csv
2. Java程序：Kmeans.java
3. 運行Java程序
4. mahout結果解讀
5. 用R語言實現Kmeans算法
6. 比較Mahout和R的結果
1). 準備數據文件: randomData.csv
~ vi datafile/randomData.csv -0.883033363823402,-3.31967192630249 -2.39312626419456,3.34726861118871 2.66976353341256,1.85144276077058 -1.09922906899594,-6.06261735207489 -4.36361936997216,1.90509905380532 -0.00351835125495037,-0.610105996559153 -2.9962958796338,-3.60959839525735 -3.27529418132066,0.0230099799641799 2.17665594420569,6.77290756817957 -2.47862038335637,2.53431833167278 5.53654901906814,2.65089785582474 5.66257474538338,6.86783609641077 -0.558946883114376,1.22332819416237 5.11728525486132,3.74663871584768 1.91240516693351,2.95874731384062 -2.49747101306535,2.05006504756875 3.98781883213459,1.00780938946366
這裏只截取了一部分，更多的數據請查看源代碼。
注：我是通過R語言生成的randomData.csv
x1<-cbind(x=rnorm(400,1,3),y=rnorm(400,1,3)) x2<-cbind(x=rnorm(300,1,0.5),y=rnorm(300,0,0.5)) x3<-cbind(x=rnorm(300,0,0.1),y=rnorm(300,2,0.2)) x<-rbind(x1,x2,x3) write.table(x,file="randomData.csv",sep=",",row.names=FALSE,col.names=FALSE)
2). Java程序：Kmeans.java
Mahout中kmeans方法的算法實現過程。
上圖摘自：Mahout in Action
新建JAVA類：org.conan.mymahout.cluster06.Kmeans.java
package org.conan.mymahout.cluster06;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.mahout.clustering.kmeans.Cluster;
import org.apache.mahout.clustering.kmeans.KMeansClusterer;
import org.apache.mahout.common.distance.EuclideanDistanceMeasure;
import org.apache.mahout.math.Vector;
public class Kmeans {
public static void main(String[] args) throws IOException {
List sampleData = MathUtil.readFileToVector("datafile/randomData.csv");
int k = 3;
double threshold = 0.01;
List randomPoints = MathUtil.chooseRandomPoints(sampleData, k);
for (Vector vector : randomPoints) {
System.out.println("Init Point center: " + vector);
}
List clusters = new ArrayList();
for (int i = 0; i < k; i++) {
clusters.add(new Cluster(randomPoints.get(i), i, new EuclideanDistanceMeasure()));
}
List<List> finalClusters = KMeansClusterer.clusterPoints(sampleData, clusters, new EuclideanDistanceMeasure(), k, threshold);
for (Cluster cluster : finalClusters.get(finalClusters.size() - 1)) {
System.out.println("Cluster id: " + cluster.getId() + " center: " + cluster.getCenter().asFormatString());
}
}
}3). 運行Java程序
控制檯輸出:
Init Point center: {0:-0.162693685149196,1:2.19951550286862}
Init Point center: {0:-0.0409782183083317,1:2.09376666042057}
Init Point center: {0:0.158401778474687,1:2.37208412905273}
SLF4J: Failed to load class "org.slf4j.impl.StaticLoggerBinder".
SLF4J: Defaulting to no-operation (NOP) logger implementation
SLF4J: See http://www.slf4j.org/codes.html#StaticLoggerBinder for further details.
Cluster id: 0 center: {0:-2.686856800552941,1:1.8939462954763795}
Cluster id: 1 center: {0:0.6334255423230666,1:0.49472852972602105}
Cluster id: 2 center: {0:3.334520309711998,1:3.2758355898247653}4). mahout結果解讀
1. Init Point center表示，kmeans算法初始時的設置的3箇中心點
2. Cluster center表示，聚類後找到3箇中心點
5). 用R語言實現Kmeans算法
接下來爲了讓結果更直觀，我們再用R語言，進行kmeans實驗，操作相同的數據。
R語言代碼：
> y<-read.csv(file="randomData.csv",sep=",",header=FALSE)
> cl<-kmeans(y,3,iter.max = 10, nstart = 25)
> cl$centers
V1 V2
1 -0.4323971 2.2852949
2 0.9023786 -0.7011153
3 4.3725463 2.4622609
# 生成聚類中心的圖形
> plot(y, col=c("black","blue","green")[cl$cluster])
> points(cl$centers, col="red", pch = 19)
# 畫出Mahout聚類的中心
> mahout<-matrix(c(-2.686856800552941,1.8939462954763795,0.6334255423230666,0.49472852972602105,3.334520309711998,3.2758355898247653),ncol=2,byrow=TRUE)
> points(mahout, col="violetred", pch = 19)聚類的效果圖：
6). 比較Mahout和R的結果
從上圖中，我們看到有 黑，藍，綠，三種顏色的空心點，這些點就是原始的數據。
3個紅色實點，是R語言kmeans後生成的3箇中心。
3個紫色實點，是Mahout的kmeans後生成的3箇中心。
R語言和Mahout生成的點，並不是重合的，原因有幾點：
1. 距離算法不一樣：
Mahout中，我們用的 “歐氏距離(EuclideanDistanceMeasure)”
R語言中，默認是”Hartigan and Wong”2. 初始化的中心是不一樣的。
3. 最大迭代次數是不一樣的。
4. 點合併時，判斷的”閾值(threshold)”是不一樣的。
6. 模板項目上傳github
https://github.com/bsspirit/maven_mahout_template/tree/mahout-0.6
大家可以下載這個項目，做爲開發的起點。
~ git clone https://github.com/bsspirit/maven_mahout_template ~ git checkout mahout-0.6
我們完成了第一步，下面就將正式進入mahout算法的開發實踐，並且應用到hadoop集羣的環境中。