在Hadoop集群上运行R程序--安装RHadoop

Hadoop是由Revolution Analytics发起的一个开源项目，它可以将统计语言R与Hadoop结合起来。目前该项目包括三个R packages，分别为支持用R来编写MapReduce应用的rmr、用于R语言访问HDFS的rhdfs以及用于R语言访问HBASE的rhbase。下载网址为https://github.com/RevolutionAnalytics/RHadoop/wiki/Downloads。

说明：下面的记录是在安装成功后的总结，中间的过程描述及解决方法可能并不精确（用红色进行了标记），仅供参考。服务器操作系统为CentOS 5.6。

一、软件版本

R 2.13.1、Hadoop集群（CDH3）、JDK1.6。

二、安装节点

其中rhbase和rhdfs在Hadoop集群的namenode上安装即可，而rmr则需要在集群上的每一个节点上安装。

三、安装

由于网络限制，只能先将源文件下载到本地，然后通过shell命令R CMD INSTALL ‘package_name’来安装。

a)         首先安装rhdfs。该包依赖于包 rJava。所以还需要先下载rJava的源代码并安装。

R CMD INSTALL ‘rJava_0.9-3.tar.gz’

R CMD INSTALL ‘rhdfs_1.0.1.tar.gz’

在执行安装rJava时，可能会失败，提示错误信息“checking whether JNI programs can be compiled... configure: error: Cannot compile a simple JNI program. See config.log for details.”，这可能是由于jdk的版本问题造成的，建议安装jdk1.6。

b)         安装rmr。该包依赖于包RJSONIO、 itertools 、digest，而包itertools 又依赖于iterators。

R CMD INSTALL ‘iterators_1.0.5.tar.gz’

R CMD INSTALL ‘itertools_0.1-1.tar.gz’

R CMD INSTALL ‘RJSONIO_0.96-0.tar.gz’

R CMD INSTALL ‘digest_0.5.1.tar.gz’

R CMD INSTALL ‘rmr_1.1.tar.gz’

c) 安装rhbase（参见https://github.com/RevolutionAnalytics/RHadoop/wiki/rhbase）。在安装rhbase之前，还需要安装Thrift库，建议安装Thrift 0.6.1版本，下载网址为http://thrift.apache.org/。详细的安装步骤如下：

i.在centos系统下输入shell命令sudo yum install automake libtool flex bison pkgconfig gcc-c++ boost-devel libevent-devel lib-devel python-devel ruby-devel，安装一些Thrift相关的工具或库。由于网络连接的问题，在尝试的时候并不能完全安装，个人觉得也没有必要完全安装，只需保证g++ 3.3.5以上版本、boost 1.33.1以上版本即可。

ii.解压并安装Thrift。

tar -zvxf thrift-0.6.1.tar.gz

cd thrift-0.6.1

./configure --with-boost=/usr/include/boost JAVAC=/usr/jdk1.6/bin/javac

make

make install

其中—with-boost及JAVAC的值根据服务器的实际情况进行修改（不确定javac的设置是不是必须的）。

iii.设置环境变量PKG_CONFIG_PATH。

在/etc/profile中输入

export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig/（并通过命令souce /etc/profile命令使得环境变量生效）。之后输入shell命令pkg-config --cflags thrift验证pkg-config路径是否设置正确，返回结果若为-I/usr/local/include/thrift则表示成功。

iv.复制library文件。

cp /usr/local/lib/libthrift.so.0 /usr/lib

v.安装rhbase。

R CMD INSTALL 'rhbase_1.0.1.tar.gz'

四、验证并测试

在R命令行中输入library(rmr)、library(rhdfs)、library(rhbase)，载入成功即表示安装成功。

测试用例：利用mapreduce实现和函数sapply相同的功能。

普通R代码：
groups = rbinom(32, n = 50, prob = 0.4)
tapply(groups, groups, length)
利用mapreduce实现的R代码：

groups = to.dfs(groups) （为保证相同的数据，仍然利用了之前的groups）

from.dfs(mapreduce(input = groups, map = function(k,v) keyval(v, NULL), reduce = function(k,vv) keyval(k, length(vv))))

五、更多参考网址：

https://github.com/RevolutionAnalytics/RHadoop/wiki/Tutorial

https://github.com/RevolutionAnalytics/RHadoop/wiki/Writing-composable-mapreduce-jobs

https://github.com/RevolutionAnalytics/RHadoop/wiki/Efficient-rmr-techniques