实现R与Hadoop联合作业的三种方法

为了满足用R语言处理pb量级数据的需求，我们需要把它和Hadoop联合起来使用。本文的目的就是阐述实现二者联合作业的不同技术。

方法一：利用Streaming APIs

Hadoop支持一些 Streaming API来将R语言中的函数传入，并在MapReduce模式下运行这些函数。这些Streaming API可以将任意能在map-reduce模式下访问和操作标准I/O接口的R脚本传入Hadoop中。因此，你不需要额外开启一些客户端之类的东西。如下是一个例子：

$ ${HADOOP_HOME}/bin/Hadoop jar
${HADOOP_HOME}/contrib/streaming/*.jar 
-inputformat
org.apache.hadoop.mapred.TextInputFormat 
-input input_data.txt 
-output output 
-mapper /home/tst/src/map.R 
-reducer /home/tst/src/reduce.R 
-file /home/tst/src/map.R 
-file /home/tst/src/reduce.R

方法二：使用Rhipe包

Rhipe包允许用户在R中使用MapReduce。在使用这一方法前，要做相应的前期准备工作。R需要被安装在Hadoop集群中的每一个数据节点上，此外每个节点还要安装Protocol Buffers（更多资料请参考 http://wiki.apache.org/hadoop/ProtocolBuffers），Rhipe也需要在每个节点上都可以被使用。

下面是在R中利用Rhipe应用MapReduce框架的范例：

library(Rhipe)
rhinit(TRUE, TRUE);
map<-expression ( {lapply (map.values, function(mapper)…)})
reduce<-expression(
pre = {…},
reduce = {…},
post = {…},
)
x <- rhmr(map=map, reduce=reduce,
 ifolder=inputPath,
 ofolder=outputPath,
 inout=c('text', 'text'),
 jobname='test name'))
rhex(x)

方法三：使用RHadoop

RHadoop是Recolution Analytics下的一个开源库，与Rhipe类似，它的功能也是在MapReduce模式下执行R函数。后续列举的都是该库中的一些包。plyrmr包可以在Hadoop中对大数据集进行一些常用的数据整理操作。rmr包提供了一些让R和Hadoop联合作业的函数。rdfs包提供了一些函数来连接R和分布式文件系统（HDFS）。rhbase包中的函数则能连接R和HBase。

下面这个例子中，我们会演示如何使用rmr包中的一些函数来让R与Hadoop联合作业。

library(rmr)
maplogic<-function(k,v) { …}
reducelogic<-function(k,vv) { …}
mapreduce( input ="data.txt",
output="output",
textinputformat =rawtextinputformat,
map = maplogic,
reduce=reducelogic
)

方法总结

总的说来，上述三种方法都能很容易地实现R与Hadoop的联合作业，这样一来R就拥有了在分布式文件系统（HDFS）上处理大数据的能力。但同时，这三种方法也各有利弊。

关键结论：

1、使用Streaming APIs最为简单，它的安装和设置都很方便。Rhipe和RHadoop都需要对R进行一些设置，并且也需要Hadoop集群上一些包的支持。但在执行函数方面，Streaming APIs 需要将函数依次map和reduce，而Rhipe和RHadoop允许开发者在R函数中定义并调用MapReduce函数。

2、与Rhipe和RHadoop不同，使用Streamings APIs也不需要客户端。

3、除此之外，我们也可以使用Apache Mahout，Apache Hive，Segue框架与其他来自Revolution Analytics的商业版R来实现大规模机器学习。

关于这一主题的更多细节请参阅我最新出版的机器学习书籍。