Spark MLlib算法调用展示平台及其实现过程

陈永正的图书馆 2017-05-19

展开全文

1. 软件版本：

IDE：Intellij IDEA 14，Java：1.7，Scala：2.10.6；Tomcat：7，CDH：5.8.0； Spark：1.6.0-cdh5.8.0-hadoop2.6.0-cdh5.8.0 ； Hadoop：hadoop2.6.0-cdh5.8.0；(使用的是CDH提供的虚拟机)

2. 工程下载及部署：

Scala封装Spark算法工程：https://github.com/fansy1990/Spark_MLlib_Algorithm_1.6.0.git ；

调用Spark算法工程：https://github.com/fansy1990/Spark_MLlib_1.6.0_.git ；

部署（主要针对Spark_MLlib_1.6.0工程）：

1）配置好db.properties中相应用户名密码／数据库等参数；
2）第一次启动tomcat，修改hibernate.cfg.xml文件中的hibernate.hbm2ddl.auto值为create，第二次启动修改为update；
3) 打开集群参数页面，点击初始化，初始化集群参数，如果集群参数和当前集群不匹配，那么需要做相应修改；
   暂时考虑使用配置文件的方式来配置集群参数，如果要调整为数据库配置，那么修改Utisl.dbOrFile参数即可；即，暂时只需修改utisl.properties文件；
4）拷贝Spark_MLlib_Algorithm_1.6.0工程生成的算法到到3）中spark.jar所在路径；
5）拷贝集群中的yarn-site.xml到3）中spark.files所在路径；
6）拷贝spark-assembly-1.6.0-cdh5.8.0-hadoop2.6.0-cdh5.8.0.jar到3）中spark.yarn.jar所在路径；

3. 工程实现原理：

3.1 Scala封装Spark算法工程：

3.1.1 工程目录

1. 工程目录如下所示：

其中，data目录为所有的测试数据所在目录，这里针对不同的算法建立了不同的目录，主要有5类：分类与回归／聚类／协同过滤／降维／频繁项集挖掘；

main／scala里面就是所有封装Spark源码中的代码；

test／scala里面对应每个封装代码的测试；

2. 工程采用Maven构建，直接根据pom文件加载对应依赖；

3. 该工程需要经过maven打包，把打包好的jar包放到CDH的虚拟机中的HDFS上某一固定目录，方便Spark算法调用工程调用（具体目录下文有说）；

3.1.2 单个算法实现（封装／测试），比如针对逻辑回归

1. 针对逻辑回归，其封装代码如下所示：

代码清单3-1 逻辑回归算法封装（Scala）

[plain] view plain copy

package com.fz.classification
import com.fz.util.Utils
import org.apache.spark.mllib.classification.{LogisticRegressionWithSGD, LogisticRegressionWithLBFGS}
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.{SparkConf, SparkContext}
/**
* 逻辑回归封装算法
* Labels used in Logistic Regression should be {0, 1, ..., k - 1} for k classes multi-label classification problem
* 输入参数：
* testOrNot : 是否是测试，正常情况设置为false
* input：输出数据；
* minPartitions : 输入数据最小partition个数
* output：输出路径
* targetIndex：目标列所在下标，从1开始
* splitter：数据分隔符；
* method：使用逻辑回归算法："SGD" or "LBFGS"
* hasIntercept : 是否具有截距
* numClasses: 目标列类别个数；
* Created by fanzhe on 2016/12/19.
*/
object LogisticRegression {
def main (args: Array[String]) {
if(args.length != 9){
println("Usage: com.fz.classification.LogisticRegression testOrNot input minPartitions output targetIndex " +
"splitter method hasIntercept numClasses")
System.exit(-1)
}
val testOrNot = args(0).toBoolean // 是否是测试，sparkContext获取方式不一样, true 为test
val input = args(1)
val minPartitions = args(2).toInt
val output = args(3)
val targetIndex = args(4).toInt // 从1开始，不是从0开始要注意
val splitter = args(5)
val method = args(6) //should be "SGD" or "LBFGS"
val hasIntercept = args(7).toBoolean
val numClasses = args(8).toInt
val sc = Utils.getSparkContext(testOrNot,"Logistic Create Model")
// construct data
// Load and parse the data
val training = Utils.getLabeledPointData(sc,input,minPartitions,splitter,targetIndex).cache()
// Run training algorithm to build the model
val model = method match {
case "SGD" => new LogisticRegressionWithSGD()
.setIntercept(hasIntercept)
.run(training)
case "LBFGS" => new LogisticRegressionWithLBFGS().setNumClasses(numClasses)
.setIntercept(hasIntercept)
.run(training)
case _ => throw new RuntimeException("no method")
}
// save model
model.save(sc,output)
sc.stop()
}
}

在上面的代码中，有对每个参数的解释，包括参数的含义，参数有哪些参数等；

在Main函数中，首先对各个参数进行获取并赋值变量，接着就是获取SparkContext；

其中，最重要的部分就是调用Spark自己封装的LogisticRegressionWithSGD 或 LogisticRegressionWithBFGS类进行逻辑回归建模；

最后，调用模型的save方法，把模型固化到HDFS上；

基本，所有的算法封装都采取这种模式，及对Spark MLlib中原生的算法再加一层封装。

2. 测试
测试主要使用JUnit进行测试，其逻辑回归示例代码如下：

代码清单3-2 逻辑回归算法封装测试（Scala）

[plain] view plain copy

package com.fz.classification
import java.io.File
import com.fz.util.Utils
import org.junit.{Assert, Test}
import Assert._
/**
* 测试Logistics Regression算法
* Created by fanzhe on 2016/12/19.
*/
@Test
class LogisticRegressionTest {
@Test
def testMain1()={
// testOrNot input output targetIndex splitter method hasIntercept numClasses
val args = Array(
"true",
"./src/data/classification_regression/logistic.dat",
"2",
"./target/logistic/tmp1",
"1",
" ",
"SGD",
"true",
"2" // this parameter is useless
)
// 删除输出目录
Utils.deleteOutput(args(3))
LogisticRegression.main(args)
assertTrue(Utils.fileContainsClassName(args(3)+"/metadata/part-00000",
"org.apache.spark.mllib.classification.LogisticRegressionModel"))
}
@Test
def testMain2()={
// testOrNot input minPartitions output targetIndex splitter method hasIntercept numClasses
val args = Array(
"true",
"./src/data/classification_regression/logistic.dat",
"2",
"./target/logistic/tmp2",
"1",
" ",
"LBFGS",
"true",
"2"
)
// 删除输出目录
Utils.deleteOutput(args(3))
LogisticRegression.main(args)
assertTrue(Utils.fileContainsClassName(args(3)+"/metadata/part-00000",
"org.apache.spark.mllib.classification.LogisticRegressionModel"))
}
}

这里面的方法都是第一步先构建算法参数；接着调用main方法；第三步，查看输出中是否具有模型的相关信息；

当然，这里面还可以添加多个测试方法，使用不同的算法参数或数据进行测试；（读者可自行添加）

3.2 Spark算法调用工程：

3.2.1 界面介绍

1. 首页：

在系统首页有对该系统实现算法的介绍，系统主要功能有：

1）集群参数维护：主要是底层使用的Hadoop集群的参数配置，每次配置完成后，不仅仅会更新数据库对应记录，而且会更新Hadoop Configuration的获取；

2）监控：主要指Spark任务运行在YARN资源管理器下的任务状态监控；

3）文件上传及预览：文件上传主要是上传本地测试数据到HDFS上，方便页面进行测试；而预览则是查看HDFS上面的数据；

4）分类与回归／协同过滤／聚类／降维／关联规则：各个种类算法下面的每个算法的调用建模页面；

2. 集群参数页面：

点击初始化，会把各个参数固定写入到后台数据库中，用户可以根据自己集群的配置不同，而进行参数修改，而每次修改也会刷新Hadoop 中Configuration的获取；

3. 监控：

监控页面，会监控用户提交的SPark任务的运行状态，如果任务失败，则会显示异常信息（代码中只是截取了部分信息，需要进行调整，看如何可以得出重要的信息，直接显示）；后面会有具体实现过程分析。

4. 文件上传：

文件上传有两个功能:1)可指定一个本地目录和一个HDFS目录，然后把数据从本地上传到HDFS中；2）直接选择对应算法的数据，然后进行初始化，这个是把本地工程路径src/main/data中的对应数据上传到HDFS中的固定目录中；这两个上传的数据都可以在后面的算法建模中进行使用。

还有一点需要注意：被写入的HDFS路径是需要具有写权限的，而用户则是启动Tomcat的用户；

5. 文件查看：

文件查看功能只能查看Text编码的文件，即文本文件，同时可以输入行号，即可进行文件内容的读取；

6. 逻辑回归算法：

在逻辑回归算法界面，输入算法参数，点击提交，如果任务提交成功，即可在下面看到任务提交的ID，如果提交失败（即任务ID获取不到），同样有对应的提示信息；

同时，在任务提交后，在监控界面同样可以观察到该任务的状态，通过刷新即可获得最新的任务状态；

7. 其他算法与逻辑回归算法类似

3.2.2 架构

系统架构图如下所示（算法调用及监控）：

流程描述如下：

1. 前台界面设置参数，包括算法数据、算法参数等，然后提交任务；

2. 任务提交后，CloudAction接收后，会发起一个线程，该线程会启动Hadoop上的一个Job，该Job有一个返回值，为任务ID，如果任务提交失败，则返回null；

3. 初级监控状态：CloudAction发起线程后，主线程阻塞，等待hadoop任务线程返回值，根据返回值状态，前台返回任务提交成功或失败；

4. 在3的同时，即可通过DBService来更新数据库相应表JobInfo的状态；

5. 在monitor.html界面，通过刷新按钮即可及时获取Hadoop任务状态（有相应的服务，见下文介绍），并更新数据库相关数据，返回前台所有任务信息；

3.2.3 部分实现细节

1. Spark提交任务

参考《基于Spark ALS在线推荐系统》；

2. monitor实时查询任务状态列表

monitor实时查询任务状态列表其流程描述如下：

[plain] view plain copy

1）获取JobInfo中最新的records条记录；
2）查找其中isFinished字段为false的数据；
3）根据2）中查找的数据，去YARN获取其实时状态，并更新1）中的数据，然后存入数据库中；
4）根据row和page字段分页返回JSON数据；

其代码如下所示：

代码清单3-3 更新监控任务列表

[java] view plain copy

public void getJobInfo(){
Map<String ,Object> jsonMap = new HashMap<String,Object>();
// 1.
List<Object> jobInfos = dBService.getLastNRows("JobInfo","jobId",true,records);
// 2,3
List<Object> list = null;
try {
list = HUtils.updateJobInfo(jobInfos);
if(list != null || list.size()>0) {
dBService.updateTableData(list);
}
}catch (Exception e){
e.printStackTrace();
log.warn("更新任务状态异常！");
jsonMap.put("total", 0);
jsonMap.put("rows", null);
Utils.write2PrintWriter(JSON.toJSONString(jsonMap));
return ;
}
// 4.
jsonMap.put("total",list.size());
jsonMap.put("rows",Utils.getSubList(list,page,rows));
Utils.write2PrintWriter(JSON.toJSONString(jsonMap));
}

第一步通过dBService获取给定records个记录；第二步则更新这些记录；看下HUtils.updateJobInfo的实现：

代码清单3-4 获取任务最新状态

[java] view plain copy

public static List<Object> updateJobInfo(List<Object> jobInfos)throws YarnException,IOException{
List<Object> list = new ArrayList<>();
JobInfo jobInfo;
for(Object o :jobInfos){
jobInfo = (JobInfo) o;
if(!jobInfo.isFinished()){ // 如果没有完成，则检查其最新状态
ApplicationReport appReport=null;
try {
appReport = getClient().getApplicationReport(SparkUtils.getAppId(jobInfo.getJobId()));
} catch (YarnException | IOException e) {
e.printStackTrace();
throw e;
}
/**
* NEW, 0
NEW_SAVING, 1
SUBMITTED, 2
ACCEPTED, 3
RUNNING, 4
FINISHED, 5
FAILED, 6
KILLED; 7
*/
switch (appReport.getYarnApplicationState().ordinal()){
case 0 | 1 | 2 |3 : // 都更新为Accepted状态
jobInfo.setRunState(JobState.ACCETPED);
break;
case 4 :
jobInfo.setRunState(JobState.RUNNING);break;
case 5:
// UNDEFINED,
// SUCCEEDED,
// FAILED,
// KILLED;
switch (appReport.getFinalApplicationStatus().ordinal()){
case 1: jobInfo.setRunState(JobState.SUCCESSED);
SparkUtils.cleanupStagingDir(jobInfo.getJobId());
jobInfo.setFinished(true);break;
case 2:
jobInfo.setRunState(JobState.FAILED);
SparkUtils.cleanupStagingDir(jobInfo.getJobId());
jobInfo.setErrorInfo(appReport.getDiagnostics().substring(0,Utils.EXCEPTIONMESSAGELENGTH));
jobInfo.setFinished(true);break;
case 3:
jobInfo.setRunState(JobState.KILLED);
SparkUtils.cleanupStagingDir(jobInfo.getJobId());
jobInfo.setFinished(true);break;
default: log.warn("App:" + jobInfo.getJobId() + "获取任务状态异常! " +
"appReport.getFinalApplicationStatus():"+appReport.getFinalApplicationStatus().name()
+",ordinal:"+ appReport.getFinalApplicationStatus().ordinal());
}
break;
case 6:
jobInfo.setRunState(JobState.FAILED);
SparkUtils.cleanupStagingDir(jobInfo.getJobId());
jobInfo.setErrorInfo(appReport.getDiagnostics().substring(0,Utils.EXCEPTIONMESSAGELENGTH));
jobInfo.setFinished(true);break;
case 7:
jobInfo.setRunState(JobState.KILLED);
SparkUtils.cleanupStagingDir(jobInfo.getJobId());
jobInfo.setFinished(true);break;
default: log.warn("App:" + jobInfo.getJobId() + "获取任务状态异常!"+
"appReport.getYarnApplicationState():"+appReport.getYarnApplicationState().name()
+",ordinal:"+ appReport.getYarnApplicationState().ordinal());
}
jobInfo.setModifiedTime(new Date());
}
list.add(jobInfo);// 把更新后的或原始的JobInfo添加到list中
}
return list;
}

这里的工作就是根据数据库中任务的状态，只查询任务没有完成的任务的最新状态，并更新原始任务状态，最后把更新后的或者原始任务添加到list中，并返回；