一直都没用java写过hadoop程序(除了wordcount)，后来发现不用java有些问题处理不了。现在The Apache Software Foundation的开发速度也不是太快不太清楚是不是人手不够，其他语言的api不是太多，而且还有很多bug。这两周遇到的2个bug，都是hive的bug真的是郁闷啊，insert overwrite 和 set hive.optimize.skewjoin=tru遇到的，很是无奈啊。

一直都用streaming和perl和shell，这样的程序都比较好写。遇到一些聚类的时候发现这个好像不是太好用啊。其实像kmeans在分布式环境下的聚类过程很好想像，就是需要一批向量的数据，和一批随机中心点的数据，map读数据看看和哪个中心点近将key设置成最近的中心点的序号，reduce设置和k相同的个数，reduce里将每个送过来的向量计算求出新的中心点，修正老的中心点。输出向量这样就形成了一次聚类的过程然后再来一次mapreduce，循环下去知道中心点不动了聚类就结束了。可是用streaming+perl实现起来还是比较困难的，但是应该也是可以实现的，这里面主要是修正中心点需要reduce去修改或是形成新的中心点。其实reduce可以在自己的运行目录里创建临时文件然后放到HDFS里，下个循环再用 。-file 这个可以用一下

MAHOUT

既然已经有了分布式环境下的轮胎我们就不必发明轮胎了，mahout这个被很多人吹捧的东东，我们可以试一下。现在只讨论0.4版本的。

其实我是先在单机环境下实验的，还可以直接可以将例子运行。在集群上也是可以运行的。

编译示例程序

Apache software foundation’s website

http://mahout.apache.org mahout的官方地址

http://hadoop.apache.org hadoop的官方地址

http://hive.apache.org hive的官方地址

http://svn.apache.org 代码地址 包含了所有的开源项目

http://archeve.apache.org 归档地址：所有软件的历史版本都可以在这里找到

mahout几个有用的参考连接

命令运行kmeans：

https://cwiki.apache.org/confluence/display/MAHOUT/k-means-commandline

历史版本源代码地址：

https://github.com/apache/mahout/blob/mahout-0.3/examples/src/main/java/org/apache/mahout/clustering/syntheticcontrol/kmeans/Job.java

https://github.com/apache/mahout/branches

从文本创建向量：

https://cwiki.apache.org/MAHOUT/creating-vectors-from-text.html

快速开始;

http://cwiki.apache.org/MAHOUT/quickstart.html

比较重要示例运行：

https://cwiki.apache.org/confluence/display/MAHOUT/Clustering+of+synthetic+control+data

http://webcache.googleusercontent.com/search?q=cache:9kvXlIJ3lc0J:https://cwiki.apache.org/MAHOUT/clustering-of-synthetic-control-data.html+Clustering%2Bof%2Bsynthetic%2Bcontrol%2Bdata&cd=1&hl=zh-CN&ct=clnk&source=www.google.com.hk (google快照)

eclipse编译打包运行示例程序

1. 首先是eclipse我用的是官方下载的HELIOS版本的

2. 创建一个java project

3. 找到mahout0.4源代码中的 kmeans聚类实例。路径是(\src\examples\src\main\java\org\apache\mahout\clustering\syntheticcontrol\kmeans

)。创建一个类为kmeansjob，然后将示例代码贴过来。修改代码中的类名称为kmeansjob。

4. 添加引用包。

hadoop-0.20.2\hadoop-0.20.2-core.jar

hadoop-0.20.2\lib\log4j-1.2.15.jar

mahout-distribution-0.4\mahout-core-0.4-job.jar

mahout-distribution-0.4\mahout-core-0.4.jar

mahout-distribution-0.4\mahout-utils-0.4.jar

mahout-distribution-0.4\lib\commons-cli-1.2.jar

mahout-distribution-0.4\lib\slf4j-api-1.6.0.jar

mahout-distribution-0.4\lib\commons-cli-2.0-mahout.jar

加入编译0.3版本的需要添加一下包：

hadoop-0.19.2\hadoop-0.19.2-core.jar

hadoop-0.19.2\lib\log4j-1.2.15.jar

mahout-0.3\mahout-core-0.3.jar

mahout-0.3\lib\commons-cli-1.2.jar

mahout-0.3\lib\commons-cli-2.0-mahout.jar

mahout-0.3\mahout-utils-0.3.jar

mahout-0.3\lib\slf4j-api-1.5.8.jar

mahout-0.3\mahout-examples-0.3.jar

5. 将项目export runnable jar file

6. 然后就是运行了hadoop jar k22.jar

7. 输入是示例程序提供输入的数据。