背景：能分布式地预测数据（当然spark-scala框架本身就可以做到）。本文主要目的是通过一个项目，弄明白MR的执行原理
实现步骤：
使用MapReduce进行预测，目前实现3分钟内完成112w个样本，16维特征的数据预测，具体实现思路如下：
1、mapreduce主入口类 main 函数中传入模型所在hdfs的路径及数据输入输出的hdfs路径
2、Mapper类中重写Mapper里的setup()、map()、cleanup()三个方法。
1)setup(Context context)方法获取context调用ml.dmlc.xgboost4j.java.XGBoost.loadModel将训练好的模型load完成
2)map()里解析数据，封装Dmatrix并进行数据的预测，具体如下：
- 首先将读取的一行行数据封装成 Dmatrix，达到阈值(暂时定为6000)时执行预测，并将预测值写入hdfs路径
- cleanup里实现最后的清理收尾预测工作
接下来分别讲解每个部分的实现。
mapreduce主入口类 main 函数
//設置conf
Configuration conf = new Configuration();
conf.set("hadoop.tmp.dir",args[0]); //用于解决自动运行时目录权限问题，可以将此目录指定到一个有权限的目录
例如 /tmp suffle过程会有数据落到本地磁盘，这里的路径必须有权限
很重要，因为默认的路径可能不具备访问的权限。
conf.set("mapreduce.framework.name","yarn");
设置运行的模式是yarn模式还是local模式
conf.set("mapreduce.map.cpu.vcores","8");//指定这个mapreduce任务运行时cpu的个数
根据数据量来设定合适的，因为集群上默认的map的cpu的核心数是1，未设置之前，任务一度出现map 0% reduce 0%保持不动。
conf.set("mapreduce.map.memory.mb","8296");//一个 Map Task 可使用的内存上限（单位:MB），默认为 1024
要想将模型的路径当成参数变量，传给每个map算子。则要考虑如何将模型的hdfs地址广播出去。
conf.set("xgboost.model", modelPath);
接下来就是设置Job提交的一些配置
// 设置执行jar名
Job = Job.getInstance(conf);
job.setJarByClass(XGBoost.class);
// 设置文件读取、输出的路径
FileInputFormat.setInputPaths(job, new Path(inputFile));
Path outputFile = new Path(ouptFile1);
FileOutputFormat.setOutputPath(job, outputFile);
// 设置mapper的类
job.setMapperClass(XGBoostMapper.class);
job.setMapOutputKeyClass(Text.class);//map的输出key值
job.setMapOutputValueClass(IntWritable.class);//map的输出的value值
//设置InputFormat类 设置 OutputFormat 类
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
job.setNumReduceTasks(0);
//因为对于本的的例子而言，没有reduce阶段，则将reduce的个数设置为0
// 设置reduce输出的key value 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 提交job
job.submit();
// 等待执行完成
boolean noErr = job.waitForCompletion(true);
System.exit(noErr? 0 : 1);
XGBoostMapper extends Mapper<LongWritable, Text, Text, Text>每部分的实现
public class XGBoostMapper extends Mapper<LongWritable, Text, Text, Text>{
private Booster;//模型变量
private Text oKey = new Text();//write时的key值
private Text oValue=new Text();//write时的value值
private final static int ROUND_NUM = 6000;//每达到ROUND_NUM 开始进行预测
private List<String> acct = new ArrayList<>(ROUND_NUM );//用来缓存待预测数据的pin值
private List<String[]> preData = new ArrayList<>(ROUND_NUM );//用来缓存待预测数据的value值
@Override protected void setup(Mapper.Context context) throws IOException {
Configuration conf = context.getConfiguration();//目的是拿到模型的存储地址和待预测数据的地址
String modelPath = conf.get("xgboost.model");//从conf中拿到模型的地址
FileSystem fs = FileSystem.get(conf);
FSDataInputStream open = fs.open(new Path(modelPath));
//如果直接.loadModel(modelPath )则会将该地址解析为本地路径，就会报错，not file://。因为java版的xgboost没有读取hdfs的API，所以需要借助inputStream
try {
booster = ml.dmlc.xgboost4j.java.XGBoost.loadModel(open);
} catch (XGBoostError xgBoostError) {
xgBoostError.printStackTrace();
}
}
@Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//读取每一行的数据，并将其转换成array
String[] line = value.toString().split("\001");//输入数据的文件是以\001间隔的，注意检查输入数据的分隔符。即待预测数据的hive的数据存储时的间隔符
try {
predictUntilRoundNum(context, line);
//当输入数据达到某个值的时候开始预测
} catch (XGBoostError xgBoostError) {
xgBoostError.printStackTrace();
System.out.println("执行失败");
}
}
private void predictUntilRoundNum(Context context, String[] line) throws IOException, InterruptedException, XGBoostError {
acct.add(line[0]); //存放账号，hive表的第一列是用户的pin
preData.add(Arrays.copyOfRange(line,3,line.length));//所选用的特征列从第3列开始
//如果达到ROUND_NUM行数据
if (acct.size() == ROUND_NUM){
predictNow(context, acct,preData);
//清空数据
acct = new ArrayList<>();//清空存储账号的list
preData = new ArrayList<>();//清空要组装成Dmatrix的list
}
}
private void predictNow(Context context, List<String> acct, List<String[]> preData) throws InterruptedException, XGBoostError, IOException {
if (!preData.isEmpty()) {
DMatrix dMatrix = buildDMatrix(preData);
//开始预测
float[][] predict = booster.predict(dMatrix);
System.out.println("rowPredixt=" + predict.length + " colPredict=" + predict[0].length);
//write data to hdfs use context.write
for (int i = 0; i < acct.size(); i++) {
oKey.set(acct.get(i));//用户名作为输出key
oValue.set(String.valueOf(predict[i][0]));
context.write(oKey, oValue);
}
}
}
/**多维数组转成dmatrix数据
*@param data:输入的数据，是一个二维数据
*@return
：返回的是一个Dmatrix的数据
*/
private DMatrix buildDMatrix(List<String[]> data) throws XGBoostError {
// System.out.println("数组的row:"+data.size()+"数组的列："+data.get(0).length);
int num = 0;
int col = data.get(0).length;
int row = data.size();//行数，也就是Dmatrix的行数
float[] resData = new float[row*col];
for (String[] str: data){
for (String aStr : str) {
resData[num] = Float.valueOf(aStr);
num++;
}
}
return new DMatrix(resData, row, col);
//其中Dmatrix的构造方法的第二列表示样本数，col表示feature的个数 }
其中为什么设计了读到多少行后才开始进行Dmatrix的封装和预测。因为在封装Dmatrix和预测的过程中本身就很耗时。但是不全部进行预测的是因为当数据量太大的时候，内存可能不够。
@Override
protected void cleanup(Context context)throws IOException, InterruptedException {
if (!acct.isEmpty()) {
try {
predictNow(context, acct, preData);
}catch (XGBoostError xgBoostError) {
xgBoostError.printStackTrace();
}
System.out.println("执行失败");
}
}
该步是为了计算最后的数据。因为不可能保证数据的行数是ROUND_NUM的倍数，在map执行完后，list中还会有一些数据未被预测，所以需要在最后进行最后数据的预测工作。
