為了滿足用R語(yǔ)言處理pb量級(jí)數(shù)據(jù)的需求，我們需要把它和Hadoop聯(lián)合起來(lái)使用。本文的目的就是闡述實(shí)現(xiàn)二者聯(lián)合作業(yè)的不同技術(shù)。

[[167283]]

方法一：利用Streaming APIs

Hadoop支持一些 Streaming API來(lái)將R語(yǔ)言中的函數(shù)傳入，并在MapReduce模式下運(yùn)行這些函數(shù)。這些Streaming API可以將任意能在map-reduce模式下訪問(wèn)和操作標(biāo)準(zhǔn)I/O接口的R腳本傳入Hadoop中。因此，你不需要額外開(kāi)啟一些客戶端之類的東西。如下是一個(gè)例子：

方法二：使用Rhipe包

Rhipe包允許用戶在R中使用MapReduce。在使用這一方法前，要做相應(yīng)的前期準(zhǔn)備工作。R需要被安裝在Hadoop集群中的每一個(gè)數(shù)據(jù)節(jié)點(diǎn)上，此外每個(gè)節(jié)點(diǎn)還要安裝Protocol Buffers(更多資料請(qǐng)參考 http://wiki.apache.org/hadoop/ProtocolBuffers)，Rhipe也需要在每個(gè)節(jié)點(diǎn)上都可以被使用。

下面是在R中利用Rhipe應(yīng)用MapReduce框架的范例：

方法三：使用RHadoop

RHadoop是Recolution Analytics下的一個(gè)開(kāi)源庫(kù)，與Rhipe類似，它的功能也是在MapReduce模式下執(zhí)行R函數(shù)。后續(xù)列舉的都是該庫(kù)中的一些包。plyrmr 包可以在Hadoop中對(duì)大數(shù)據(jù)集進(jìn)行一些常用的數(shù)據(jù)整理操作。rmr包提供了一些讓R和Hadoop聯(lián)合作業(yè)的函數(shù)。rdfs包提供了一些函數(shù)來(lái)連接R 和分布式文件系統(tǒng)(HDFS)。rhbase包中的函數(shù)則能連接R和HBase。

下面這個(gè)例子中，我們會(huì)演示如何使用rmr包中的一些函數(shù)來(lái)讓R與Hadoop聯(lián)合作業(yè)。

方法總結(jié)

總的說(shuō)來(lái)，上述三種方法都能很容易地實(shí)現(xiàn)R與Hadoop的聯(lián)合作業(yè)，這樣一來(lái)R就擁有了在分布式文件系統(tǒng)(HDFS)上處理大數(shù)據(jù)的能力。但同時(shí)，這三種方法也各有利弊。

關(guān)鍵結(jié)論：

1、使用Streaming APIs最為簡(jiǎn)單，它的安裝和設(shè)置都很方便。Rhipe和RHadoop都需要對(duì)R進(jìn)行一些設(shè)置，并且也需要Hadoop集群上一些包的支持。但在執(zhí)行函數(shù)方面，Streaming APIs 需要將函數(shù)依次map和reduce，而Rhipe和RHadoop允許開(kāi)發(fā)者在R函數(shù)中定義并調(diào)用MapReduce函數(shù)。

2、與Rhipe和RHadoop不同，使用Streamings APIs也不需要客戶端。

3、除此之外，我們也可以使用Apache Mahout，Apache Hive，Segue框架與其他來(lái)自Revolution Analytics的商業(yè)版R來(lái)實(shí)現(xiàn)大規(guī)模機(jī)器學(xué)習(xí)。