接到一個有趣的作業，就是分析豆瓣用戶關注的小組，通過小組標簽給這個用戶畫像。
任務主要有這幾部分：
1.通過爬取的數據，利用Spark Graphx對這些數據構圖
2.將這個圖進行可視化
3.對用戶進行畫像分析，找出他的興趣標簽

環境搭建

首先需要搭建Spark，如果需要yarn進行可視化管理的話還需要安裝Hadoop，這里我安裝的是Hadoop2.7.4+Spark2.2.0

CentOS7安裝Hadoop2.7.4

1.安裝JDK1.8
將原有的OpenJDK卸載，并下載rpm包進行安裝，將JAVA_HOME、PATH等環境變量配置好，檢驗JAVA是否安裝成功。
2.安裝Hadoop2.7.4
配置免密登錄

ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

新建文件夾/usr/hadoop，并在該目錄下再新建四個文件夾

/usr/hadoop/hdfs/data
/usr/hadoop/hdfs/name
/usr/hadoop/hdfs/namesecondary
/usr/hadoop/tmp

下載Hadoop2.7.4，并將其放置在/usr/hadoop/目錄下，解壓
設置環境變量，并使環境變量生效，source /etc/profile

JAVA_HOME=/usr/java/jdk1.8.0_144/
JRE_HOME=/usr/java/jdk1.8.0_144/jre/
SCALA_HOME=/usr/lib/scala
HADOOP_HOME=/usr/hadoop/hadoop-2.7.4
SPARK_HOME=/usr/spark-2.2.0-bin-hadoop2.7
PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin:$SCALA_HOME/bin:$SPARK_HOME/bin:$HADOOP_HOME/bin
CLASSPATH=$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar
export JAVA_HOME
export JRE_HOME
export PATH
export CLASSPATH
export SCALA_HOME
export HADOOP_HOME
export SPARK_HOME

進入$HADOOP_HOME/etc/hadoop目錄，配置 hadoop-env.sh等。涉及的配置文件如下:

hadoop-2.7.4/etc/hadoop/hadoop-env.sh 
hadoop-2.7.4/etc/hadoop/yarn-env.sh 
hadoop-2.7.4/etc/hadoop/core-site.xml 
hadoop-2.7.4/etc/hadoop/hdfs-site.xml 
hadoop-2.7.4/etc/hadoop/mapred-site.xml 
hadoop-2.7.4/etc/hadoop/yarn-site.xml

(注意：有的文件只有template，需要改名，例如mv mapred-site.xml.template mapred-site.xml)

配置hadoop-env.sh

# The java implementation to use.
#export JAVA_HOME=${JAVA_HOME}
export JAVA_HOME=/usr/java/jdk1.8.0_144

配置yarn-env.sh

#export JAVA_HOME
export JAVA_HOME=/usr/java/jdk1.8.0_144

配置core-site.xml
添加如下配置：

description最好不要用中文
<configuration>
    <property>
        <name>fs.default.name</name>
        <value>hdfs://localhost:9000</value>
        <description>HDFS的URI，文件系統://namenode標識:端口號</description>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/usr/hadoop/hdfs/tmp</value>
        <description>namenode上本地的hadoop臨時文件夾  </description>
    </property>
</configuration>

配置hdfs-site.xml
添加如下配置

<configuration>
    <!—hdfs-site.xml-->
    <property>
        <name>dfs.name.dir</name>
        <value>/usr/hadoop/hdfs/name</value>
        <description>namenode上存儲hdfs名字空間元數據         </description> 
    </property>
    <property>
        <name>dfs.data.dir</name>
        <value>/usr/hadoop/hdfs/data</value>
        <description>datanode上數據塊的物理存儲位置</description>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
        <description>副本個數，配置默認是3,應小于datanode機器數量</description>
    </property>
</configuration>

配置mapred-site.xml

添加如下配置：
<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

配置yarn-site.xml
添加如下配置：

<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.resourcemanager.webapp.address</name>
        <value>${yarn.resourcemanager.hostname}:8999</value>
    </property>
</configuration>

(注意：這里將yarn的管理端口改為8999，訪問管理頁面時也需要用該端口訪問)

Hadoop啟動

1）格式化namenode
$ bin/hdfs namenode –format
當多次格式化時，遇到個選擇，選擇no，如果選擇yes，將會導致namenode和datanode中/usr/hadoop/hdfs/data/current/VERSION、/usr/hadoop/hdfs/name/current/VERSION中CclusterID 不一致，從而發生sbin/start-all.sh啟動時，有的DataNode進程啟動不起來(jps查看)，遇到這樣情況，將name/current下的VERSION中的clusterID復制到data/current下的VERSION中，覆蓋掉原來的clusterID，讓兩個保持一致，然后重啟，啟動后執行jps，查看進程，參考（https://my.oschina.net/u/189445/blog/509385）
2）啟動NameNode 和 DataNode 守護進程
$ sbin/start-dfs.sh
3）啟動ResourceManager 和 NodeManager 守護進程
$ sbin/start-yarn.sh

或者直接$sbin/start-all.sh 將上述所有進程啟動。

啟動驗證

1）執行jps命令，有如下進程，說明Hadoop正常啟動

# jps
54679 NameNode
54774 DataNode
15741 Jps
55214 NodeManager
55118 ResourceManager
54965 SecondaryNameNode

在瀏覽器中輸入：http://HadoopMaster的IP:8999/ 即可看到YARN的ResourceManager的界面。注意：默認端口是8088，這里我設置了yarn.resourcemanager.webapp.address為：${yarn.resourcemanager.hostname}:8999。
或輸入http://HadoopMaster的IP:50070/查看NameNode狀態

Spark安裝

下載spark-2.2.0-bin-hadoop2.7，并進行解壓，配置SPARK_HOME環境變量，運行spark-shell，查看spark是否能夠正常啟動。
至此，生產環境搭建完畢！

開發環境

折騰了兩天，寫代碼運行調試，最麻煩的環節還屬運行調試。調試都是通過maven將程序打成jar包，然后上傳到裝有Hadoop、Spark的服務器(用一個虛擬機來模擬)上在沙盒里進行運行，執行效率之慢可想而知。有沒有什么更為便捷的辦法，寫完代碼，右鍵直接執行呢，答案是有的。

Win7 64位+IDEA開發Spark應用

下載編譯好的Hadoop bin目錄文件夾(其中包含winutils.exe、hadoop.dll等文件)
設置環境變量HADOOP_HOME，在Path變量中增加一條，%HADOOP_HOME%/bin

下載Hadoop對應版本編譯好的Spark文件
設置環境變量SPARK_HOME，在Path變量中增加一條，%SPARK_HOME%/bin
cmd彈出窗口中測試安裝是否成功

image.png

image.png

(這個版本可能會報Hive錯誤，可以忽略)

IDEA配置

在運行某個Scala應用時，需要增加一條配置參數，

-Dspark.master=local[2]

image.png

如若開發時依然提示找不到Hadoop目錄，可以在代碼中增加一條屬性配置

System.setProperty("hadoop.home.dir", "D:\\hadoop-2.7.4\\")

正題

首先，看一下數據結構，有兩個數據集，一個是用戶數據機另一個是小組數據集，這些數據集都是從Mongodb中導出而來。

用戶(persons.json)
{"_id":{"$oid":"59f3de6b0b6e9a0b9ca7bf4e"},"name":"person1","no":"168812667","group1":"HZhome","group2":"145219","group3":"276209","group4":"hzhouse","group5":"467221"}
...
小組(groups.json)
{"_id":{"$oid":"59f3de5f0b6e9a0b9ca7bf49"},"name":"杭州租房","no":"HZhome","tag1":"杭州","tag2":"租房","tag3":"合租","tag4":"求租","tag5":"杭州租房"}
...

由實例數據可以看出，persons.json每行記錄存有用戶信息，同時還包括該用戶加入的組號(groupx)。而groups.json中記錄小組的信息。這兩個數據集通過groupsno進行關聯(注意：groupno并非是數字字符串)
其次，對數據進行處理
因為每行都是一條json格式的記錄，可以利用fastjson對記錄進行解析，因此pom.xml文件如下

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>com.dhl</groupId>
    <artifactId>DoubanGraphx</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <encoding>UTF-8</encoding>
        <scala.tools.version>2.11</scala.tools.version>
        <scala.version>2.11.8</scala.version>
        <spark.version>2.2.0</spark.version>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_${scala.tools.version}</artifactId>
            <version>${spark.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_${scala.tools.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-graphx_${scala.tools.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>com.alibaba</groupId>
            <artifactId>fastjson</artifactId>
            <version>1.2.32</version>
        </dependency>
    </dependencies>
    <build>
        <plugins>
            <plugin>
                <groupId>org.scala-tools</groupId>
                <artifactId>maven-scala-plugin</artifactId>
                <version>2.15.2</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

對persons.json進行解析，構建用戶和小組之間的關系，同時graphx需要Long類型字段作為其VertexID，這里我們通過利用導出數據的oid字段進行運算獲得(作為Mongodb表中的rowid，該字段應該具備唯一性)

    case class Person(poidhex: VertexId, oid: String, name: String, no: String, groupno: String, vertextype: String)
    def parsePerson(str: String): List[Person] = {
      var result = List[Person]()
      val json = JSON.parseObject(str)
      val oidjson = json.getJSONObject("_id")
      val oid = oidjson.getString("$oid")
      val oidhex = new BigInteger(oid, 16).longValue()
      val name = json.getString("name")
      val no = json.getString("no")
      val groups = new ListBuffer[String]
      val jsonset = json.keySet().iterator()
      while (jsonset.hasNext() == true) {
        val strkey = jsonset.next()
        if (strkey.length() > 4 && strkey.substring(0, 5).compareTo("group") == 0) {
          result .::=(Person(oidhex, oid, name, no, json.getString(strkey),"p"))
        }
      }
      result
    }

同樣，對groups.json進行處理

    case class Group(goidhex: VertexId, oid: String, name: String, groupno: String, tags: List[String], vertextype: String)
    def parseGroup(str: String): Group = {
      val json = JSON.parseObject(str)
      val oidjson = json.getJSONObject("_id")
      val oid = oidjson.getString("$oid")
      val oidhex = new BigInteger(oid, 16).longValue()
      val name = json.getString("name")
      val groupno = json.getString("no")
      var tags = List[String]()
      val jsonset = json.keySet().iterator()
      while (jsonset.hasNext() == true) {
        val strkey = jsonset.next()
        if (strkey.length() > 3 && strkey.substring(0, 3).compareTo("tag") == 0) {
          tags .::=(json.getString(strkey))
        }
      }
      Group(oidhex, oid, name, groupno, tags, "g")
    }

審查數據時候發現groups.json中存在no相同的記錄，為此需要進行去重

    System.setProperty("hadoop.home.dir", "D:\\hadoop-2.7.4\\")
    val conf = new SparkConf().setAppName("Douban User Relationship")
    val sc = new SparkContext(conf)
    val sqlContext = new org.apache.spark.sql.SQLContext(sc)
    import sqlContext.implicits._

    val personsData = sc.textFile("C:\\Users\\daihl\\Desktop\\persons2.json")
    val groupsData = sc.textFile("C:\\Users\\daihl\\Desktop\\groups2.json")

    val personsRDD: RDD[Person] = personsData.flatMap(parsePerson).cache()
    val groupsRDD: RDD[Group] = groupsData.map(parseGroup).cache()
    //將RDD轉為DataFrame
    val personsdf = sqlContext.createDataFrame(personsRDD)
    val groupsdf = sqlContext.createDataFrame(groupsRDD)
    //根據groupno進行去重
    val groupsds = groupsdf.dropDuplicates("groupno")

再通過groupno字段，將兩個數據集進行連接，并生成graphx的邊

    val relation = personsdf.join(groupsds, personsdf("groupno") === groupsds("groupno"))
    val edges = EdgeRDD.fromEdges(relation.rdd.map(row => Edge(row.getAs[Long]("poidhex"), row.getAs[Long]("goidhex"), ())))

再將person和group進行合并，作為圖中的節點
由于數據集的合并需要相同的schema，所以需要對person和group進行schema轉變

val newNames=Seq("oidhex", "oid", "name","no","vertextype")    
val personsselect = personsdf.select("poidhex","oid", "name","no","vertextype").dropDuplicates("no").toDF(newNames:_*)
val groupsselect = groupsds.select("goidhex","oid", "name","groupno","vertextype").toDF(newNames:_*)

最終構建圖

    val vertexnode: RDD[(VertexId, (String, String, String))] = personsselect.union(groupsselect).rdd.map(row => (new BigInteger(row(1).toString, 16).longValue(), (row(2).toString, row(3)toString, row(4)toString)))
    val defaultvertexnode = ("null", "null", "null")
    val graph =Graph(vertexnode,edges,defaultvertexnode)

graphx圖的可視化

最簡單的可以利用GraphStream進行可視化(linkuriou.js也值得研究)

    //創建原始可視化對象
    val graphStream:SingleGraph = new SingleGraph("GraphStream")

    // 設置graphStream全局屬性. Set up the visual attributes for graph visualization
    // 加載頂點到可視化圖對象中
    for ((id,(name:String, no:String, vertextype:String)) <- graph.vertices.collect()) {
      val node = graphStream.addNode(id.toString).asInstanceOf[SingleNode]
      node.addAttribute("ui.label",id  +"\n"+name)
    }
    //加載邊到可視化圖對象中
    for (Edge(x, y, defaultvertexnode) <- graph.edges.collect()) {
      val edge = graphStream.addEdge(x.toString ++ y.toString,
        x.toString, y.toString,
        true).
        asInstanceOf[AbstractEdge]
    }
    //顯示
    graphStream.display()

image.png

總結

1.對Spark、Spark Graphx有了初步的了解和認識
2.對RDD、DataFrame、DataSet的操作的理解還需要深入

接下來工作

1.嘗試利用GraphFrames進行構圖
2.嘗試利用linkuriou.js進行圖的可視化
3.對用戶進行畫像分析，找出他的興趣標簽