基于Spark的电影推荐系统(推荐系统~3)
第四部分-推荐系统-数据加工
- 本模块基于第2节加载到 数据仓库 里的数据做进一步的加工,加工后的数据主要用于 模型训练 。
前置准备
本节我采用Spark on Yarn 来跑作业
拓展:Hadoop YARN中内存的设置
(1)yarn.scheduler.minimum-allocation-mb
单个任务可申请的最少物理内存量,默认是1024(MB),如果一个任务申请的物理内存量少于该值,则该对应的值改为这个数。
(2)yarn.scheduler.maximum-allocation-mb
单个任务可申请的最多物理内存量,默认是8192(MB)。
(3)yarn.nodemanager.resource.memory-mb
表示该节点上YARN可使用的物理内存总量,默认是8192(MB),注意,如果你的节点内存资源不够8GB,则需要调减小这个值,而YARN不会智能的探测节点的物理内存总量。
$HADOOP_HOME/etc/hadoop
NM(yarn-site.xml)
<property>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>14336</value>
</property>
说明几点
- 把数据仓库里 ratings表数据 切分成训练集和测试集数据 7:3 越靠近最近时间段的数据作为测试数据集。代码中的主要操作是需要将 ratings 表数据按照 timestamp 字段进行 升序 降序的
- 调用cache table tableName or cacheTable即可将一张表缓存到内存中,来极大的提高查询效率,主要由于后面代码多次使用到
开始项目Coding
步骤一: 在第二节中的项目中,新建machiniing包,再新建RatingDataApp
package com.csylh.recommend.datamachining
import org.apache.spark.sql.{SaveMode, SparkSession}
import org.apache.spark.storage.StorageLevel
/**
* Description:
* 数据加工: ratings 评分数据[≈0.27亿]切分成训练集和测试集数据 7:3
*
* 为模型训练 准备的RDD数据集
* ratings(userId int,movieId int,rating Double,timestamp int)
* ==> timestamp 拆分
* trainingData(userId int,movieId int,rating double) 前70% 训练集
* testData(userId int,movieId int,rating double) 后30% 测试集
* @Author: 留歌36
* @Date: 2019-07-17 14:55
*/
object RatingDataApp{
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.config("spark.sql.shuffle.partitions","8")
.enableHiveSupport()
.getOrCreate()
// ps:这里cache内存不够,会报错,要增加内存才行
// spark sql 性能调优 https://spark.apache.org/docs/latest/sql-performance-tuning.html
spark.catalog.cacheTable("ratings",StorageLevel.MEMORY_AND_DISK)
// 取第一行.first() first :返回的是一个Row对象 第一列元素.getLong(0)
val count = spark.sql("select count(1) from ratings").first().getLong(0)
val percent = 0.7
val trainingdatacount = (count * percent).toInt // 训练数据集大小
val testdatacount = (count * (1 - percent)).toInt // 测试数据集大小
// 1.将数据按时间 升序排序,order by limit的时候,需要注意OOM(Out Of Memory)的问题: 全表扫描+limit
val trainingDataAsc = spark.sql(s"select userId,movieId,rating from ratings order by timestamp asc")
// 2.数据写入到HDFS上 这一步可能出现OOM
trainingDataAsc.write.mode(SaveMode.Overwrite).parquet("/tmp/trainingDataAsc")
// 3.将数据加载到数据仓库中去
spark.sql("drop table if exists trainingDataAsc")
spark.sql("create table if not exists trainingDataAsc(userId int,movieId int,rating double) stored as parquet")
spark.sql("load data inpath '/tmp/trainingDataAsc' overwrite into table trainingDataAsc")
// 将数据按时间 降序排序
val trainingDataDesc = spark.sql(s"select userId,movieId,rating from ratings order by timestamp desc")
trainingDataDesc.write.mode(SaveMode.Overwrite).parquet("/tmp/trainingDataDesc")
spark.sql("drop table if exists trainingDataDesc")
spark.sql("create table if not exists trainingDataDesc(userId int,movieId int,rating double) stored as parquet")
spark.sql("load data inpath '/tmp/trainingDataDesc' overwrite into table trainingDataDesc")
/**
* 1.获取70% 升序排列数据进行训练模型
*/
val trainingData = spark.sql(s"select * from trainingDataAsc limit $trainingdatacount")
trainingData.write.mode(SaveMode.Overwrite).parquet("/tmp/trainingData")
spark.sql("drop table if exists trainingData")
spark.sql("create table if not exists trainingData(userId int,movieId int,rating double) stored as parquet")
spark.sql("load data inpath '/tmp/trainingData' overwrite into table trainingData")
/**
* 2.获取30% 降序排列数据进行测试模型
*/
val testData = spark.sql(s"select * from trainingDataDesc limit $testdatacount")
testData.write.mode(SaveMode.Overwrite).parquet("/tmp/testData")
spark.sql("drop table if exists testData")
spark.sql("create table if not exists testData(userId int,movieId int,rating double) stored as parquet")
spark.sql("load data inpath '/tmp/testData' overwrite into table testData")
}
}
步骤二:将创建的项目进行打包上传到服务器
mvn clean package -Dmaven.test.skip=true
步骤三:编写shell 执行脚本
[root@hadoop001 ml]# vim machining.sh
export HADOOP_CONF_DIR=/root/app/hadoop-2.6.0-cdh5.7.0/etc/hadoop
$SPARK_HOME/bin/spark-submit \
--class com.csylh.recommend.datamachining.RatingDataApp \
--master yarn \
--name RatingDataApp \
--driver-memory 4g \
--executor-memory 2g \
/root/data/ml/movie-recommend-1.0.jar
步骤四:执行 sh machining.sh 即可
sh machining.sh之前:
spark-sql> show tables;
default links false
default movies false
default ratings false
default tags false
Time taken: 2.145 seconds, Fetched 4 row(s)
spark-sql>
sh machining.sh之后:
http://hadoop001:8088/cluster/apps/RUNNING
这样我们基于这份rating基础数据加工就完成了。接来下就是训练我们的模型做预测。
有任何问题,欢迎留言一起交流~~
更多文章:基于Spark的电影推荐系统:https://blog.csdn.net/liuge36/column/info/29285