Hadoop 划桨手

我试图计算维基百科文档之间的行相似性。我有格式为

的tf idf向量：class org.apache.hadoop.io.Text Value class:class org.apache.mahout.math.VectorWritable

。我将从这里快速浏览文本分析：

我创建了一个mahout矩阵，如下所示：

mahout rowid \
   -i wikipedia-vectors/tfidf-vectors/part-r-00000
   -o wikipedia-matrix

我得到了生成的行和列的数量：

vectors.RowIdJob: Wrote out matrix with 4587604 rows and 14121544 columns to wikipedia-matrix/matrix

矩阵的格式为

Key class:class org.apache.hadoop.io.IntWritable Value class:class org.apache.mahout.math.VectorWritable

我还有一个

docIndex

文档，格式如下：

Key class:class org.apache.hadoop.io.IntWritable Value class:class org.apache.hadoop.io.Text

然后，当我运行该作业时

mahout rowsimilarity 
   -i wikipedia-matrix/matrix 
   -o wikipedia-similarity 
   -r 4587604
   --similarityClassname SIMILARITY_COSINE
   -m 50
   -ess

我得到以下错误：

13/08/25 15:18:18 INFO mapred.JobClient: Task Id : attempt_201308161435_0364_m_000001_1, Status : FAILED
java.lang.ClassCastException: org.apache.hadoop.io.Text cannot be cast to org.apache.mahout.math.VectorWritable
    at org.apache.mahout.math.hadoop.similarity.cooccurrence.RowSimilarityJob$VectorNormMapper.map(RowSimilarityJob.java:183)
    at org.apache.hadoop.mapreduce.Mapper.run(Mapper.java:144)
    at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:648)
    at org.apache.hadoop.mapred.MapTask.run(MapTask.java:322)
    at org.apache.hadoop.mapred.Child$4.run(Child.java:266)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:396)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1278)
    at org.apache.hadoop.mapred.Child.main(Child.java:260)

有人能帮我纠正这个错误吗？当输入矩阵的格式为

Key class:class org.apache.hadoop.io.IntWritable Value class:class org.apache.hadoop.mahout.math.VectorWritable时，我不确定这是从哪里来的
org.apache.hadoop.io.Text

多谢各位

最好的，
德拉根
我用以下命令解决了这个问题：

hadoop jar mahout-examples-0.9-SNAPSHOT.jar 
org.apache.mahout.math.hadoop.similarity.cooccurrence.RowSimilarityJob 
-i /user/dmilchev/wikipedia-matrix/matrix 
-o /user/dmilchev/wikipedia-similarity 
-r 4587604 --similarityClassname SIMILARITY_COSINE -m 50 -ess 

我没有收到任何错误。
当我在本地机器上以单节点模式运行它时，我没有这个问题。也许我应该提到hadoop集群运行在Cloudera 0.20.2-cdh3u6上。集群上的Mahout版本是Mahout-0.5+9.11（）。我试图对mahout-0.5运行rowSimilarity，但在这个版本中不可用。它仅从0.6开始。我尝试了从0.6到0.9的所有版本，但没有成功。对于我来说，单节点实例的问题是它为中间结果（超过100GB）消耗了大量磁盘空间，现在我用以下命令运行它：hadoop-jar-mahout-examples-0.9-SNAPSHOT.jar org.apache.mahout.math.hadoop.similarity.cooccurrence.RowSimilarityJob-I/user/dmilchev/wikipedia-matrix/matrix-o/user/dmilchev/wikipedia-similarity-r 4587604-similarityClassname-similarity\u COSINE-m50-ess，我没有得到任何错误。我想我的问题解决了。