Hadoop 在KMeanClustering--Mahout中未找到类异常

嗨，我正在试着从Github运行代码，看看集群是如何工作的， 我能够在我的windows Eclipse上编译代码

我为我的项目制作了一个jar，我想在单节点Hadoop集群（CHD-4.2.1）上运行它，并在其上安装mahout。mahout示例在此集群上运行良好，因此没有安装问题

我在commandpromt中使用以下命令来运行我的jar，我不确定我是否以正确的方式进行了尝试

user@INFPH01463U：~$mahoutjar/home/user/apurv/Kmean.jar 试用。简单方法群集

我得到了相应的错误

未设置MAHOUT_LOCAL；将HADOOP_CONF_DIR添加到类路径。跑步 在hadoop上，使用/usr/lib/hadoop/bin/hadoop和 HADOOP_CONF_DIR=/etc/HADOOP/CONF MAHOUT-JOB: /usr/lib/mahout/mahout-examples-0.7-cdh4.3.0-job.jar 13/06/06 14:42:18 WARN driver.MahoutDriver:无法添加类：jar java.lang.ClassNotFoundException:jar 位于java.net.URLClassLoader$1.run（URLClassLoader.java:202） 位于java.security.AccessController.doPrivileged（本机方法） 位于java.net.URLClassLoader.findClass（URLClassLoader.java:190） 位于java.lang.ClassLoader.loadClass（ClassLoader.java:306） 位于java.lang.ClassLoader.loadClass（ClassLoader.java:247） 位于java.lang.Class.forName0（本机方法） 位于java.lang.Class.forName（Class.java:169） 位于org.apache.mahout.driver.MahoutDriver.addClass（MahoutDriver.java:236） 位于org.apache.mahout.driver.MahoutDriver.main（MahoutDriver.java:128） 在sun.reflect.NativeMethodAccessorImpl.invoke0（本机方法）处 位于sun.reflect.NativeMethodAccessorImpl.invoke（NativeMethodAccessorImpl.java:39） 在sun.reflect.DelegatingMethodAccessorImpl.invoke（DelegatingMethodAccessorImpl.java:25）中 位于java.lang.reflect.Method.invoke（Method.java:597） 在org.apache.hadoop.util.RunJar.main（RunJar.java:208）13/06/06 14:42:18 WARN driver.MahoutDriver:在上找不到jar.props 类路径，将仅使用未知程序“jar”的命令行参数 被选中的。有效的程序名为：arff.vector:：Generate Vectors 来自ARFF文件或目录的baumwelch:：Baum Welch算法 无监督HMM训练树冠：：树冠聚类cat：：打印 逻辑回归模型将看到的文件或资源
cleansvd:：SVD输出clusterdump:的清理和验证： 将群集输出转储到文本clusterpp:：组中的群集输出 Clusters cmdump:：以HTML或文本格式转储混淆矩阵
cvb:：LDA通过折叠的变异间隔（第0衍生值约）
cvb0_local:：LDA通过折叠的变量Bayes，在本地内存中。
dirichlet:：dirichlet聚类特征割：：特征割谱 聚类评估工厂化：：计算评级的RMSE和MAE 基于模糊K-均值的矩阵分解 集群fpg:：频繁模式增长hmmpredict:：生成 给定HMM项相似性的随机观察序列： 计算基于项目的协作项目的项目相似性 过滤kmeans:：K-means聚类lucene.vector:：Generate CSV格式Lucene索引矩阵中的向量Dump:：Dump矩阵 矩阵结果：：取两个矩阵的乘积meanshift：：Mean Shift clustering minhash:：运行minhash clustering PARALLEALS:： 评级矩阵的ALS-WR因子分解推荐因子分解：： 使用评级矩阵的因式分解计算推荐值
recommenditembased:：使用基于项的方法计算建议 协作筛选regexconverter:：在服务器上转换文本文件 基于正则表达式的每行基础rowid:：Map 序列文件到 {SequenceFile， SequenceFile}rowsimilarity:：计算 矩阵行的成对相似性runAdaptiveLogistic:： 使用可能经过培训和验证的方法对新的生产数据进行评分 自适应逻辑回归模型runlogistic:：运行逻辑 针对CSV数据的回归模型seq2encoded:：Encoded Sparse 从文本序列文件生成向量seq2sparse:：Sparse 从文本序列文件生成向量seqdirectory:：Generate 目录seqdumper:：Generic中的（文本）序列文件 序列文件转储程序seqmailarchives:：从 包含gzip邮件存档的目录seqwiki:：Wikipedia xml 转储到序列文件spectralkmeans:：Spectral k-means聚类 split:：将输入数据拆分为测试集和列车集splitDataset:： 将评级数据集拆分为培训和探测零件ssvd:： 随机奇异值分解SVD:：Lanczos奇异值分解testnb: ：测试基于向量的贝叶斯分类器trainAdaptiveLogistic:： 训练自适应回归模型训练后勤：：训练a 使用随机梯度下降法的逻辑回归训练nb:： 训练基于向量的贝叶斯分类器transpose:：使用 矩阵的转置validateAdaptiveLogistic:：Validate 针对保持数据集vecdist的自适应逻辑回归模型： ：计算一组向量（或簇或簇）之间的距离 树冠，它们必须适合内存）和向量列表vectordump:： 将向量从序列文件转储到文本viterbi:：viterbi 从给定输出状态序列13/06/06解码隐藏状态 14:42:18信息驱动程序。MahoutDriver:程序耗时2毫秒（分钟： 3.333（第5E-5段）

以下是我正在使用的代码：

代码

套餐试用；
导入java.io.File；
导入java.io.IOException；
导入java.util.ArrayList；
导入java.util.List；
导入org.apache.hadoop.conf.Configuration；
导入org.apache.hadoop.fs.FileSystem；
导入org.apache.hadoop.fs.Path；
导入org.apache.hadoop.io.IntWritable；
导入org.apache.hadoop.io.LongWritable；
导入org.apache.hadoop.io.SequenceFile；
重要的
package tryout;

import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.mahout.math.RandomAccessSparseVector;
import org.apache.mahout.math.Vector;
import org.apache.mahout.math.VectorWritable;
import org.apache.mahout.clustering.kmeans.Kluster;
import org.apache.mahout.clustering.classify.WeightedVectorWritable;
import org.apache.mahout.clustering.kmeans.KMeansDriver;
import org.apache.mahout.common.distance.EuclideanDistanceMeasure;

public class SimpleKMeansClustering {
    public static final double[][] points = { {1, 1}, {2, 1}, {1, 2}, 
                                              {2, 2}, {3, 3}, {8, 8},
                                              {9, 8}, {8, 9}, {9, 9}};    


    public static void writePointsToFile(List<Vector> points,
            String fileName,FileSystem fs,Configuration conf) throws IOException {    
        Path path = new Path(fileName);    
        @SuppressWarnings("deprecation")
        SequenceFile.Writer writer = new SequenceFile.Writer(fs, conf,path, LongWritable.class, VectorWritable.class);    

        long recNum = 0;    
        VectorWritable vec = new VectorWritable();    
        for (Vector point : points) {       
         vec.set(point);      
          writer.append(new LongWritable(recNum++), vec);    
        }    writer.close();  
    }    

    public static List<Vector> getPoints(double[][] raw) {    
        List<Vector> points = new ArrayList<Vector>();    
        for (int i = 0; i < raw.length; i++) {      
            double[] fr = raw[i];      
            Vector vec = new RandomAccessSparseVector(fr.length);      
            vec.assign(fr);      
            points.add(vec);    
        }    
        return points;  
    }    
    public static void main(String args[]) throws Exception {        
        int k = 2;        
        List<Vector> vectors = getPoints(points);        
        File testData = new File("testdata");    
        if (!testData.exists()) {      
            testData.mkdir();    
        }    
        testData = new File("testdata/points");    
        if (!testData.exists()) {      
            testData.mkdir();    
        }        
        Configuration conf = new Configuration();    
        FileSystem fs = FileSystem.get(conf);    
        writePointsToFile(vectors, "testdata/points/file1", fs, conf);        
        Path path = new Path("testdata/clusters/part-00000");    
        @SuppressWarnings("deprecation")
        SequenceFile.Writer writer = new SequenceFile.Writer(fs, conf,path, Text.class, Kluster.class);
        for (int i = 0; i < k; i++) {      
            Vector vec = vectors.get(i);      
            Kluster cluster = new Kluster(vec, i, new EuclideanDistanceMeasure());      
            writer.append(new Text(cluster.getIdentifier()), cluster);    
        }    
        writer.close();        

        KMeansDriver.run(conf, new Path("testdata/points"), new Path("testdata/clusters"),      
                new Path("output"), new EuclideanDistanceMeasure(), 0.001, 10,
                true,0.0, false);        
        @SuppressWarnings("deprecation")
        SequenceFile.Reader reader = new SequenceFile.Reader(fs,new Path("output/" + Kluster.CLUSTERED_POINTS_DIR+ "/part-m-00000"), conf);        
        IntWritable key = new IntWritable();   
        WeightedVectorWritable value = new WeightedVectorWritable();    
        while (reader.next(key, value)) {      
            System.out.println(value.toString() + " belongs to cluster " + key.toString());    
        }    
        reader.close();  
    }
}

./bin/mahout kmeans -i reuters-vectors/tfidf-vectors/ -o mahout-clusters -c mahout-initial-centers -c 0.1 -k 20 -x 10 -ow