r - 理解 R-Hive、Elastic MapReduce、RHIPE 和使用 R 的分布式文本挖掘

Question

在我最近在 Google 实习期间学习了 MapReduce 来解决计算机视觉问题之后，我觉得自己像一个开明的人。我已经在使用 R 进行文本挖掘了。我想将 R 用于大规模文本处理和主题建模实验。我开始阅读教程并研究其中的一些。我现在将我对每个工具的理解写下来:

1) R 文本挖掘工具箱:用于本地(客户端)文本处理，它使用 XML 库

2) Hive:Hadoop interative，提供调用map/reduce的框架，也提供DFS接口(interface)，用于在DFS上存储文件。

3)RHIPE:R Hadoop集成环境

4) Elastic MapReduce with R:一个为那些没有自己的集群的人准备的 MapReduce 框架

5) 使用 R 的分布式文本挖掘:尝试从本地到服务器端处理，从 R-tm 到 R-distributed-tm 无缝移动

我对上面的包有如下疑问和困惑

1) Hive 和 RHIPE 以及分布式文本挖掘工具箱需要您拥有自己的集群。对吧？

2)如果我只有一台计算机，DFS 在 HIVE 的情况下如何工作

3) 我们是否面临与上述包重复工作的问题？

我希望在接下来的几天内获得对上述问题的见解

Answer 1

(1) Hive 和 Rhipe 不需要集群，你可以在单节点集群上运行它们。RHipe 基本上是一个集成了 R 和 Hadoop 的框架(在 R 语言中是一个包)，您可以在 Hadoop 上利用 R 的强大功能。要使用 Rhipe，您不需要集群，您可以以任何一种方式运行，即集群模式或伪模式。即使您拥有超过 2 个节点的 Hadoop 集群，您仍然可以通过指定属性 mapered.job.tracker='local' 在本地模式下使用 Rhipe。

您可以访问我的网站(搜索)“Bangalore R user groups”，您可以看到我是如何尝试使用 Rhipe 解决问题的，我希望您能得到一个公平的想法

(2)Hive 是指 R 中的 Hive 包吗？因为这个包对 Hive(hadoop 数据仓库)有些误导。

R 中的 Hive 包与 Rhipe 类似，只是增加了一些额外的功能(我还没有完全了解)。当我看到 Hive 包时，我以为他们已经将 R 与 Hive 集成在一起，但在看到功能后却不是像那个。

Hadoop 数据仓库是 HIVE，基本上是如果您对应该运行在数据子集中的某些结果子集感兴趣，您通常使用 SQL 查询来执行此操作。 HIVE 中的查询也与 SQL 查询非常相似。给你一个非常简单的例子:假设你有过去 10 年各种股票的 1TB 股票数据。现在您要做的第一件事是，您将存储在 HDFS 上，然后在其上创建一个 HIVE 表。就是这样......现在触发你想要的任何查询。您可能还想进行一些复杂的计算，例如查找简单移动平均线 (SMA)，在这种情况下，您可以编写 UDF(用户定义的函数)。除此之外你还可以使用UDTF(User defined table generating function)

(3) 如果你有一个系统，这意味着你正在以伪模式运行 Hadoop。而且你不用担心Hadoop是运行在伪模式还是集群模式，因为Hive只需要安装在NameNode上，而不需要安装在数据节点上。一旦完成正确的配置，hive 将负责在集群上提交作业。与 Hive 不同，您需要在包括 NameNode 在内的所有数据节点上安装 R 和 Rhipe。但是在任何时候，如果你只想在 NameNode 中运行作业，你可以按照我上面提到的那样做。

(4) 还有一件事 Rhipe 仅适用于批处理作业，这意味着 MR 作业将在整个数据集上运行，而 Hive 则可以在数据子集上运行。

(5)我想了解您在文本挖掘中到底在做什么，您是否正在尝试使用 HMM(隐马尔可夫模型)、CRF(条件随机字段)、特征来做一些 NLP 之王的事情，例如名称实体识别向量或 SVM(支持向量机)。或者你只是想做文档聚类、索引等嗯，有像 tm、openNLP、HMM、SVM 等包