Flink HBase输入的机器学习算法

Question

我想使用Flink- hbase插件读取数据，然后作为Flink机器学习算法的输入，分别是SVM和MLR。现在，我首先将提取的数据写入临时文件，然后通过libSVM方法读取它，但我想应该有一个更复杂的方法。

你有一个代码片段或一个想法如何做到这一点?

Answer 1

不需要将数据写入磁盘，然后使用MLUtils.readLibSVM读取。原因如下:

MLUtils.readLibSVM期望一个文本文件，其中每行是带有其相关标签的稀疏特征向量。它使用以下格式来表示标签-特征向量对:

<line> .=. <label> <feature>:<value> <feature>:<value> ... <feature>:<value> # <info>

其中<feature>为特征向量中后续value的索引。MLUtils.readLibSVM可以读取这种格式的文件，并转换LabeledVector实例中的每一行。因此，在读取了a libSVM文件之后，您将获得一个DataSet[LabeledVector]。这正是SVM和MultipleLinearRegression预测器所需的输入格式。

但是，根据您从HBase获得的数据格式，您首先必须将数据转换为libSVM格式。否则，MLUtils.readLibSVM将无法读取写入的文件。如果您转换数据，那么您也可以直接将数据转换为DataSet[LabeledVector]并将其用作Flink的ML算法的输入。这避免了不必要的磁盘周期。

如果您从HBase中获得了一个DataSet[String]，其中每个字符串都具有libSVM格式(参见上面的规范)，那么您可以使用下面的map函数在HBase DataSet上应用map操作。

val hbaseInput: DataSet[String] = ...
val labelCOODS = hbaseInput.flatMap {
  line =>
    // remove all comments which start with a '#'
    val commentFreeLine = line.takeWhile(_ != '#').trim
    if(commentFreeLine.nonEmpty) {
      val splits = commentFreeLine.split(' ')
      val label = splits.head.toDouble
      val sparseFeatures = splits.tail
      val coos = sparseFeatures.map {
        str =>
          val pair = str.split(':')
          require(
            pair.length == 2, 
            "Each feature entry has to have the form <feature>:<value>")
          // libSVM index is 1-based, but we expect it to be 0-based
          val index = pair(0).toInt - 1
          val value = pair(1).toDouble
          (index, value)
      }
      Some((label, coos))
    } else {
      None
    }
// Calculate maximum dimension of vectors
val dimensionDS = labelCOODS.map {
  labelCOO =>
    labelCOO._2.map( _._1 + 1 ).max
}.reduce(scala.math.max(_, _))
val labeledVectors: DataSet[LabeledVector] = 
  labelCOODS.map{ new RichMapFunction[(Double, Array[(Int, Double)]), LabeledVector] {
  var dimension = 0
  override def open(configuration: Configuration): Unit = {
    dimension = getRuntimeContext.getBroadcastVariable(DIMENSION).get(0)
  }
  override def map(value: (Double, Array[(Int, Double)])): LabeledVector = {
    new LabeledVector(value._1, SparseVector.fromCOO(dimension, value._2))
  }
}}.withBroadcastSet(dimensionDS, DIMENSION)

这将把libSVM格式的数据转换为LabeledVectors的数据集。