[原]Spark加载PMML进行预测
fansy1990发表于 2016-11-22 23:17:24
软件版本：
CDH:5.8.0 , CDH-hadoop :2.6.0 ; CDH-spark :1.6.0
目标：
使用Spark 加载PMML文件到模型，并使用Spark平台进行预测（这里测试使用的是Spark on YARN的方式）。
具体小目标：
1. 参考https://github.com/jpmml/jpmml-spark 实现，能运行简单例子；
2. 直接读取HDFS上面的输入数据文件，使用PMML生成的模型进行预测；
（第1点和第2点的不一样的地方体现在输入数据的构造上，可以参看下面的代码）
具体步骤：
1. 准备原始数据，原始数据包括PMML文件，以及测试数据；分别如下：
<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<PMML version="4.2" xmlns="http://www.dmg.org/PMML-4_2">
<Header description="linear SVM">
<Application name="Apache Spark MLlib"/>
<Timestamp>2016-11-16T22:17:47</Timestamp>
</Header>
<DataDictionary numberOfFields="4">
<DataField name="field_0" optype="continuous" dataType="double"/>
<DataField name="field_1" optype="continuous" dataType="double"/>
<DataField name="field_2" optype="continuous" dataType="double"/>
<DataField name="target" optype="categorical" dataType="string"/>
</DataDictionary>
<RegressionModel modelName="linear SVM" functionName="classification" normalizationMethod="none">
<MiningSchema>
<MiningField name="field_0" usageType="active"/>
<MiningField name="field_1" usageType="active"/>
<MiningField name="field_2" usageType="active"/>
<MiningField name="target" usageType="target"/>
</MiningSchema>
<RegressionTable intercept="0.0" targetCategory="1">
<NumericPredictor name="field_0" coefficient="-0.36682158807862086"/>
<NumericPredictor name="field_1" coefficient="3.8787681305811765"/>
<NumericPredictor name="field_2" coefficient="-1.6134308474471166"/>
</RegressionTable>
<RegressionTable intercept="0.0" targetCategory="0"/>
</RegressionModel>
</PMML>
以上pmml文件是由一个svm模型构建的，其输入有三个字段，有一个目标输出，代表类别；输入测试数据，如下：
field_0,field_1,field_2 98,97,96 1,2,7这个数据由列名和数据组成，这里需要注意，列名需要和pmml里面的列名对应；
2. 把https://github.com/jpmml/jpmml-spark工程下载到本地，并添加如下代码：
package org.jpmml.spark;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.ml.Transformer;
import org.apache.spark.sql.*;
import org.jpmml.evaluator.Evaluator;
public class SVMEvaluationSparkExample {
static
public void main(String... args) throws Exception {
if(args.length != 3){
System.err.println("Usage: java " + SVMEvaluationSparkExample.class.getName() + " <PMML file> <Input file> <Output directory>");
System.exit(-1);
}
/**
* 根据pmml文件，构建模型
*/
FileSystem fs = FileSystem.get(new Configuration());
Evaluator evaluator = EvaluatorUtil.createEvaluator(fs.open(new Path(args[0])));
TransformerBuilder modelBuilder = new TransformerBuilder(evaluator)
.withTargetCols()
.withOutputCols()
.exploded(true);
Transformer transformer = modelBuilder.build();
/**
* 利用DataFrameReader从原始数据中构造 DataFrame对象
* 需要原始数据包含列名
*/
SparkConf conf = new SparkConf();
try(JavaSparkContext sparkContext = new JavaSparkContext(conf)){
SQLContext sqlContext = new SQLContext(sparkContext);
DataFrameReader reader = sqlContext.read()
.format("com.databricks.spark.csv")
.option("header", "true")
.option("inferSchema", "true");
DataFrame dataFrame = reader.load(args[1]);// 输入数据需要包含列名
/**
* 使用模型进行预测
*/
dataFrame = transformer.transform(dataFrame);
/**
* 写入数据
*/
DataFrameWriter writer = dataFrame.write()
.format("com.databricks.spark.csv")
.option("header", "true");
writer.save(args[2]);
}
}
}这个代码主要实现的是小目标1，即参考jpmml-spark工程给的示例，编写代码；代码有四个部分，第一部分读取HDFS上面的PMML文件，然后构建模型；第二部分使用DataFrameReader根据输入数据构建DataFrame数据结构；第三部分，使用模型对构造的DataFrame数据进行预测；第四部分，把预测的结果写入HDFS。注意里面在构造数据的时候.option("header","true")是一定要加的，原因如下：1）原始数据中确实有列名；2）如果这里不加，那么将读取不到列名的相关信息，将不能和模型中的列名对应；（当然，下面有其他方法处理这种情况）。
3. 上传测试数据以及pmml文件到HDFS，进行测试，代码如下：
spark-submit --master yarn --class org.jpmml.spark.SVMEvaluationSparkExample /opt/tmp/example-1.0-SNAPSHOT.jar hdfs://quickstart.cloudera:8020/tmp/svm/part-00000 sample_test_data.txt sample_out00其中，example-1.0-SNAPSHOT.jar 是编译后的jar包；/tmp/svm/part-00000时svm模型的pmml文件；sample_test_data.txt 是测试数据；sample_out00是输出目录；
查看结果：
根据输出的结果，也可以看出预测结果是对的。
4. 如何实现小目标2呢？
编写代码：
/*
* Copyright (c) 2015 Villu Ruusmann
*
* This file is part of JPMML-Spark
*
* JPMML-Spark is free software: you can redistribute it and/or modify
* it under the terms of the GNU Affero General Public License as published by
* the Free Software Foundation, either version 3 of the License, or
* (at your option) any later version.
*
* JPMML-Spark is distributed in the hope that it will be useful,
* but WITHOUT ANY WARRANTY; without even the implied warranty of
* MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
* GNU Affero General Public License for more details.
*
* You should have received a copy of the GNU Affero General Public License
* along with JPMML-Spark. If not, see <http://www.gnu.org/licenses/>.
*/
package org.jpmml.spark;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.ml.Transformer;
import org.apache.spark.sql.*;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import org.dmg.pmml.FieldName;
import org.jpmml.evaluator.Evaluator;
import java.util.ArrayList;
import java.util.List;
//import org.jpmml.evaluator.FieldValue;
public class EvaluationSparkExample {
static
public void main(String... args) throws Exception {
if(args.length != 3){
System.err.println("Usage: java " + EvaluationSparkExample.class.getName() + " <PMML file> <Input file> <Output directory>");
System.exit(-1);
}
/**
* 构造模型
*/
FileSystem fs = FileSystem.get(new Configuration());
Evaluator evaluator = EvaluatorUtil.createEvaluator(fs.open(new Path(args[0])));
TransformerBuilder modelBuilder = new TransformerBuilder(evaluator)
.withTargetCols()
.withOutputCols()
.exploded(true);
Transformer transformer = modelBuilder.build();
/**
* 构造列名,schema
*/
List<StructField> fields = new ArrayList<>();
for (FieldName fieldName: evaluator.getActiveFields()) {
fields.add(DataTypes.createStructField(fieldName.getValue(), DataTypes.StringType, true));
}
StructType schema = DataTypes.createStructType(fields);
/**
* 原始数据构造成DataFrame
*/
SparkConf conf = new SparkConf();
final String splitter = ",";
try(JavaSparkContext sparkContext = new JavaSparkContext(conf)){
JavaRDD<Row> data = sparkContext.textFile(args[1]).map(new Function<String, Row>() {
@Override
public Row call(String line) throws Exception {
String[] lineArr = line.split(splitter,-1);
return RowFactory.create(lineArr);
}
});
SQLContext sqlContext = new SQLContext(sparkContext);
DataFrame dataFrame = sqlContext.createDataFrame(data, schema);
/**
* 预测，并生成新的DataFrame
*/
dataFrame = transformer.transform(dataFrame);
/**
* 把评估后的数据写入HDFS，不要写入列名
*/
DataFrameWriter writer = dataFrame.write()
.format("com.databricks.spark.csv");
writer.save(args[2]);
}
}
}这个代码和上一个代码的不同之处只是从原始测试数据中构造DataFrame不同，这里使用的PMML模型中的列名信息，代码参考：http://spark.apache.org/docs/1.6.0/sql-programming-guide.html#interoperating-with-rdds；同时，这时，原始测试数据就不需要再添加列名信息了。由于在代码中，在输出的时候也把列名信息给去掉了，所以只输出数据。运行后，其结果如下所示：其调用代码如下所示：
spark-submit --master yarn --class org.jpmml.spark.EvaluationSparkExample /opt/tmp/example-1.0-SNAPSHOT.jar hdfs://quickstart.cloudera:8020/tmp/svm/part-00000 sample_test_data1.txt sample_out02其中，sample_test_data1.txt是没有列名的数据。
分享，成长，快乐
转载请注明blog地址：http://blog.csdn.net/fansy1990