實現R與Hadoop聯合作業的三種方法
為了滿足用R語言處理pb量級數據的需求，我們需要把它和Hadoop聯合起來使用。本文的目的就是闡述實現二者聯合作業的不同技術。
方法一：利用Streaming APIs
Hadoop支持一些 Streaming API來將R語言中的函數傳入，并在MapReduce模式下運行這些函數。這些Streaming API可以將任意能在map-reduce模式下訪問和操作標準I/O接口的R腳本傳入Hadoop中。因此，你不需要額外開啟一些客戶端之類的東西。如下是一個例子：
方法二：使用Rhipe包
Rhipe包允許用戶在R中使用MapReduce。在使用這一方法前，要做相應的前期準備工作。R需要被安裝在Hadoop集群中的每一個數據節點上，此外每個節點還要安裝Protocol Buffers(更多資料請參考 http://wiki.apache.org/hadoop/ProtocolBuffers)，Rhipe也需要在每個節點上都可以被使用。
下面是在R中利用Rhipe應用MapReduce框架的范例：
方法三：使用RHadoop
RHadoop是Recolution Analytics下的一個開源庫，與Rhipe類似，它的功能也是在MapReduce模式下執行R函數。后續列舉的都是該庫中的一些包。plyrmr 包可以在Hadoop中對大數據集進行一些常用的數據整理操作。rmr包提供了一些讓R和Hadoop聯合作業的函數。rdfs包提供了一些函數來連接R 和分布式文件系統(HDFS)。rhbase包中的函數則能連接R和HBase。
下面這個例子中，我們會演示如何使用rmr包中的一些函數來讓R與Hadoop聯合作業。
方法總結
總的說來，上述三種方法都能很容易地實現R與Hadoop的聯合作業，這樣一來R就擁有了在分布式文件系統(HDFS)上處理大數據的能力。但同時，這三種方法也各有利弊。
關鍵結論：
1、使用Streaming APIs最為簡單，它的安裝和設置都很方便。Rhipe和RHadoop都需要對R進行一些設置，并且也需要Hadoop集群上一些包的支持。但在執行函數方面，Streaming APIs 需要將函數依次map和reduce，而Rhipe和RHadoop允許開發者在R函數中定義并調用MapReduce函數。
2、與Rhipe和RHadoop不同，使用Streamings APIs也不需要客戶端。
3、除此之外，我們也可以使用Apache Mahout，Apache Hive，Segue框架與其他來自Revolution Analytics的商業版R來實現大規模機器學習。
