【转】R语言中的并行计算——搭建R的集群

转载：http://blog.sina.com.cn/s/blog_83bb57b70101qeys.html

 

一直纠结于R的大数据计算问题，希望可以找到一个彻底的方案解决它。而云服务器当然是解决这个问题的最佳方案，所以，至少从这方面入手。

 

R的云服务器部署有两种解决方案，一种是使用R语言的并行计算，另外一种是使用RHadoop框架。

RHadoop框架其实就是M / R 算法的R语言实现，需要使用者有M / R的计算基础，和R语言平常使用的计算方式有很大的不同，因此，我采用的解决方案是搭建R 的并行计算集群。

 

如果对R语言的并行计算不了解的同学，可以参考原博主发布的这篇文章——《R语言中的并行运算》。

 

在两台IP地址不同的Linux机器上面安装好R，然后每台机器都安装snow包，最后注意一点是，需要配置ssh的免密码登录，不同的linux用户需要配置自己的免密码登录，并且，需要用到R集群的用户都需要使用自己的账户安装snow包。

 

以下是测试代码：

 

library(snow);

workerList <- list(

list(host = "192.168.1.100", port = 10187, outfile = "~/log1.log", rshcmd = "ssh -p 22222"),

list(host = "192.168.1.101", port = 10187, outfile = "~/log2.log", rshcmd = "ssh -p 22222"),

list(host = "192.168.1.101", port = 10187, outfile = "~/log3.log", rshcmd = "ssh -p 22222")

);

 

cl <- makeCluster(workerList, type="SOCK", master="192.168.1.100")

 

stopCluster(cl);

 

代码解释：

1、配置每台服务器的属性

list(host = "192.168.1.100", port = 10187, outfile = "~/log1.log", rshcmd = "ssh -p 22222")

服务器的配置选项如下：

名称	类型	描述	默认值
port	integer	R使用的集群的端口	10187
timeout	integer	服务器之间链接超时时间	31536000（一年）
master	string	集群主机IP（或者域名）	Sys.info()["nodename"]
type	string	服务器之间连接类型	NULL
outfile	string	日记输出的文件路径	NULL
user	string	服务器用户名	Sys.info()["user"]
rshcmd	string	SSH执行命令	ssh
rlibs	string	服务器上R的安装路径	$R_LIBS
scriptdir	string	snow安装包的安装路径
rprog	string	R程序的执行路径	$R_HOME/bin/R
snowlib	string	snow安装包的路径
rscript	string	R脚本所在路径	$R_HOME/bin/Rscript

以上为R集群中的各个服务器的常用配置参数列表。

 

2、根据配置，创建R语言并行计算集群，master指明主节点，这个在我实践的过程中是必须配置的。

cl <- makeCluster(workerList, type="SOCK", master="192.168.180.216")

 

3、运算结束后，关闭集群机器

stopCluster(cl);