spark hands-on
TRANSCRIPT
Spark hands-on
Jorge López-Malla [email protected]
CONTACTO Gaspar Muñ[email protected]
Introducción
● Introducción al Big Data
● Hadoop
● ¿Por qué Spark?
1
4
Conceptos de Spark
● RDD - Dataframe - DStream
● Componentes de un clúster
● Despliegue de Spark
2
5
3
6Spark SQL
● Introducción
● Dataframe API
● Datasources
● Ejemplos prácticos y Ejercicios
Spark core
● Transformaciones
● Acciones
● Variables compartidas
● Ejemplos prácticos y Ejercicios
Spark Streaming
● Receivers
● Operaciones con DStreams
● Operaciones con ventanas
● Operaciones “Stateful”
MlLib
● Introducción
● Algoritmos
● Ejemplos prácticos
Quienes somos
Tras trabajar con algunas
metodologías tradicionales
empecé a centrarme en el
mundo del Big Data, del cual
me enamoré. Ahora soy
arquitecto Big Data en Stratio y
he puesto proyectos en
producción en distintas partes
del mundo.
Quienes somos
Arquitecto Big Data y
desarrollador en Stratio desde
su creación. He trabajado en
multitud de exitosos proyectos
con Hadoop, Spark y todo su
ecosistema.
Introducción al Modelo de Map & Reduce
Introducción al Modelo de Map & Reduce
Map&Reduce es un modelo de programación utilizado por Google para dar soporte a la computación
paralela sobre grandes colecciones de datos en grupos de computadoras y al commodity computing. El
nombre del framework está inspirado en los nombres de dos importantes métodos, macros o funciones
en programación funcional: Map y Reduce. MapReduce ha sido adoptado mundialmente, ya que existe
una implementación OpenSource denominada Hadoop. Su desarrollo fue liderado inicialmente por
Yahoo y actualmente lo realiza el proyecto Apache. En esta década de los años 2010 existen diversas
iniciativas similares a Hadoop tanto en la industria como en el ámbito académico, entre ellas está Spark.
Introducción al Modelo de Map & Reduce
Map(k1,v1) -> list(k2,v2) Reduce(k2,list(v2)) -> (k3,v3)
Introducción al Modelo de Map & Reduce
Fases opcionales del modelo
Aunque el modelo Map & Reduce puede realizarse únicamente con las fases de Map y de Reduce existen una serie de fases
opcionales que nos ayudan a mejorar y optimizar nuestros procesos. Estas fases son:
● Combiner (Fase de Combinación)
● Partitioner (Fase de Particionado)
Map Combiner Partitioner Reduce
Introducción al Modelo de Map & Reduce
Apache Hadoop es un framework de procesamiento y almacenamiento distribuido que facilita la
programación de tareas mediante el paradigma map & reduce y es escalable desde unos pocos hasta miles de
nodos. Es bastante robusto y está diseñado para trabajar en alta disponibilidad, con tolerancia a fallos y en su
versión reciente gestionar recursos de manera muy eficiente.
Introducción al Modelo de Map & Reduce
Introducción al Modelo de Map & Reduce
Apache Spark es una framework de procesamiento distribuido en memoria de segunda
generación que facilita la analítica de grandes conjuntos de datos integrando diferentes
paradigmas como Bases de Datos NoSQL, analítica en tiempo real, machine learning o análisis de
grafos mediante un único lenguaje común.
SPARK CORE
SQL RSTREAMING MlLib GraphX
Introducción al Modelo de Map & Reduce
•
•
•
•
•
•
•
•
•
Definición:
Un RDD en Spark es una colección de colecciones de objetos inmutable y distribuida. Cada RDD está dividido en diferentes particiones, que
pueden ser computadas en los distintos nodos del Cluster de Spark.
Es la Unidad mínima de computación en Spark
Ej:
El RDD numbers es un rdd de enteros que está distribuido por en un cluster con 3 Workers{W1, W2, W3}
numbers = RDD[1,2,3,4,5,6,7,8,9,10]
Conceptos de Spark
W1 W2 W2
[1,5,6,9] [2,7,8] [3,4,10]
Definición:
Un DStream representa una corriente de datos, un conjunto de datos que llegan de manera continua desde una fuente. En Spark este
concepto se implementa como “micro batchs” de RDDs.
Es la unidad mínima de procesamiento de Spark Streaming
Ej:
Conceptos de Spark
DStream
R
D
D
R
D
D
R
D
D
R
D
D
R
D
D
R
D
D
R
D
D
R
D
D
Definición:
Un DataFrame en Spark es una colección de colecciones de objetos inmutable y distribuida organizada en columnas con nombre.
Conceptualmente es igual que una tabla en una base de datos relacional. Estos datos pueden provenir de muchas fuentes de datos
estructurados como Json, CSV, tablas de Hive u otros RDD existentes
Es la Unidad mínima de computación en Spark SQL
Ej:
El RDD persons es un Dataframe que representa la tabla persona que tiene un campo nombre, texto, y otro campo edad, un entero.
Conceptos de Spark
W1 W2 W3
[Jorge, 31] [Gaspar, 28] [María 23]
persons= Dataframe[(Jorge, 31);
(Gaspar, 28);
(María, 23)]
Nombre -> String; Edad -> Int
Spark se puede desplegar de distintas maneras:
● Local: Levanta un cluster embebido de Spark.○ Se hace creando un SparkContext con master = local[NumeroCores]○ El SparkMaster se levanta en el propio proceso y no es accesible ni por via web○ Los Workers, tantos como NúmeroCores, se levantan también en el propio proceso (página de stages accesible vía Web)
● Standalone:○ El SparkMaster se lanza en una máquina del cluster. Web en el Master○ Tendrá tantos Workers como máquinas se indiquen en el fichero slaves○ Se despliega mediante el script start-all.sh de Spark.
Conceptos de Spark
Spark se puede desplegar de distintas maneras:
● YARN○ Se usa el gestor de recursos de Hadoop YARN○ Nuestra aplicación de Spark se lanza dentro de un contenedor de Yarn, que es el encargado de dar los recursos○ Podemos tener varios SparkMaster corriendo a la vez en el cluster (ojo NO podrán compartir información)
● Mesos:○ Mesos es otro gestor de recursos, Spark fue uno de sus Casos de uso○ Como con YARN puede haber más de un SparkMaster (tampoco se podrá compartir su información)○ Se usaba con frecuencia en el primeros momentos de spark, ahora se usa con menos frecuencia.
Conceptos de Spark
Los RDD tienen dos tipos de operaciones:
1. Transformaciones: Son aquellas operaciones que tras ejecutarlas nos devuelven otro RDD. Como un RDD no deja de ser una colección
distribuida estas operaciones son Lazy por lo que no se realizará ningún cálculo a no ser que al final del árbol de operaciones haya una
acción.
2. Acciones: Son operaciones que una vez realizadas sobre un RDD nos devuelven un objeto distinto a un RDD o vacío. Este tipo de
operaciones hace que se lance la ejecución del workflow y por consiguiente que se ejecute nuestra aplicación de Spark.
Spark Core
Spark Core
map
Devuelve el rdd resultante de aplicar una función a cada uno de los elementos del rdd que lo invoca:
map(f: (V) ⇒ U) : RDD[U]
map
scala> val rddUpper = rddCow.map(_.toUpperCase)
rddUpper: org.apache.spark.rdd.RDD[String] = MappedRDD[1] at map
rddCow rddUpper
I've never seen a purple cow
I never hope to see one
But i can tell you, anyhow,
I’d rather see than be one
I'VE NEVER SEEN A PURPLE COW
I NEVER HOPE TO SEE ONE
BUT I CAN TELL YOU, ANYHOW,
I’D RATHER SEE THAN BE ONE
Spark Core
flatMap scala> val rddCowWords = rddCow.flatMap(_.split(" "))
rddCowWords: org.apache.spark.rdd.RDD[String] = FlatMappedRDD[2] at flatMap
scala> rddCow.partitions.size == rddCowWords.partitions.size
res1: Boolean = true
scala> rddCow.count == rddCowWords.count
25/04/15 10:30:28 INFO SparkContext: Starting job: count
25/04/15 10:30:28 INFO DAGScheduler: Got job 2 (count) with 3 output partitions
(allowLocal=false)
…
25/04/15 10:30:20 INFO DAGScheduler: Job 3 finished: count, took 0,11456 s
res2: Boolean = false
flatMap
rddCowWords
I've never seen a purple cow
I never hope to see one
But i can tell you, anyhow,
I’ve
never
seen
a
purple
cow
I
never
hope
to
see
one
But
i
can
tell
you,
anyhow
rddCow
Spark Core
filter scala> val rddEven = rddNumber.filter(number => number%2 == 0)
rddEven : org.apache.spark.rdd.RDD[Int] = FlatMappedRDD[3] at filter
scala> rddNumber.partitions.size == rddEven.partitions.size
res3: Boolean = true
scala> rddNumber.count == rddEven.count
25/11/15 11:30:28 INFO SparkContext: Starting job: count
25/11/15 11:30:28 INFO DAGScheduler: Got job 2 (count) with 3 output partitions (allowLocal=false)
…
25/11/15 11:30:20 INFO DAGScheduler: Job 3 finished: count, took 0,11456 s
res4: Boolean = false
filter
rddEven
1
2
3
rddNumber
2
join:
Spark Core
(Algebra, prof1)
(Calculus, prof2)
(Sw Engineering , prof2)
(Algebra, alumn1)
(Logic, alumn1)
(Algebra, alum3)
(Algebra, alum2)
(Calculus, alum1)
(Calculus, alum2)
(Algebra, alum4)
(Algebra, (prof1,alumn1)
(Algebra, (prof1, alum3)
(Algebra, (prof1, alum2))
(Algebra, (prof1, alum4))
(Calculus, (prof2, alum2))
(Calculus, (prof2, alum1))
rddCourseTeacher
rddCourseStudent
rddCourseTeacherStudent
scala> val rddCourseTeacherAllStudent = rddCourseTeacher.leftOuterJoin(rddCourseStudent)
rddCourseTeacherStudent: org.apache.spark.rdd.RDD[(String,(Int, Int))] =
FlatMappedValuesRDD[1] at join
join
groupByKey:
Agrupa los valores por una clave devolviendo una lista por cada clave
groupByKey() : RDD[(K,Iterable[V])]
Spark Core
(odd, 3)
(odd, 3)
(odd, 5)
(even, 12)
(even, 4)
(even, 4)
groupByKey
(odd, (3, 3, 5))
(even, (4, 4, 12)
rddIsEvenNumber
rddIsEvenNumbers
scala> val rddIsEvenNumbers = rddIsEvenNumber.groupByKey
rddIsEvenNumbers: org.apache.spark.rdd.RDD[(String, Iterable[Int])] = ShuffledRDD[1] at groupByKey
rddVisits
combineByKey:
Spark Core
Shuffle
(February, (5, 1))
(January, (21, 5))
(June, (2,2))
(March, (2,2))
rddMeanVisitsByMonth
scala> val rddMeanVistisByMonth = rddVisits.combineByKey(
(visit: Int) => (visit, 1),
(comb: (Int, Int), visit) => (comb._1 + visit, comb._2 + 1),
(combAcc: (Int, Int), comb: (Int, Int)) => (combAcc._1 + comb._1, combAcc._2 +
comb._2))
rddMeanVistisByMonth: org.apache.spark.rdd.RDD[(String, (Int, Int))] = ShuffledRDD[2]
2
1
3
(March, 4)
(March, 4)
(January, 4)
(January, 4)
(January, 3)
(January, 5)
(June, 2)
(March, 3)
(February, 5)
(June, 1)
(January, 5)
1
1
1
1
1
1
1
2
1
1
2
1
1
2
3
3
3
3
Acciones:
Las acciones son los métodos de Spark que hacen que se ejecute todo el workflow asociado a una acción. Hasta el
momento no se ha ejecutado ninguna operación ni se han movido los datos de los repositorios distribuidos.
Hay que tener cuidado con algunas de estas operaciones porque pueden dar como resultado el traer todos los datos de
un repositorio Big Data a una sola máquina.
A continuación enumeramos algunas de las usadas.
Spark Core
numVisits
count
Cuenta el número de registros de un RDD
countByKey: Map[K, Long]
Spark Core
(January, (3, 5, 7))
(March, (3))
(February, (5))
(June, (1, 2))
(March, (4, 4))
(January, (4, 4))
rddVisitsByMonth
count
scala> val numVisits = rddVisitsByMonth.count
numVisits: Int
6
visits
collect
Recolecta todos los datos de un RDD en forma de lista
countByKey: Map[K, Long]
Spark Core
(January, (3, 5, 7))
(March, (3))
(February, (5))
(June, (1, 2))
(March, (4, 4))
(January, (4, 4))
rddVisitsByMonth
collect
scala> val visits = rddVisitsByMonth.collect
numVisits: Array[(Int, List[Int]]
[(January, (3, 5, 7)),(March, (3)),
(February, (5)),(June, (1, 2))
(March, (4, 4))(January, (4, 4))]
VisitsMap
countByKey
Devuelve los datos al Driver en forma de Map con un contador por clave
countByKey: Map[K, Long]
Spark Core
(January, (3, 5, 7))
(March, (3))
(February, (5))
(June, (1, 2))
(March, (4, 4))
(January, (4, 4))
rddVisitsByMonth
countByKey
scala> val visitsMap = rddVisitsByMonth.countByKey
visitsMap: scala.collection.Map[String,Long]
{(January, 2),(March, 1),(June, 1),
(February, 1)}
foreach
Recorre todo el RDD ejecutando una acción. Esta acción no debe devolver ningún valor.
Spark Core
(January, (3, 5, 7))
(March, (3))
(February, (5))
(June, (1, 2))
(March, (4, 4))
(January, (4, 4))
rddVisitsByMonth
scala> rddVisitsByMonth.foreach(tuple => println(tuple._2.reduce(_ + _)))
15
3
5
3
8
8
Variables compartidas:
Las variables compartidas son tipos de variables especiales que se pueden usar dentro de las tareas de Spark.
Aunque se crean en el Driver se actualizan y se les da uso en los Workers, dentro de cada tarea de Spark.
Se dividen en dos tipos:
● Contadores distribuidos: accumulator
● Variables distribuidas por el cluster: broadcast
Spark Core
Contadores distribuidos:
Spark Core
scala> val blankLines = sc.accumulator(0)
scala> val nonEmpty = file.flatMap(line => {if (line == "") blankLines += 1; line.split(" ")})
scala> ("Blank lines: " + blankLines.value)
res0: String = Blank lines: 0
scala> nonEmpty.collect
scala> ("Blank lines: " + blankLines.value)
res2: String = Blank lines: 2
rddFile
“Hi There”
“I’m fine”
“I’m great”
Hi
There
i’m
fine
I’m
great
flatMap
nonEmpty
Variables Compartidas
scala> val correctionFactor = sc.broadCast(0.35)
scala> val prizesCorrected = prizes.map(idValue => (idValue._1, idValue._2 * correctionFactor.value))
rddPrizes
(art1, 1)
(art2, 0.5)
(art21, 0.5)
(art25, 4)
(art23, 2)
(art52, 40)
mapValues
(art1, 0.35)
(art2, 0.175)
(art21, 0.175)
(art25, 1.4)
(art23, 0.7)
(art52, 14)
prizesCorrected
0.35
Variables distribuidas por el cluster:
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
*
*/
scala> val ratingCounter = ratingRdd.map(rating => (rating.movieId, 1).reduceByKey(
(counter1, counter2)=> counter1 + counter2)
scala> val idMovieRatingRdd = movieRdd.map(movie => (movie.movieId,
movie.name)).join(ratingCounter)
scala> idMovieRatingRdd.map(idMovieRating => (idMovieRating._2._2, idMovieRating._2._1))
.sortByKey(false).map(counterName => (counterName._2, counterName._1)).collect.head
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
* Saca la película más vista
*/
scala> val ratingCounter = ratingRdd.map(rating => (rating.movieId, 1).reduceByKey(
(counter1, counter2)=> counter1 + counter2)
scala> val idMovieRatingRdd = movieRdd.map(movie => (movie.movieId,
movie.name)).join(ratingCounter)
scala> idMovieRatingRdd.map(idMovieRating => (idMovieRating._2._2, idMovieRating._2._1))
.sortByKey(false).map(counterName => (counterName._2, counterName._1)).collect.head
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
*
*/
scala> val aux1 = ratingRdd.map(rating => (rating.movieId, rating.rating).combineByKey(
(rating: Int) => (rating, 1),
(comb: (Int, Int), rating) => (comb._1 + rating, comb._2 + 1),
(combAcc: (Int, Int), comb: (Int, Int)) => (combAcc._1 + comb._1, combAcc._2 +
comb._2)).map(idRatingSum => (idRatingSum._1, idRatingSum._2._1/ idRatingSum._2._2))
.filter(avgId => avgId._2 > 10)
scala> val aux2 = aux1.join(moviesRdd.map(movie => (movie.idMovie, (movie.name, movie.gender))))
scala> aux2.map(idAvgNameGender => (idAvgNameGender._2._1, idAvgNameGender._2._2))
.sortByKey(false).map(avgId => (avgId._2, avgId._1)).collect.head
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
* Saca el nombre y género de la película con mejor media
*/
scala> val aux1 = ratingRdd.map(rating => (rating.movieId, rating.rating).combineByKey(
(rating: Int) => (rating, 1),
(comb: (Int, Int), rating) => (comb._1 + rating, comb._2 + 1),
(combAcc: (Int, Int), comb: (Int, Int)) => (combAcc._1 + comb._1, combAcc._2 +
comb._2)).map(idRatingSum => (idRatingSum._1, idRatingSum._2._1/ idRatingSum._2._2))
.filter(avgId => avgId._2 > 10)
scala> val aux2 = aux1.join(moviesRdd.map(movie => (movie.idMovie, (movie.name, movie.gender))))
scala> aux2.map(idAvgNameGender => (idAvgNameGender._2._1, idAvgNameGender._2._2))
.sortByKey(false).map(avgId => (avgId._2, avgId._1)).collect.head
Spark Sql
Proyecto: FlightsDataset: AirlinesObjetivo: Rellenar los métodos de una DSL en Scala y que los tests pasen correctamente.
Repositorio: https://github.com/SparkCodemotion/Flights
Spark Sql
Spark SQL nace en la versión 1.0 y quiere aunar y mejorar diferentes iniciativas de “SQL-on-Hadoop” ya
existentes.
• Ejecuta consultas SQL / HiveQL sobre RDD’s o datasources.
• Conecta herramientas de BI a Spark mediante JDBC vía “thrift server”
• Manejo con Python, Scala, Java, R
Spark Sql
Un DataFrame es una colección de Rows que contiene un esquema específico indícando el nombre de
las columnas y el tipo de dato que contiene cada una de ellas.
Conceptualmente es equivalente a una tabla en una base de datos relacional pero con una capa de
optimización que transforma lógica SQL en un plan “físico” basado en RDD’s para ser ejecutados en
Spark.
Spark Sql
El trabajo con SQL puede hacerse de forma directa haciendo consultas en este lenguaje o haciendo uso
de una completa API que han desarrollado y que permite trabajar de forma programática con todas la
funcionalidad del lenguaje y añadiendo la propia, integrada totalmente con el core de Spark.
• Proyección y filtrado de columnas• Joins entre datasources diferentes• Funciones de agregación• Soporte para UDF’s• API extensible
Spark Sql
Spark Streaming
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
import org.apache.spark.sql.functions._
import sqlContext.implicits._
val moviesDF = sc.textFile("/home/gmunoz/datasets/ml/movies.dat")
.map( line => line.split("::")).map(m => Movie(m(0).toInt,m(1),m(2))).toDF().cache()
val tagsDF = sc.textFile("/home/gmunoz/datasets/ml/tags.dat")
.map( line => line.split("::")).map(t =>
Tag(t(0).toInt,t(1).toInt,t(2),t(3).toLong)).toDF().cache()
val ratingsDF = sc.textFile("/home/gmunoz/datasets/ml/ratings.dat")
.map( line => line.split("::")).map(r =>
Rating(r(0).toInt,r(1).toInt,r(2).toFloat,r(3).toLong)).toDF().cache()
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
*
*/
ratingsDF.select('movieId).groupBy('movieId).agg(count('movieId) as "count").sort('count.desc)
.join(moviesDF.select('name, 'movieId), moviesDF("movieId") === ratingsDF("movieId"),
joinType = "inner")
.select('name, 'count).show(1)
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
* Saca el nombre de la película más votada
*/
ratingsDF.select('movieId).groupBy('movieId).agg(count('movieId) as "count").sort('count.desc)
.join(moviesDF.select('name, 'movieId), moviesDF("movieId") === ratingsDF("movieId"),
joinType = "inner")
.select('name, 'count).show(1)
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
* Saca el nombre de la película más votada
*/
ratingsDF.select('movieId).groupBy('movieId).agg(count('movieId) as "count").sort('count.desc)
.join(moviesDF.select('name, 'movieId), moviesDF("movieId") === ratingsDF("movieId"),
joinType = "inner")
.select('name, 'count).show(1)
/**
*
*/
ratingsDF.select('movieId,'rating).groupBy('movieId).agg(avg('rating) as "avg", count('rating)
as "count")
.filter('count > 10)
.sort('avg.desc)
.join(moviesDF.select('name, 'movieId, 'genre), moviesDF("movieId") ===
ratingsDF("movieId"), joinType = "inner")
.select('name, 'genre, 'avg).show(2)
Spark Sql
case class Movie(movieId : Integer, name : String, genre : String)
case class Tag(userId : Integer, movieId : Integer, tag : String, timestamp : Long)
case class Rating(userId : Integer, movieId : Integer, rating : Float, timestamp : Long)
/**
* Saca el nombre de la película más votada
*/
ratingsDF.select('movieId).groupBy('movieId).agg(count('movieId) as "count").sort('count.desc)
.join(moviesDF.select('name, 'movieId), moviesDF("movieId") === ratingsDF("movieId"),
joinType = "inner")
.select('name, 'count).show(1)
/**
* Saca el nombre y género de la película con mejor media
*/
ratingsDF.select('movieId,'rating).groupBy('movieId).agg(avg('rating) as "avg", count('rating)
as "count")
.filter('count > 10)
.sort('avg.desc)
.join(moviesDF.select('name, 'movieId, 'genre), moviesDF("movieId") ===
ratingsDF("movieId"), joinType = "inner")
.select('name, 'genre, 'avg).show(2)
Spark Streaming
Un DStream representa una entrada de datos en tiempo real en un intervalo de tiempo determinado.
• La entrada de datos es dividida en micro batches.
• Cada micro-batch es un RDD
• El Dstream es una secuencia de RDD’s
Spark Streaming
SPARK STREAMING OVERVIEW
Spark Streaming
La entrada de streams de datos se produce a través de los llamados InputDStream o Receiver
• Es común usar sistemas como Kafka, Kinesis o Apache Flume
• Existen también receivers básicos como sockets, stream de ficheros o actores de akka.
• Es importante usar entradas de datos con tolerancia a fallos y alto throughput.
• map(func),
• flatMap(func),
• filter(func),
• count()
• repartition(numPartitions)
• union(otherStream)
• reduce(func),
• countByValue(),
• reduceByKey(func, [numTasks])
• join(otherStream, [numTasks]),
• transform()
SPARK STREAMING OVERVIEW
• window(windowLength, slideInterval)
• countByWindow(windowLength, slideInterval)
• reduceByWindow(func, windowLength, slideInterval)
• reduceByKeyAndWindow(func, windowLength, slideInterval, [numTasks])
• countByValueAndWindow(windowLength, slideInterval, [numTasks])
SPARK STREAMING OVERVIEW
• print()
• foreachRDD(func)
• saveAsObjectFiles(prefix, [suffix])
• saveAsTextFiles(prefix, [suffix])
• saveAsHadoopFiles(prefix, [suffix])
SPARK STREAMING OVERVIEW
SPARK STREAMING OVERVIEW
TransformRDD ForeachRDD
def transform[U](transformFunc: (RDD[T]) ⇒ RDD[U]) : DStream[U]
def foreachRDD(foreachFunc: (RDD[T], Time) ⇒ Unit): Unit
• Mezclar batch con streaming• Usar DataFrames en Streaming• Machine Learning en Streaming• Reusar código existente de Batch
• Enviar datos a sistemas externos (ej. DB)• Usar datasources de Spark SQL
Spark Streaming
Hay operaciones especiales que mantienen estados y se actualizan en cada batch interval, son llamadas
stateful.
• Estas operaciones son UpdateStateByKey y ReduceByKeyAndWindow
• Estos estados se mantienen en memoria. Se pueden crear, actualizar y eliminar.
• Estas operaciones requieren de checkpointing para recuperación de errores.
El flujo normal de un stream es el siguiente
• Cada Batch interval se genera un Dstream
• A los datos contenidos en ese Dstream se le aplican transformaciones
• Se realiza una o varias acciones con estos datos.
Spark Streaming
UpdateStateByKey ReduceByKeyAndWindow
def updateStateByKey[S](updateFunc: (Seq[V], Option[S])
⇒ Option[S])def reduceByKeyAndWindow(reduceFunc: (V, V) ⇒ V,
windowDuration: Duration)
• Para cada clave K mantiene un Option[S]• Option a None elimina el estado.
• Es igual que un reduceByKey pero adicionalmente toma una ventana de tiempo.
Spark Streaming
Spark SQL Spark MLlib
Spark Sql
val sparkConf = new SparkConf().setAppName("TwitterPopularTags")
val ssc = new StreamingContext(sparkConf, Seconds(2))
val stream = TwitterUtils.createStream(ssc, None, filters)
val hashTags = stream.flatMap(status => status.getText.split(" ").filter(_.startsWith("#")))
val topCounts60 = hashTags.map((_, 1)).reduceByKeyAndWindow(_ + _, Seconds(60))
.map{case (topic, count) => (count, topic)}
.transform(_.sortByKey(false))
val topCounts10 = hashTags.map((_, 1)).reduceByKeyAndWindow(_ + _, Seconds(10))
.map{case (topic, count) => (count, topic)}
.transform(_.sortByKey(false))
// Print popular hashtags
topCounts60.foreachRDD(rdd => {
val topList = rdd.take(10)
println("\nPopular topics in last 60 seconds (%s total):".format(rdd.count()))
topList.foreach{case (count, tag) => println("%s (%s tweets)".format(tag, count))}
})
ssc.start()
ssc.awaitTermination()
MlLib
MlLib es la librería de Machine Learning de Spark. Su objetivo es dar los mecanismos necesarios para
poder realizar diferentes algoritmias de Machine Learning aplicadas a grandes cantidades de datos.
Como todas las piezas del ecosistema de Spark, tiene como base los RDDs para la ejecución de estas
algoritmias.
MlLib “únicamente” nos proporciona, de una manera sencilla y eficiente, los métodos y las API
necesarias para poder ejecutarlos, pero estos algoritmos tienen que ser alimentados por modelos
matemáticos generados por el usuario.
MlLib
MlLib tiene implementados varios algoritmos de distinta índole para distintos problemas de Machine
Learning.
Dada la variedad de algoritmia relacionadas con el Machine Learning y su complejidad explicar cada
uno de estos algoritmos queda fuera de este taller. No obstante pasamos ahora a enumerar los
distintos algoritmos soportados por MlLib
MlLib
Classification and regression
linear models (SVMs, logistic regression, linear regression)
naive Bayes
decision trees
ensembles of trees (Random Forests and Gradient-Boosted Trees)
isotonic regression
MlLib
Dimensionality reduction
singular value decomposition (SVD)
principal component analysis (PCA)
Feature extraction and transformation
Frequent pattern mining
FP-growth
association rules
PrefixSpan
MlLib
Collaborative filtering
alternating least squares (ALS)
Clustering
k-means
Gaussian mixture
power iteration clustering (PIC)
latent Dirichlet allocation (LDA)
streaming k-means
MlLib
import org.apache.spark.mllib.recommendation.ALS
import org.apache.spark.mllib.recommendation.MatrixFactorizationModel
import org.apache.spark.mllib.recommendation.Rating
val data = sc.textFile("data/mllib/als/test.data")
val ratings = data.map(_.split(',') match { case Array(user, item, rate) =>
Rating(user.toInt, item.toInt, rate.toDouble)
})
val rank = 10
val numIterations = 10
val model = ALS.train(ratings, rank, numIterations, 0.01)
val usersProducts = ratings.map {
case Rating(user, product, rate) => (user, product)
}
val predictions = model.predict(usersProducts).map { case Rating(user, product, rate) =>
((user, product), rate)
}
val ratesAndPreds = ratings.map { case Rating(user, product, rate) =>
((user, product), rate)
}.join(predictions)
MlLib
import org.apache.spark.mllib.clustering.{KMeans, KMeansModel}
import org.apache.spark.mllib.linalg.Vectors
// Load and parse the data
val data = sc.textFile("data/mllib/kmeans_data.txt")
val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble))).cache()
// Cluster the data into two classes using KMeans
val numClusters = 2
val numIterations = 20
val clusters = KMeans.train(parsedData, numClusters, numIterations)
// Evaluate clustering by computing Within Set Sum of Squared Errors
val WSSSE = clusters.computeCost(parsedData)
println("Within Set Sum of Squared Errors = " + WSSSE)
// Save and load model
clusters.save(sc, "myModelPath")
val sameModel = KMeansModel.load(sc, "myModelPath")