TDC 2014 - Hadoop Hands ON
Transferir como PDF, PPTX7 gostaram1,520 visualizações
1. O documento apresenta uma história sobre Ryu, escolhido para analisar grandes volumes de dados do e-commerce Shadaloo usando Apache Hadoop. 2. Explica brevemente o que é Hadoop, sua arquitetura e ferramentas como HDFS, MapReduce, Hive e PIG. 3. Apresenta demonstrações práticas de como usar a sandbox Hortonworks para trabalhar com Hadoop, incluindo upload de dados, criação de tabelas Hive e execução de scripts.
Mais conteúdo relacionado
Semelhante a TDC 2014 - Hadoop Hands ON (20)
TDC 2014 - Hadoop Hands ON
- 2. 2 Hora do Brinde! Em apenas 60 segundos... Quanto a Amazon vende? Quantos downloads de apps por aparelhos apple? Quantos compartilhamentos de conteúdo no Facebook ? Homens e mulheres no Tinder movem seus dedos para a esquerda e direita nas telas de seus dispositivos? ? ? ? ?
- 3. 3 Thiago Santiago Arquiteto de software, formado em engenharia de software pela USP. Trabalha atualmente na OCTO Technology liderando projetos em web performance e Big Data. Apresentação: thiagosantiago25
- 4. 4 Agenda Introdução Histórico Arquitetura da plataforma HDP 2.0 SandBox Stinger Scripts Hive/Pig Ferramentas de visualização de dados
- 5. 5
- 6. 6 No atual mundo captalista, M Bison, dono do maior e- commerce mundial chamado Shadaloo, decide analisar o perfil de todos os seus clientes; não apenas mostrando os dados comuns do BI, mas analisar também: - Dados de TODOS os sistemas Legados - Dados de Navegação - SAC e Midias Sociais. Dessa forma ele poderia: • Criar mecanismo de ofertas personalizadas • Retenção de clientes que realizam reclamações no SAC • Identificar relação de entre reclamações no SAC e mídias sociais. • Analisar fluxo de navegação e proporcionar navegação personalizada por tipo de clientes
- 7. 7 Pode deixar chefe! Ryu, Você será o escolhido para essa tarefa!
- 8. 8 … então depois de muito apanhar tentando achar uma solução ao problema, decidiu pedir ajuda ao Mestre Dhalsin. Mestre, como posso processar esse volume gigante de dados em pouco tempo? Dá Hadoop Ryu!!! ?
- 9. 9 Não será tão fácil assim, meu jovem...
- 10. 10 O que é Apache Hadoop? O Hadoop é um framework open source desenvolvido em Java, para rodar aplicações, que manipulem uma grande quantidade de dados, em ambientes “clusterizados”. Inspirado originalmente pelo GFS e MapReduce da Google E assim começou a batalha de Ryu… sabendo da força que o hadoop tem, ele decidiu estudar a fundo essa nova técnica… …E descobriu que:
- 11. 11 Histórico Dez/02 – Primeira biblioteca Map/Reduce na Google Out/03 – Artigo sobre GFS Dez/04 – Artigo sobre Map Reduce Dez/05 – Doug Cutting cria o Projeto Nutch (MR e DFS) Fev/06 – Hadoop se torna um projeto oficial da Apache Abr/07 – Yahoo! roda Hadoop em um cluster de 1000 nós Jan/08 – Hadoop se transforma no projeto principal da Apache Dez/11 – Apache disponibiliza versão Hadoop 1.0.0
- 12. 12 Principais Características do Hadoop Escalável: ele pode armazenar e processar petabytes sem problemas; Econômico: o Hadoop distribui os dados e o processamento através dos clusters. Estes clusters podem ter milhares de nós (máquinas); Eficiente: Por distribuir os dados, o Hadoop pode processar eles em paralelo por meio dos nós, onde os dados estão alocados. Confiável: ele automaticamente mantém múltiplas copias dos dados e remaneja as tarefas em caso de falhas.
- 13. 13 Atualmente, Hortonworks, Cloudera e MapR são os principais distribuidores Hadoop (MapReduce, Hive, Sqoop, pig, etc) de forma mais integrada de acordo com a arquitetura de cada distribuição. A amazon possui sua própria implementação Hadoop Chamada Elastic MapReduce (EMR) Distribuições Hadoop
- 14. 14 Quadrante de Players Hadoop
- 15. 15 Composição do Apache Hadoop Núcleo Hadoop: • Hadoop Common • HDFS • MapReduce
- 16. 16 Composição do Apache Hadoop 1) Hadoop Common Hadoop Common oculta o que os usuários comuns não precisam saber! Paralelização automática Balanceamento de carga Otimização nas transferências de disco e rede Tratamento de falhas Robustez Escalabilidade
- 17. 17 2) HDFS: Hadoop Distributed File System Sistema de arquivos distribuído Grande ordem de 10k nós Milhões de arquivos Projetado para hardware de baixo custo Redundância por replicação Tolerância a falhas e recuperação Otimizado para processamento em lote Localização dos dados exposta Grande largura de banda associada Coerência dos dados Modelo “write-once-ready-many” Arquivos existentes sofrem apenas operações de “append” Arquivos quebrados em pedaços (blocos) Variam de 64mb (padrão) a 256mb Blocos distribuídos pelos nós (um arquivo é dividido em N blocos e armazenado em M nós) Blocos são replicados e as replicações distribuídas
- 18. 18 3) MapReduce O modelo inicial proposto pelo Google apresentou alguns conceitos para facilitar alguns problemas Paralelização da computação em um aglomerado de máquinas comuns Centenas/Milhares de CPUs Paralelização e distribuição automática da computação deveria ser o mais simples possível O sistema de execução se encarrega de: Particionar e distribuir os dados de entrada Escalonar as execuções em um conjunto de máquinas Tratar as falhas Comunicação entre as máquinas
- 19. 19 MapReduce - Arquitetura Name Node • Data Location 2 1 Client MapReduce Resource Manager Application Manager Data node 3 4 5 Data node Data node Reduce Output Reduce Reduce Map MapMap Shuffle & sort Application Master Task TaskTask 6
- 20. 20 Hadoop 2.0
- 21. 21 Storage API Distributed FS GlusterFS HDFS S3 Isilon MapRFS Local FS NoSQL based Cassandra DynamoDB Ceph Ring Openstack Swift MapReduce/Tez YARN Spark Streaming Transacional Consultas Analíticas ETL Computação Científica Indexação Interativo Batch HBase Cassandra Shark Impala Presto Hawg Drill Cascading Pig Hive Talend Solr Giraph HAMA Mahout Python R sklearn nltk panda RHadoop SAS UsosFerramentasComum Sistemasde Armazenamento Import/export CLI Sqoop Flume Storm ETL (Talend, Pentaho) Oozie Elastic Search Ecossistema Hadoop API MR Java Upload HCatalog Distribuição
- 23. 23 Sandbox é um projeto Hortonworks, que torna o Hadoop portátil, permitindo rodar o hadoop em seu computador pessoal de forma simples e ágil. Sandbox possui fins educacionais, facilitando a curva de aprendizagem no Hortonworks Hadoop. Pré-requisitos: Ambiente de virtualização (Preferencialmente VirtualBox) Hortonworks Sandbox
- 24. 24 HDP 2.0 Hortonworks Data Platform 2.0 leva Hadoop de uma plataforma de dados de processamento em lote, para uma plataforma multi-uso que permite processamentos em lote, interativo, online e por fluxo.
- 25. 25 Passo 1 : baixar Sandbox for VirtualBox http://hortonworks.com/products/hortonworks-sandbox/#install Sandbox: Instalação
- 26. 26 Passo 2 : Iniciar imagem hadoop Sandbox: Configuração 1 2 3
- 27. 27 Passo 3 : Acessar Sanbox Hue Sandbox: Configuração Hands on
- 30. 30 Upload dos dados https://s3.amazonaws.com/hw-sandbox/tutorial1/NYSE-2000-2001.tsv.gz A interface do File Browser é semelhante a um gerenciador de arquivos comum com padrão de diretórios. Arquivo de exemplo: Selecione o botão ‘Upload' Selecione 'Arquivos' e uma janela pop-up irá aparecer. Clique no botão: "Enviar um arquivo". Localize o arquivo de dados de exemplo que você baixou e selecione-o. A barra de progresso irá aparecer. O carregamento pode levar alguns momentos.
- 31. 31 Upload dos dados Dados enviados: Você pode usar o navegador de arquivos como gerenciador de arquivos do seu próprio computador. Em seguida registrar o conjunto de dados com HCatalog.
- 32. 32 Upload dos dados Preencha o campo Nome da tabela com "nyse_stocks". Em seguida, clique no botão Escolher arquivo. Selecione o arquivo que acabou de carregar 'NYSE- 2000-2001.tsv.gz.
- 33. 33 Upload dos dados Na visualização da tabela você pode definir todos os campos e tipos de dados para a tabela. Quando tudo estiver concluído, clique no botão "Create Table" na parte inferior. Hands on
- 34. 34 O Hive e o PIG oferecem linguagens de processamento de dados de alto nível com suporte para tipos de dados complexos para a operação em conjuntos de dados grandes. A linguagem do Hive é uma variante do SQL e, portanto, é mais acessível para pessoas já familiarizadas com SQL e bancos de dados relacionais. O Hive tem suporte para tabelas particionadas que permitem que os fluxos de trabalho extraiam somente a partição da tabela relevante para a consulta sendo executada, em vez de realizar uma digitalização completa da tabela. Hive X Pig Em uma análise, a escolha pelo uso do Hive ou PIG dependerá dos requisitos exatos do domínio do aplicativo e das preferências dos implementadores e daqueles que gravam consultas.
- 35. 35 Scripts Hive X Pig SELECT * FROM tb_fifa_best_players WHERE nacionalidade = 'Alemanha'; SELECT a.* FROM a JOIN b ON (a.id = b.id) SELECT MARCA, sum(vl_pedido) Valor_Pedidos FROM `default.tb_orders` Group by MARCA ORDER by Valor_Pedidos DESC A = LOAD 'tb_fifa_best_players' USING org.apache.hcatalog.pig.HCatLoader(); B = FILTER A BY jogador == 'Lionel Messi'; C = ORDER B BY (colocacao); DUMP C; A = LOAD tb_fifa_best_players USING org.apache.hcatalog.pig.HCatLoader(); B = LIMIT A 100; C = FILTER B BY campo1 == 'Teste'; D = FOREACH C GENERATE symbol, date, close; E = DISTINCT D; F = GROUP E BY (campo1, campo2); G = ORDER F BY (campo1, campo2); H = JOIN G BY campo1, F BY campo1; DUMP C;
- 37. 37 O que o Stinger? http://hortonworks.com/labs/stinger/ A Iniciativa Stinger é um projeto opensource para conduzir o futuro do Apache Hive, entregando 100x mais desempenho em escala, com execução Hive sobre o Apache Tez e semântica de SQL like.
- 38. 38 Tabelas no Hive As consultas Hive não pode ser realizadas diretamente nos arquivos enviados, é necessária uma estrutura que “identifique” os campos do arquivo, ou seja, que mapeie e crie um padrão aos dados enviados, essa estrutura é chamada de Tabela. Existem basicamente dois tipos de tabelas: Tabelas externas (External Tables) e Tabelas gerenciadas (Managed Tables). Tabela GerenciadaTabela Externa As tabelas externas apenas mapeiam os dados no arquivo original, mas não realizam qualquer tipo de controle sobre o arquivo. As tabelas gerenciadas, realizam uma cópia dos dados isolando as informações, para que apenas a própria tabela possa acessar os dados.
- 39. 39 Tabelas no Hive Tabela GerenciadaTabela Externa
- 40. 40 Tabelas externas CREATE EXTERNAL TABLE IF NOT EXISTS default.TBE_VENDAS ( DESC_MARCA STRING, COD_PEDIDO_SITE STRING, DT_PEDIDO TIMESTAMP, VL_PEDIDO DECIMAL, COD_ITEM INT, COD_DEPT INT, DESC_DEPT STRING, DESC_UNI_NEGOCIO STRING, COD_MARCA INT, DESC_MARCA STRING, MARCA STRING ) ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' LOCATION '/user/b2w/vendas'; Tendo um arquivo com as vendas no diretório ”/user/b2w/vendas”, imagine que será necessária uma consulta nesse arquivo, nesse caso será necessária a criação de uma tabela externa para mapear e acessar essas informações. Definição de Tabela externa Diretório do arquivo Caractere delimitador de campos
- 41. 41 Tabelas Gerenciadas CREATE TABLE IF NOT EXISTS default.TBI_VENDAS LIKE default.TB_VENDAS; INSERT OVERWRITE TABLE default.TBI_VENDAS SELECT * FROM default.TBE_VENDAS WHERE COD_ITEM IS NOT NULL; DESCRIBE FORMATTED default.TBI_VENDAS; Continuando com exemplo anterior do arquivo com as vendas no diretório ”/user/b2w/vendas”. imagine que desejamos utilizar e transformar (ETL) as informações do arquivo e copiá- las para um “black box” onde garantimos a integridade dos dados, nesse caso será necessária uma tabela gerenciada. Definição de Tabela com a mesma estrutura da tabela relacionada. Descreve a esrutura da tabela
- 42. 42 Visualização de dados A visualização de dados de forma gráfica, relatórios e dashboards são feitos por ferramentas externas que se conectam ao ambiente hadoop, e extraem as informações necessárias. Utilizaremos duas ferramentas como exemplo: Excel e Tableau. Toda a comunicação (extração de dados) entre os ambientes é feita via Hortonworks ODBC driver (64-bit).
- 43. 43 Edge Node Mapa - Fluxo de dados SFTP Remoção de cabeçalho Compactação de dados -Orc/SeqFile -Gzip/Snappy Partitions Buckets/Sampling script External Table HDFS Managed Table Data
- 44. 44 Hortonworks Hive ODBC Driver http://hortonworks.com/products/hdp-2/?b=3#add_ons O Hortonworks ODBC driver permite realizar a conexão de ferramentas externas de Business Intelligence, consultas, análise e visualização de dados a Plataforma Hortonworks. Link para download
- 45. 45 Hortonworks Hive ODBC Driver Guia em PDF com a instalação e configuração do driver ODBC http://hortonworks.com/wp-content/uploads/2013/04/Hortonworks-Hive-ODBC-Driver-User-Guide.pdf
- 46. 46 Visualização de dados Excel Uma vez que o Seu driver ODBC esteja configurado, Pode-se utilizar o Excel para acessar dados no Hive: http://hortonworks.com/hadoop-tutorial/how-to-use-excel-2013-to-access-hadoop-data/ http://hortonworks.com/hadoop-tutorial/how-use-excel-2013-to-analyze-hadoop-data/ 1 2 3 4
- 47. 47 Visualização de dados Tableau Uma vez que o Seu driver ODBC esteja configurado, Pode-se utilizar o Excel para acessar dados no Hive: http://hortonworks.com/kb/how-to-connect-tableau-to-hortonworks-sandbox/ 1 2 3 4 5 Host: localhost Port: 10000 Type: Hive Server 2 User: hive
- 49. 49 You Win... Perfect! Chefe, estamos prontos para iniciar nossas análises usando Hadoop 2.0 Parabéns Ryu, You Win!
- 50. 50 There is a way…