Zürcher Fachhochschule Einführung in Big Data II Kurt Stockinger 1.

Präsentation zum Thema: "Zürcher Fachhochschule Einführung in Big Data II Kurt Stockinger 1."—  Präsentation transkript:

1 Zürcher Fachhochschule Einführung in Big Data II Kurt Stockinger 1

2 Zürcher Fachhochschule Lernziele Kennen der Details des MapReduce Algorithmus Anwenden von MapReduce für Big Data Problemstellungen Kennen von Pig und Pig Latin Verstehen des Unterschieds zu SQL 2

3 Zürcher Fachhochschule Wiederholung: MapReduce 3

4 Zürcher Fachhochschule Wörterzählen: Einfacher Pseudo Code define wordCount as Map ; for each document in documentSet { T = tokenize(document); for each token in T { wordCount[token]++; } display(wordCount); Funktioniert für “kleine” Datenmengen 4

5 Zürcher Fachhochschule Paralleles Programmieren Wie erweitert man den Code, sodass er auf mehreren Machinen parallel läuft? 5

6 Zürcher Fachhochschule Wörterzählen: MapReduce Pseudo Code map(String input_key, String input_value): // input_key: document name // input_value: document contents for each word w in input_value: EmitIntermediate (w, "1"); reduce(String output_key, Iterator intermediate_values): // output_key: a word // output_values: a list of counts int result = 0; for each v in intermediate_values: result += ParseInt(v); Emit (AsString(result)); 6

7 Zürcher Fachhochschule Word Count with MR in Hadoop #1 package org.myorg; import java.io.IOException; import java.util.*; import org.apache.hadoop.fs.Path; import org.apache.hadoop.conf.*; import org.apache.hadoop.io.*; import org.apache.hadoop.mapred.*; import org.apache.hadoop.util.*; public class WordCount { public static class Map extends MapReduceBase implements Mapper { private final static IntWritable one = new IntWritable(1); private Text word = new Text(); 7

8 Zürcher Fachhochschule Word Count with MR in Hadoop #2 public void map(LongWritable key, Text value, OutputCollector output, Reporter reporter) throws IOException { String line = value.toString(); StringTokenizer tokenizer = new StringTokenizer(line); while (tokenizer.hasMoreTokens()) { word.set(tokenizer.nextToken()); output.collect(word, one); } 8

9 Zürcher Fachhochschule Word Count with MR in Hadoop #3 public static class Reduce extends MapReduceBase implements Reducer { public void reduce(Text key, Iterator values, OutputCollector output, Reporter reporter) throws IOException { int sum = 0; while (values.hasNext()) { sum += values.next().get(); } output.collect(key, new IntWritable(sum)); } 9

10 Zürcher Fachhochschule Word Count with MR in Hadoop #4 public static void main(String[] args) throws Exception { JobConf conf = new JobConf(WordCount.class); conf.setJobName("wordcount"); conf.setOutputKeyClass(Text.class); conf.setOutputValueClass(IntWritable.class); conf.setMapperClass(Map.class); conf.setCombinerClass(Reduce.class); conf.setReducerClass(Reduce.class); conf.setInputFormat(TextInputFormat.class); conf.setOutputFormat(TextOutputFormat.class); conf.setInputPath(new Path(args[0])); conf.setOutputPath(new Path(args[1])); JobClient.runJob(conf); } 10

11 Zürcher Fachhochschule Details zum User Interface #1 Mapper: Maps tranformieren Input Records in temporäre Records (Output Pairs) Zugriff auf Output Pairs mittles OutputCollector.collect(WritableComparable,Writable). Reporter wird verwendet, um den Programmfortschritt zu loggen Alle temporären Werte für einen Output Key werden gruppiert und an Reduce weitergereicht: Output wird partitioniert: #Partitionen entspricht #Reduce Tasks des Jobs Lokale Aggregation mittels JobConf.setCombinerClass(Class): Reduziert Netzwerkauslastung in Reduce-Phase #Maps? Entspricht Grösse der Inputdaten, #Blocks und #Inputdaten ~10-100 Maps/Knoten 11

12 Zürcher Fachhochschule Details zum User Interface #2 Reducer: Reduziert temporäre Werte zu kleinerer Anzahl. #Reducer ist definiert mittels JobConf.setNumReduceTasks(int). #Reduces? Zwischen 0.95 und 1.75 * #Knoten 12

13 Zürcher Fachhochschule Pig 13 Teilweise basierend auf Slides von Dr. Bill Howe, University of Washington

14 Zürcher Fachhochschule Pig / Pig Latin Pig ist eine high-level Plattform, um MapReduce Jobs auf Hadoop zu auszuführen: MapReduce Jobs werden automatisch generiert Gute Skalierbarkeit für Big Data Die Sprache der Plattform heisst Pig Latin: Ähnlich wie SQL Kein Java-basiertes “low-level” MapReduce notwendig Aber: User Defined Functions (UDF) können in Java, JavaScript, Python, etc. geschrieben werden Pig wurde von Yahoo Research 2006 entwickelt Seit 2007 ist es ein Apache Projekt 14

15 Zürcher Fachhochschule Datenmodell Atom: Integer, string, etc Tuple: Sequenz von Werten Jeder Wert hat einen bestimmten Typ z.B. integer, string Bag: Kollektion von Tuple Können von unterschiedlichem Typ sein Duplikate möglich (Unterschied zur Menge) Map: „Dictionary“ String-Werte weisen auf einen beliebigen Wert 15

16 Zürcher Fachhochschule Beispiel t =,,, }, [‘Huber’:’Student’] > 16 f1: Atomf2: Bagf3: Map

17 Zürcher Fachhochschule Wichtigste Operatoren LOAD/STORE: Laden/Speichern von Daten FILTER: Auslesen von Tupel (entspricht SQL-Select) FOREACH: Bearbeiten von Spalten (entspricht SQL-Projekt) GROUP: Gruppierung von Daten in eine einzige Relation COGROUP, inner Join, outer Join: Gruppierung bzw. Join in zwei oder mehrere Relationen UNION: Vereinigung von Relationen SPLIT: Aufteilung von Relationen 17

18 Zürcher Fachhochschule LOAD Annahme: Datei ist ein Bag, d.h. jeder Datensatz wird als Tupel interpretiert Parsing mittles Funktion USING Schemadefintion mittles AS T = LOAD ‘file.txt’ USING PigStorage(‘\t’) AS (f1, f2, f3) 18

19 Zürcher Fachhochschule FILTER Werte ausfiltern Boolsche Operatoren möglich (AND, OR, etc) Reguläre Ausdrücke Y = FILTER T BY f1 == ‘9’; T= Y = 19

20 Zürcher Fachhochschule GROUP Daten gruppieren X = GROUP T BY f1; T= Y = }> }>, }> 20 Name: “group” Name: “T”

21 Zürcher Fachhochschule DISTINCT Duplikate eliminieren X1 = DISTINCT T1 T1= X1 = 21

22 Zürcher Fachhochschule FOREACH Jedes Tupel manipulieren X = FOREACH T GENERATE f1, f2+f3 Y = GROUP T BY f1; Z = FOREACH Y GENERATE group, Y.($1,$2) 22 T = X = Z =, }> }> Projektion

23 Zürcher Fachhochschule COGROUP C = COGROUP T f1 BY $0, S BY $0; 23 T = S = C = }, {}> }, {4,1}> } >, }, {} >

24 Zürcher Fachhochschule JOIN C = JOIN T BY $0, S BY $1 24 T = S = C =

25 Zürcher Fachhochschule Join-Optimierung Join-Operator ist nicht automatisch optimiert wie in einer Datenbank Replikation (Broadcase Join): 1 Tabelle ist klein, andere ist gross Repliziere kleine Tabelle, um Netzwerkbandbreite für Reduze-Phase zu reduzieren 25

26 Zürcher Fachhochschule Pig Beispiel: Wörterzählen input_lines = LOAD '/tmp/my-copy-of-all-pages-on-internet' AS (line:chararray); -- Extract words from each line and put them into a pig bag -- datatype, then flatten the bag to get one word on each row words = FOREACH input_lines GENERATE FLATTEN(TOKENIZE(line)) AS word; -- filter out any words that are just white spaces filtered_words = FILTER words BY word MATCHES '\\w+'; -- create a group for each word word_groups = GROUP filtered_words BY word; -- count the entries in each group word_count = FOREACH word_groups GENERATE COUNT(filtered_words) AS count, group AS word; -- order the records by count ordered_word_count = ORDER word_count BY count DESC; STORE ordered_word_count INTO '/tmp/number-of-words-on-internet'; 26

27 Zürcher Fachhochschule Pig vs. MapReduce MapReduce kombiniert drei primitive Operationen: Datensätze prozessieren Gruppierung Prozessiere gruppierte Datensätze In Pig sind diese Operation explizit unabhängig vollständig kombinierbar Pig hat zusätzliche primitive Operation für: Filter Projektion Vereinigung zwei oder mehrerer Datensätze 27

28 Zürcher Fachhochschule Pig Latin vs. SQL 28

29 Zürcher Fachhochschule Pig Latin ist prozedural und erlaubt Pipelining und Checkpointing Aufgabe: Join der Sourcen users und clicks Join mit geoinfo Aggregation und Speicherung in ValuableClicksPerDMA Pig Latin: Users = load 'users' as (name, age, ipaddr); Clicks = load 'clicks' as (user, url, value); ValuableClicks = filter Clicks by value > 0; UserClicks = join Users by name, ValuableClicks by user; Geoinfo = load 'geoinfo' as (ipaddr, dma); UserGeo = join UserClicks by ipaddr, Geoinfo by ipaddr; ByDMA = group UserGeo by dma; ValuableClicksPerDMA = foreach ByDMA generate group, COUNT(UserGeo); store ValuableClicksPerDMA into 'ValuableClicksPerDMA'; 29 SQL: insert into ValuableClicksPerDMA select dma, count(*) from geoinfo join ( select name, ipaddr from users join clicks on (users.name = clicks.user) where value > 0; ) using ipaddr group by dma;