6.1 KiB
Laboratorium – MapReduce
Do wykonania ćwiczeń należy skopiować repozytorium:
git clone https://git.wmi.amu.edu.pl/s1201683/hadoop_sorted.git
Celem ćwiczenia jest zaprezentowanie aplikacji w oparciu o algorytm MapReduce z wykorzystaniem:
- Hadoop Streaming
- Apache Hive
- Apache Pig
- Apache Spark
WordCount jest „odpowiednikiem Hello World” w świecie Big Data. Ćwiczenie prezentuje algorytm WordCount z wykorzystaniem różnych narzędzi.
Aby wykonać ćwiczenia, należy skopiować folder books do systemu HDFS:
hdfs dfs -mkdir -p tmp
hdfs dfs -copyFromLocal ~/hadoop_sorted/mr/books tmp/books
1.WordCount – Hadoop Streaming
Hadoop streaming umożliwia użytkownikom wykorzystanie mappera i reducera napisanego w dowolnym języku programowania. Jedynym wymaganiem jest obecność interpretera na każdym z węzłów.
1.1.Python
1.1.1.Mapper i Reducer
Mapper i reducer napisane w języku Python znajdują się w folderze ~/apache_hadoop/mr/python
1.1.2.Uruchomienie algorytmu
Aplikację można uruchomić poprzez wykonanie komendy:
bash ~/hadoop_sorted/mr/python/wordcount.sh
Uruchom aplikację i wyjaśnij co jest wynikiem działania tego algorytmu?
1.1.3.Dane wyjściowe
Pliki zawierające wynik działania algorytmu znajdują się w folderze tmp/python/output w systemie HDFS.
Analizując pliki w tym folderze, odpowiedz na pytanie ile reducerów zostało użytych podczas przebiegu aplikacji?
1.1.4.Modyfikacja
Zmodyfikuj skrypt ~/apache_hadoop/mr/python/wordcount.sh tak, aby użyte zostały 4 reducery.
2.WordCount – Hive
Uruchom klienta Hive w konsoli Linux.
2.1.HiveQL
2.1.1.Ustawienie parametrów
Ustaw parametr USERNAME tak, aby wskazywał nazwę użytkownika i utwórz schemat bazy:
set USERNAME=<nazwa_użytkownika>
create database if not exists ${hiveconf:USERNAME};
use ${hiveconf:USERNAME};
2.1.2.Utworzenie tabeli doc
Utwórz tabelę przechowującą dokumenty tekstowe w postaci wierszowej:
create table ${hiveconf:USERNAME}.doc(
text string
) row format delimited fields terminated by '\n'
stored as textfile;
2.1.3.Ładowanie danych do tabeli
Utwórz zewnętrzną tabelę zawierającą dane z folderu tmp/books
create external table ${hiveconf:USERNAME}.doc_(
text string
) row format delimited fields terminated by '\n'
stored as textfile location '/user/${hiveconf:USERNAME}/tmp/books/';
Następnie należy skopiować dane z tabeli doc_ do doc:
insert into ${hiveconf:USERNAME}.doc select * from ${hiveconf:USERNAME}.doc_;
2.1.4.Utworzenie widoku
Kolejnym krokiem jest utworzenie widoku, zawierającego słowa wydzielone z krotek tabeli doc:
CREATE VIEW ${hiveconf:USERNAME}.words
AS SELECT cast(word as string) as word FROM (
SELECT explode(split(text, ' ')) AS word FROM ${hiveconf:USERNAME}.doc
) doc;
2.1.5.Obliczenie ilości słów:
Należy wykonać polecenie:
select word, count(*) from ${hiveconf:USERNAME}.words group by word;
2.1.6.Pominięcie widoku
Obliczenie ilości słów jest również możliwe z pominięciem utworzenia widoku, a z wykorzystaniem podzapytania:
SELECT word, count(*) from (SELECT explode(split(text, ' ')) AS ${hiveconf:USERNAME}.word FROM doc) words group by word;
3.WordCount – Pig
Uruchom Pig w konsoli.
3.1.Pig Latin
3.1.11.Ładowanie pliku
Zdefiniuj zmienną books, ładującą tekst książek:
books = LOAD 'tmp/books' USING TextLoader() AS (line:chararray);
3.1.12.Wydzielenie słów
Zdefiniuj zmienną words wydzielającą słowa z tekstu:
words = FOREACH books GENERATE FLATTEN(TOKENIZE(line)) as word;
3.1.13.Grupowanie
Pogrupój słowa:
grouped = GROUP words BY word;
3.1.14.Obliczanie ilości słów
Policz słowa:
wordcount = FOREACH grouped GENERATE group, COUNT(words);
3.1.15.Wyświetlenie rezultatów
Wyświetl wynik działania algorytmu:
DUMP wordcount;
4.WordCount Spark
4.1.Scala
Uruchom spark-shell.
4.1.1.Ładowanie pliku
Zdefiniuj zmienną ładującą plik z HDFS:
val text_file = sc.textFile("tmp/books/")
4.1.2.Definicja funkcji MapReduce
Spark korzysta z zalet języka Scala i umożliwia utworzenie prostej funkcji:
val counts = text_file.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
4.1.3.Wyświetlenie wyników
Aby wyświetlić rezultaty wykonaj:
counts.collect().foreach(println)
4.1.4.Zapis rezultatu do pliku
Aby zapisać rezultat do pliku wykonaj:
counts.saveAsTextFile("tmp/spark-outputs")
4.1.5.Zapis alternatywny
Przy tworzeniu bardziej skomplikowanych funkcji przydatny może okazać się zapis, w którym parametry wejściowe funkcji przyjmują określone nazwy lub chcemy czytać z lokalnego systemu plików/udziału NFS:
sc.textFile("file:///home/<nazwa_uzytkownika>/apache_hadoop/mr/books")
val counts2 = text_file.
flatMap(txt => txt.split(" ")).
map(word => (word, 1)).
reduceByKey((a, b) => a + b)
counts2.collect().foreach(println)
counts2.saveAsTextFile("tmp/spark-outputs")
5.1.PySpark
Uruchom pyspark.
5.1.1.Ładowanie pliku
Zdefiniuj zmienną ładującą plik z HDFS:
text_file = sc.textFile("hdfs:///tmp/books/*")
5.1.2.Definicja funkcji MapReduce
Spark korzysta z zalet języka Scala i umożliwia utworzenie prostej funkcji:
counts = text_file.flatMap(lambda line: line.split(" ")) \ \
.map(lambda word: (word, 1)) \ \
.reduceByKey(lambda a, b: a + b)
5.1.3.Wyświetlenie wyników
Aby wyświetlić rezultaty wykonaj:
counts.collect()
5.1.4.Zapis rezultatu do pliku
Aby zapisać rezultat do pliku wykonaj:
counts.saveAsTextFile("tmp/pyspark-outputs")
6. Modyfikacje (zaliczenie)
Czy potrafisz dokonać modyfikacji? Przykładowe pomysły:
- posortuj słowa według ich długości
- wyczyść nieznaczące znaki i sprowadź słowa do małych liter
- policz wystąpienia słów o określonej ilości znaków