6.0 KiB

Raw Blame History

Laboratorium – MapReduce

Do wykonania ćwiczeń należy skopiować repozytorium:

git clone https://git.wmi.amu.edu.pl/bigdata/apache_hadoop

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 tmp
hdfs dfs -copyFromLocal ~/apache_hadoop/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 ~/apache_hadoop/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