emr hive barcamp 2012
Post on 04-Jul-2015
371 Views
Preview:
DESCRIPTION
TRANSCRIPT
Hadoop y Hive en AWS
Cómo analizar terabytes de datos y no morir en el intento
domingo 4 de noviembre de 2012
Quién soy yo?
• Ezequiel Golub
• Desarrollador en Smowtion
• Hace más de un año que implementamos Hadoop
domingo 4 de noviembre de 2012
Qué es Hadoop?
• Framework para aplicaciones distribuidas en miles de nodos
• Ahora familia de productos, pero en su core son 2:
• HDFS
• Map/Reduce
• Proyecto de apache.org
domingo 4 de noviembre de 2012
Limitaciones de RDBMS
• Datasets de petabytes
• no escalan horizontalmente
• Escalar horizontalmente = chau ACID
• Particionar y shardear es dificil.
• Rendimiento de lecturas o escrituras: Elegí una.
• Usar hardware especializado = $$$!!
domingo 4 de noviembre de 2012
Por qué Hadoop?
• Da respuesta las limitaciones de las RDBMS
• Escalabilidad horizontal
• Confiabilidad
• Apoyo de comunidad
• Map/Reduce
• Orientado a procesos batch para datos “grandes”
• AWS
domingo 4 de noviembre de 2012
Quienes lo usan?domingo 4 de noviembre de 2012
Cuándo usar Hadoop?
• Demasiados datos para que entren en algun tipo de datastore comodamente
• Datos desestructurados
• Y necesitas analizarlos!
• Y necesitas alta disponibilidad!
• Suficientes datos para que analizarlos en una sola maquina sea dificil
domingo 4 de noviembre de 2012
HDFS
• Sistema de archivos distribuido, redundante y con alta disponibilidad.
• Soporta archivos muy grandes.
• Pensado para commodity hardware
• Acceso streaming de baja latencia y alta transferencia.
domingo 4 de noviembre de 2012
HDFS - Ventajas
• Tolerancia a los fallos
• Autoregenerativo
• Escalable
• Confiabilidad
• Soporte
domingo 4 de noviembre de 2012
Map/Reduce
• Paradigma de programación distribuida
• Basada en un paper de Google (http://bit.ly/gXZbsk)
• Modelada a partir de las ideas de programación funcional
• Distribuible en N nodos
• map() -> reduce()
• La etapa de reduce se inicia cuando todos los mappers terminan.
domingo 4 de noviembre de 2012
Map/Reduce
• Dos pasos secuenciales
• Map: Toma todas las lineas de un input, y por cada una, las procesa y devuelve un par de key valor
• Reduce: Recibe secuencialmente un key valor, los procesa y emite un resultado (ej: otro k-v)
domingo 4 de noviembre de 2012
import hadoopy
def mapper(key, value): for word in value.split(): yield word, 1
def reducer(key, values): accum = 0 for count in values: accum += int(count) yield key, accum
if __name__ == "__main__": hadoopy.run(mapper, reducer, doc=__doc__)
M/R: WC en Python
$ echo "a b a a b c" | python wc.py map | sort | python wc.py reducea 3b 2c 1
wc.py
Probandolo localmente!
** usando el modulo Hadoopy para usar python con Hadoop!
domingo 4 de noviembre de 2012
Ejemplo: wordcount
Muchos archivos
mapper
mapper
mapper
mapper<arch2.parte2>
<arch2.parte1>
<arch1.part2>
<arch1.part1>{‘foo’:12,‘bar’:13,‘baz’:19}
{‘foo’:33,‘bar’:23,‘baz’:42}
{‘foo’:1,‘bar’:0,‘baz’:99}
{‘foo’:55,‘bar’:43,‘baz’:65}
Reducer
Reducer
Reducer
Ordenar y
agrupar por key
{‘foo’:[12,33,1,55]}
{‘bar’:[13,23,0,43]}
{‘baz’:[19,42,99,65]}
count()
count()
count()
count()
sum()
sum()
sum()
{‘foo’:101,‘bar’:79,‘baz’:218}
domingo 4 de noviembre de 2012
M/R en Hadoop
• Las tareas de M/R son entregadas como un “job”
• Los “jobs” se asignan a una cola especifica de trabajo
• Los jobs son “rack-aware”: aprovecharse del “data locality”
• Cada “job” es divido en N “tasks”
• Streaming: No usar Java para M/R
• Las tareas que fallen son reiniciadas automaticamente.
domingo 4 de noviembre de 2012
M/R: Implementación
• M/R es excelente para los problemas donde los ‘sub-problemas’ no son interdependientes
• Nada se comparte entre mappers y reducers, ni siquiera si corren en el mismo nodo
• X ej: La salida de un mapper no puede depender de la salida o comunicación con otro mapper
domingo 4 de noviembre de 2012
Amazon Web Services
• Crear servidores virtuales dinamicamente.
• Pagas solo por las horas que usas
• Podes ‘apagar’ y ‘prender’ maquinas en cualquier momento
domingo 4 de noviembre de 2012
AWS: Servicios clave
• EC2: Servidores virtuales
• S3: Servicio de data-storage
• EMR: Hadoop on demand
domingo 4 de noviembre de 2012
Elastic Map Reduce
• Proveen un cluster configurado con los ultimos patches + un poco de magia extra
• Interactua nativamente con S3
• Podes agregar o sacar servers del cluster dinamicamente
domingo 4 de noviembre de 2012
Elastic Map Reduce
• Al crear el server, se lo puede acceder igual que cualquier otro server virtual
• Bootstrap actions permiten customizar el master o slaves
• Los cluster pueden ser persistente o efimeros
• 2 instance groups: CORE y TASK
domingo 4 de noviembre de 2012
domingo 4 de noviembre de 2012
domingo 4 de noviembre de 2012
domingo 4 de noviembre de 2012
domingo 4 de noviembre de 2012
domingo 4 de noviembre de 2012
domingo 4 de noviembre de 2012
Elastic Map Reduce
Ejemplos desde la consola:
# Bajar el instance group TASK a cero instancias
shell# elastic-mapreduce --jobflow j-XXXXX --modify-instance-group TASK --instance-count 0
domingo 4 de noviembre de 2012
Hive: Qué es?
• SQL sobre hadoop
• Traducir Pseudosql a tareas Map/Reduce
• Maneja datos a escala “Hadoop”
• Puede usar logfiles como source data
• WC en Hive: • SELECT COUNT(*) as freq, word FROM words GROUP by word;
domingo 4 de noviembre de 2012
Access log - crear tablaCREATE EXTERNAL TABLE access_log(ip STRING, host STRING, finishtime STRING, uri STRING, return_code STRING,bytes STRING, referrer STRING, user_agent STRING, quality STRING)comment 'data logs uploaded from servers'PARTITIONED by ( year string, month string, day string, hour string, minute string)ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'WITH SERDEPROPERTIES ( "input.regex" = '(.+?) (.+?) - (.+) \"(.+?)\" ([0-9]+) ([0-9]+) \"(.+)\" \"(.+)\" \"(.+)\"', "output.format.string" = "%1$s %2$s %3$s %4$s %5$s %6$s %7$s %8$s %9$s")STORED AS TEXTFILELOCATION 's3n://somebucket/acceslog_dir/';
domingo 4 de noviembre de 2012
Ejemplo con CSVCREATE EXTERNAL TABLE page_view( viewTime INT, userid BIGINT, url STRING, referrer_url STRING, ip STRING COMMENT 'IP Address of the User', country STRING COMMENT 'country of origination')ROW FORMAT DELIMITED FIELDS TERMINATED BY ','STORED AS TEXTFILELOCATION 's3n://somebucket/page_views';
domingo 4 de noviembre de 2012
Queries# Conteo de hits x url para Nov 2012SELECT count(*) as count, uri FROM access_logWHERE year = 2012 and month = 11GROUP by uri ORDER by uri DESC;
# subqueries # tablas: users, action_video y action_comment # salida: una lista con todas las acciones de todos los usuarios y sus fechas
SELECT u.id, actions.name, actions.date FROM ( SELECT av.uid AS uid, ‘video publicado’ as name FROM action_video av WHERE av.date = '2008-06-03' UNION ALL SELECT ac.uid AS uid, ‘comentario publicado’ as name FROM action_comment ac WHERE ac.date = '2008-06-03' ) actions JOIN users u ON (u.id = actions.uid)
# insertar la salida del query en s3INSERT OVERWRITE DIRECTORY ‘s3n://somebucket/somedir’SELECT * FROM access_log where uri = ‘http://example.com’
domingo 4 de noviembre de 2012
Limitaciones
• No implementa todo el SQL.
• Algunas cosas se hacen de manera rara (group by)
• Miles de archivos de salida.
• Map/Reduce es inherementente lento
• Puede ser adictivo
domingo 4 de noviembre de 2012
Tips
• Particionar las tablas (s3://bucket/access/y=2012/m=11/d=4/h=1)
• Crear sets de prueba con pocos datos
• Crear varias tablas para distintos queries
• Tabla => Query => Tabla => Query
• Borrar los datos que no usas en S3!
domingo 4 de noviembre de 2012
Precios?
• Cluster tipico
• Master: small (u$s 0.09/hora) x 1
• Slaves: c1.medium u$s 0.2/hora x 2
• Total: u$s 0.49 x hora
• S3: u$s 0.125 x gb (muy aprox)
domingo 4 de noviembre de 2012
En Smowtion?
• 70 gb x dia entre datos propios y de partners
• Hive funciona como datawarehouse y como parte del pipeline de datos:
domingo 4 de noviembre de 2012
Cómo seguir?
• Cloudera.com
• Hadoop.apache.org
• http://developer.yahoo.com/hadoop/tutorial/
• http://aws.amazon.com/developertools/2264 (AWS command line Ruby Client)
• https://cwiki.apache.org/confluence/display/Hive/LanguageManual (hive lang manual)
domingo 4 de noviembre de 2012
Preguntas?
• @ezegolub
• ezequiel.golub@gmail.com
domingo 4 de noviembre de 2012
top related