Spark - UC3M

Jesús Fernández Bes MLG – 3JUN2013 Índice 1.  Instrucciones de instalación 2.  Visión general de Spark 3.  PySpark 1.  Uso interacIvo 2.  Uso standalone 4.  Uso de Spark en nuestro cluster 5.  Integración con Amazon EC2 6.  Conclusiones 7.  Referencias INSTRUCCIONES DE INSTALACIÓN Instrucciones de instalación: Prerrequisitos •  Java & Python 2.7 •  SCALA (Versión 2.9) –  Descarga Scala 2.9.2. (Spark necesita Scala para funcionar aunque programemos en Python pero ATENCIÓN “no es compaIble” con la úlIma versión de Scala 2.10). h^p://www.scala-­‐lang.org/downloads/distrib/files/scala-­‐2.9.2.tgz –  Descomprime Scala donde desees. •  GIT –  Por alguna razón, en Mac OSx necesitas el git. h^ps://code.google.com/p/git-­‐osx-­‐installer/ Instrucciones de instalación: Instalación de Spark •  Descarga la úlIma versión de Spark (0.7) de la página web. Versiones anteriores no se pueden usar con Python. h^p://www.spark-­‐project.org/download-­‐spark-­‐0.7.0-­‐sources-­‐tgz •  Descomprime Spark donde desees. •  Ahora es necesario o bien que Scala esté en el path o mejor fijar una nueva variable de estado SCALA_HOME. •  En la carpeta conf dentro del root de spark y crear ahí un fichero spark-­‐env.sh (se puede uIlizar para ello la planIlla que hay en el directorio spark-­‐env.sh.template, cambiándole el nombre y en el fichero añadir: spark-­‐env.sh if [ -­‐z "$SCALA_HOME" ] ; then SCALA_HOME=”<scala-­‐path>” fi Instrucciones de instalación: Instalación de Spark (2) Desde el directorio raiz de Spark ejecuta la siguiente instrucción que compilará Spark y descargará lo que le haga falta para instalarlo. $ sbt/sbt package Comprobaciones (desde el raiz de Spark) $ ./spark-­‐shell cuando se te abra la shell interacIva escribe sc . Salir ( Ctlr + D ) $ ./pyspark al igual que antes, cuando se te abra la shell interacIva escribe sc. Salir ( Ctlr + D ) $ ./run spark.examples.SparkPi local Debería ejecutar el programa de ejemplo que calcula Pi. Deben salir una serie de mensajes y al final de todo el valor de pi (o una aproximación razonable) DESCRIPCIÓN Y UTILIZACIÓN DE SPARK ¿Qué es Spark? •  Spark es una infraestructura paralela con: –  PrimiIvas eficientes para comparIr datos en memoria. –  APIs en Scala, Java, SQL y Python. –  Aplicable a muchos problemas emergentes. •  MapReduce simplificó el análisis de datos en clusters grandes y sujetos a fallos. Hoy los usuarios quieren más: –  Aplicaciones más complejas, iteraDvas (p.e. Machine learning, graph algorithms). –  Consultas ad-­‐hoc más interacDvas. –  Procesado de flujo en Dempo real. Memoria distribuida tolerante a fallos •  Necesario trabajar en memoria de manera distribuida para ser eficientes. •  Pero entonces ¿Como recuperarse ante fallos? Solución: Resilient Distributed Datasets (RDD) RDDs •  Colección parIcionada inmutable de registros. •  Se crean a parIr de transformaciones de ficheros Hadoop u otros RDD. •  Tiene información sobre lineage. Permite recuperarse ante fallos. •  Permite cierto control sobre el parGcionado y la persistencia. Resilient Distributed Datasets: A Fault-Tolerant Abstraction for
In-Memory Cluster Computing
Matei Zaharia, Mosharaf Chowdhury, Tathagata Das, Ankur Dave, Justin Ma,
Murphy McCauley, Michael J. Franklin, Scott Shenker, Ion Stoica
University of California, Berkeley
Abstract
tion, which can dominate application execution times.
PrimiIvas Spark Dos Ipos. •  Transformaciones: RDD à RDD’ •  Acciones: RDD à resultado TransformaDons map flatMap filter groupBy join (…) AcDons count reduce collect (…) Spark Streaming Tratamiento de flujos de datos en pseudo Iempo-­‐real. •  Aplicaciones |picas: –  Procesar Twi^er. –  EstadísIcas y monitorización de siIos web. live data stream batches of X seconds •  ObjeIvos: –  Escalable a grandes clusters. –  Latencias de segundos. –  Modelo simple de programación. –  Integración con procesado en bloque e interacIvo. –  Tolerancia a fallos. Spark Streaming processed results Spark Nueva Abstracción: Dstream Secuencia de RDDs que representa un flujo de datos. Shark •  Extensión de Hive para hacerlo compaIble con Spark. •  Sistema de almacén de datos (data warehouse). •  Permite hacer consultas Ipo SQL. –  Hasta 100% más rápido que Hive. –  ConverIrlos en RDDs. •  Usar Spark sobre ellos. Programación •  API en Scala, Java y Python: –  Originalmente en Scala (Recomendado). –  En Java sólo modo standalone. –  Python añadido recientemente (02/2013). •  Se puede uIlizar modo interacDvo o standalone. •  No se puede uIlizar con Spark Stream (Desarrollo futuro). •  Permite uIlizar cualquier biblioteca Python: numpy, scipy... (????) PySpark: Uso InteracIvo •  Vamos a uIlizar el dataset de libros que uIlizamos en el nltk. •  Abrir la consola interacIva en python $./pyspark [ $./spark-­‐shell (si quisiéramos usar Scala) ] •  Variable sc conIene un SparkContext. –  Objeto que “sabe como interactuar con el cluster” y permite crear RDDs a parIr de ficheros o colecciones de python. Sintaxis Python lambda •  Python soporta el definir mini-­‐funciones anónimas de una línea sobre la marcha. –  Originalmente en Lisp [ lambda variable: operación ] >>> g = lambda x: x**2 >>> g(3) 9 –  Muy úIl dentro de filter, map, reduce. >>> words.filter(lambda w: w.startswith(‘a’)) Ejercicio Pyspark interacIvo •  Construir RDDs a parIr de un fichero (directorio) >>> •  Ver los primeros campos del registro >>> Ejercicio Pyspark interacIvo •  Construir RDDs a parIr de un fichero (directorio) >>> bookLines = sc.textFile('books') •  Ver los primeros campos del registro >>> bookLines.take(10) Ejercicio Pyspark interacIvo •  Construir RDDs a parIr de un fichero (directorio) >>> bookLines = sc.textFile('books') •  Ver los primeros campos del registro >>> bookLines.take(10) •  Un poco feo, ¿no?. Vamos a mostrarlo un poco más limpio >>> •  Otras acciones >>> >>> Ejercicio Pyspark interacIvo •  Construir RDDs a parIr de un fichero (directorio) >>> bookLines = sc.textFile('books') •  Ver los primeros campos del registro >>> bookLines.take(10) •  Un poco feo, ¿no?. Vamos a mostrarlo un poco más limpio >>> for line in bookLines.take(10): print line •  Otras acciones >>> bookLines.count() >>> bookLines.collect() Ejercicio Pyspark interacIvo (2) •  Pasar de lista de líneas a lista de palabras para contar número de palabras. 1.  Transformar RDD: ¿flatMap or map? >>> 2.  Contar las palabras >>> Ejercicio Pyspark interacIvo (2) •  Pasar de lista de líneas a lista de palabras para contar número de palabras. 1.  Transformar RDD: ¿flatMap or map? >>> bookWords1 = bookLines.map( lambda x: x.split(' ') ) >>> bookWords1.take(50) >>> 2.  Contar las palabras >>> Ejercicio Pyspark interacIvo (2) •  Pasar de lista de líneas a lista de palabras para contar número de palabras. 1.  Transformar RDD: ¿flatMap or map? >>> bookWords1 = bookLines.map( lambda x: x.split(' ') ) >>> bookWords1.take(50) >>> bookWords2 = bookLines.flatMap( lambda x: x.split(' ') ) >>> bookWords2.take(50) >>> bookWords2.take(50) >>> 2.  Contar las palabras >>> Ejercicio Pyspark interacIvo (2) •  Pasar de lista de líneas a lista de palabras para contar número de palabras. 1.  Transformar RDD: ¿flatMap or map? >>> bookWords1 = bookLines.map( lambda x: x.split(' ') ) >>> bookWords1.take(50) >>> bookWords2 = bookLines.flatMap( lambda x: x.split(' ') ) >>> bookWords2.take(50) >>> bookWords2.take(50) >>> bookWords = bookWords2.cache() >>> bookWords2.take(50) 2.  Contar las palabras >>> Ejercicio Pyspark interacIvo (2) •  Pasar de lista de líneas a lista de palabras para contar número de palabras. 1.  Transformar RDD: ¿flatMap or map? >>> bookWords1 = bookLines.map( lambda x: x.split(' ') ) >>> bookWords1.take(50) >>> bookWords2 = bookLines.flatMap( lambda x: x.split(' ') ) >>> bookWords2.take(50) >>> bookWords2.take(50) >>> bookWords = bookWords2.cache() >>> bookWords2.take(50) 2.  Contar las palabras >>> bookWords.count() MapReduce en Spark map( func ) • Return a new distributed dataset formed by passing each element of the source through a funcIon func. flatMap( func ) • Similar to map, but each input item can be mapped to 0 or more output items (so func should return a Seq rather than a single item). reduce( func ) • Aggregate the elements of the dataset using a funcIon func (which takes two arguments and returns one). The funcIon should be commutaIve and associaIve so that it can be computed correctly in parallel. reduceByKey( func ) • When called on a dataset of (K, V) pairs, returns a dataset of (K, V) pairs where the values for each key are aggregated using the given reduce funcIon. Ejercicio Pyspark interacIvo (3) •  Calcula la línea de longitud máxima >>> •  Muestra las líneas de longitud máxima >>> Ejercicio Pyspark interacIvo (3) •  Calcula la línea de longitud máxima >>> linesMax = bookLines.map(lambda line: len(line.split(' '))).reduce(max) •  Muestra las líneas de longitud máxima >>> Ejercicio Pyspark interacIvo (3) •  Calcula la línea de longitud máxima >>> linesMax = bookLines.map(lambda line: len(line.split(' '))).reduce(max) •  Muestra las líneas de longitud máxima >>> bookLines.filter(lambda line: len(line.split(' '))==linesMax ).collect() Ejercicio Pyspark interacIvo (4) •  Más MapReduce: WordCount •  A parIr de los ficheros extraer pares (palabra,conteo) •  En primer lugar hace falta importar el operador suma para usarlo de manera funcional >>> from operator import add A parIr del RDD de palabras bookWords: 1.  Map: Generar pares (w,1) 2.  Reduce: sumar aquellos pares que tengan la misma clave w. Ejercicio Pyspark interacIvo (4) 1.  Map: Generar pares (w,1) 2.  Reduce: sumar aquellos pares que tengan la misma clave w. Mostrar el resultado >>> >>> Ejercicio Pyspark interacIvo (4) 1.  Map: Generar pares (w,1) 2.  Reduce: sumar aquellos pares que tengan la misma clave w. Mostrar el resultado >>> counts = bookWords.map(lambda x: (x,1) ).reduceByKey(add).cache() >>> Ejercicio Pyspark interacIvo (4) 1.  Map: Generar pares (w,1) 2.  Reduce: sumar aquellos pares que tengan la misma clave w. Mostrar el resultado >>> counts = bookWords.map(lambda x: (x,1) ).reduceByKey(add).cache() >>> counts.take(50) >>> for pair in counts.take(50): print pair Modo standalone Hacer programas completos que se ejecuten en bloque en lugar de en la consola interacIva. Invocación |pica: ./pyspark file.py <master> <inputs> [En local ./pyspark file.py local <inputs> ] Dos pasos básicos: 1.  importar SparkContext from pyspark import SparkContext 2.  Crear SparkContext en el nodo master, nombre del trabajo [y dependencias que hay que enviar al nodo.] sc = SparkContext(sys.argv[1], ”job", pyFiles=['MyFile.py', 'lib.zip', 'app.egg’]) wordCount.py import sys from operator import add from pyspark import SparkContext if __name__ == "__main__": if len(sys.argv) < 3: print >> sys.stderr, \ "Usage: PythonWordCount <master> <file>" exit(-­‐1) sc = SparkContext(sys.argv[1], "PythonWordCount") lines = sc.textFile(sys.argv[2], 1) counts = lines.flatMap(lambda x: x.split(' ')) \ .map(lambda x: (x, 1)) \ .reduceByKey(add) output = counts.collect() for (word, count) in output: print "%s : %i" % (word, count) Ejemplos ML de Pyspark •  Junto con Spark hay una serie de ejemplos de algoritmos Ipo ML: –  Regresión LogísIca –  Kmeans –  ALS •  Tienen graves errores de programación logisDc_regression.py for i in range(1, ITERATIONS + 1): print "On iteraIon %i" % i gradient = points.map(lambda p: (1.0 / (1.0 + exp(-­‐p.y * np.dot(w, p.x)))) * p.y * p.x ).reduce(add) w -­‐= gradient Spark en nuestro cluster •  Funciona sobre el gestor de recursos Apache Mesos. CompaIble con Hadoop. •  Dos formas principales de acceder: –  Ordenador personal. Necesario instalar bibliotecas Mesos. h^p://spark-­‐project.org/docs/latest/running-­‐on-­‐mesos.html –  Conectándose primero a amaterasu.tsc.uc3m.es . Spark en nuestro cluster (2) •  Conectarse a amaterasu ssh amaterasu •  Invocar desde allí Spark en el masternode del cluster: 10.0.12.18:5050 o subserver1.tsc.uc3m.es:5050 •  Modo interacDvo: MASTER=mesos://10.0.12.18:5050 /usr/local/spark/pyspark •  Modo standalone: –  Introducir mesos://10.0.12.18:5050 como primer parámetro del programa: /usr/local/spark/pyspark example.py mesos://10.0.12.18:5050 <params> •  Ver trabajos acIvos -­‐> En el navegador 10.0.12.18:5050 Spark en nuestro cluster (3) •  ¿cómo subir ficheros para procesar y descargar resultados? –  UIlizar el Hadoop FileSystem (HDFS). •  Ver instrucciones de Harold h^p://www.tsc.uc3m.es/~miguel/MLG/adjuntos/Hadoop.pdf (pag. 12) $ hadoop -­‐-­‐config conf_cluster dfs -­‐put src dest $ hadoop -­‐-­‐config conf_cluster dfs -­‐copyFromLocal src dest $ hadoop -­‐-­‐config conf_cluster dfs -­‐get src dest $ hadoop -­‐-­‐config conf_cluster dfs –copyToLocal •  A la hora de leer el fichero uIlizar la URL correcta: sc.textFile(‘hdfs://<namenode>:8080/path‘) –  UIlizar un directorio accesible desde el cluster: /export/clusterdata •  Spark provee de scripts para lanzar trabajos directamente a Amazon ElasIc Compute Cloud (EC2). •  Configuran automáIcamente Mesos, Spark y HDFS en el clúster para I. •  Necesario pagar Computo ($0,260 por instancia/
hora para la predeterminada) + Coste de almacenamiento. •  Muy fácil de usar. •  Grants!!!! h^p://aws.amazon.com/es/grants/ •  Registrarse en Amazon Web Services (AWS). –  h^p://aws.amazon.com/es/ •  En la pantalla principal de mi cuenta crear Claves de acceso. –  Pestaña de credenciales de seguridad. •  Antes de ejecutar los scripts Ienes que fijar las variables de estado AWS_ACCESS_KEY_ID y AWS_SECRET_ACCESS_KEY_ID a esos valores. •  Generar par de claves: –  Accede a tu consola AWS y allí entra en el servicio EC2. –  Selecciona keyPairs y crea el par –  Descargate el fichero y en Linux/Mac Osx cambiale los permiso a 600 –  chmod 600 mykey.pem •  En el directorio ec2 de spark está el script para lanzar un cluster, acceder, pararlo, destruirlo. >>> ./spark-­‐ec2 -­‐k <keypair> -­‐i <key-­‐file> -­‐s <num-­‐slaves> launch <cluster-­‐name> >>> ./spark-­‐ec2 -­‐k <keypair> -­‐i <key-­‐file> login <cluster-­‐name> >>> ./spark-­‐ec2 -­‐k <keypair> -­‐i <key-­‐file> -­‐s <num-­‐slaves> launch <cluster-­‐name> >>> ./spark-­‐ec2 destroy <cluster-­‐name> •  Más detalles aquí. h^p://spark-­‐project.org/docs/latest/ec2-­‐scripts.html Conclusiones •  Spark propone una infraestructura interesante para computación en clusters. –  API Scala, Python y Java sencillo. Sobretodo para gente que sabe programación funcional. –  Modo interacIvo (extracción rápida de caracterísIcas de grandes datasets). –  Funciona bien con procesado secuencial. –  Fácil de usar en EC2. •  Muy (demasiado) nuevo. Python en febrero de este año. •  No existe una comunidad de Machine Learning como Mahout en torno a Spark. Algunas Referencias •  Documentación oficial de Spark h^p://spark-­‐project.org/docs/latest/index.html •  Mini-­‐Curso del AMPLAB sobre BigData: Spark, Shark y EC2. h^p://ampcamp.berkeley.edu/big-­‐data-­‐mini-­‐course/ •  Algunos vídeos con presentaciones de las desarrolladores. –  NIPS 2011: h^ps://www.youtube.com/watch?v=qLvLg-­‐sqxKc –  Berkley Analizing Big Data with twi^er (lesson 16): h^ps://www.youtube.com/watch?v=rpXxsp1vSEs –  PyData 2013: h^p://vimeo.com/63274414 •  Libro de O’Reilly en camino (Agosto de 2013): h^p://shop.oreilly.com/product/0636920028512.do