hadoop > cascading -> cascalog (short version)
DESCRIPTION
Slides for Java tech talk in Cogniance about Hadoop, Cascading and Cascalog.TRANSCRIPT
Hadoop -> Cascading -> Cascalog
Обо мне
● Андрей Панфилов● Java-разработчик● Интересуюсь: BigData, ФП
Проблематика
● $600 стоимость диска на который поместится вся музыка в мире
● 5B мобильников использовалось в 2010● 30B расшариваний всякой фигни в Facebook каждый
месяц в 2011-м году● 40% прогнозируемого роста данных во всём мире в год
VS 5% роста ИТ-расходов во всём мире (2011 год)● 235 терабайт данных собрано Библиотекой Конгресса
США в апреле 2011-го● 15 из 17 секторов экономики в США имеют больше
данных, хранящихся на компанию, чем Библиотека Конгресса США
http://bit.ly/big-data-mk-2011
MapReduce история вопроса
● 2004: Опубликована работа “MapReduce: Simplified Data Processing on Large Clusters” (Джеффри Дин и Санжай Гемават)
● 2005: Начат проект Hadoop (Дуг Каттинг и Майк Кафарелла)
● 2005 - 2006: Hadoop развивался усилиями двух разработчиков — Каттинга и Майка Кафареллы в режиме частичной занятости, сначала в рамках проекта Nutch, затем — проекта Lucene.
● 2006: Yahoo пригласила Каттинга возглавить команду разработки (выделение Hadoop в отдельный проект).
● 2008: Yahoo запустила кластер на 10K ядер, управляемую средствами Hadoop.
http://ru.wikipedia.org/wiki/Hadoop
Map & Reduce
● Map x2 to (1 2 3 4 5) --> (2 4 6 8 10)● Reduce "min" to (2 4 6 8 10) --> (2)
http://www.byzantinereality.com/2009/2/Thoughts-on-MapReduce
Apache Hadoop
● Java based open source framework● Common (утилиты), HDFS, MapReduce● http://en.wikipedia.org/wiki/Hadoop
Cascading
Cascading is a data processing API and processing query planner used for defining, sharing, and executing data-processing workflows on a single computing node or distributed computing cluster.
http://docs.cascading.org/cascading/2.0/userguide/htmlsingle/
Cascading
Cascading с разных точек зрения● бизнеса: управление бизнес процессами для оркестрации
потоков выполнения (аля BPM / BPEL)● системного интегратора: система интеграции гетерогенных
источников данных и платформ вычисления● data scientist: направленный ациклический граф
подчиняющийся закону Амдала*● data architect: физический план управления большими
потоками данных● архитектора: язык паттернов, похожий на план водопровода
или проектирование принципиальных схем устройств● разработчика: связывающий API для скалы, кложура, пайтона,
руби, джава● админа: JAR файл (лежит в Maven Repo)
http://www.slideshare.net/pacoid/cascading-for-the-impatient
*для любознательных
Закон Амдала:В случае, когда задача разделяется на несколько частей, суммарное время её выполнения на параллельной системе не может быть меньше времени выполнения самого длинного фрагмента.
История
● Крис Венсель (Chris Wensel)● Начал разработку Cascading’а в начале
2008 (запись в блоге)● Основал компанию Concurrent в
середине 2008● В 2011 Concurrent получила инвестиции
для дальнейшего развития Cascading’а● 2008 20 KLOC● 2013 106 KLOC● 3 контрибьютера
Общие сведения
● open source https://github.com/cwensel/cascading
● лицензия Apache License 2.0● коммерческая поддержка http://www.
concurrentinc.com/support/
Аналоги
● Oozie● Crunch● Apache Falcon● Cloudera Morphlines
Основные понятия
● Pipes / трубы (потоки данных)● Filters / фильтры (операции над данными)
Основные понятия
Набор разных pipe’ов позволяет производить над данными следующие операции*:● split● merge● group by● join
* Для каждого кортежа или для группы кортежей.
Основные понятия: tuples
Cascading оперирует кортежами
(“the man sat”, 25)(“hello dolly”, 42)(“say hello”, 1)(“the woman sat”, 10)
Основные понятия: tuples
[“sentence”, “value”](“the man sat”, 25)(“hello dolly”, 42)(“say hello”, 1)(“the woman sat”, 10)
Основные понятия: tuples
● Аналог: строка в таблице базы данных.● В каскадинге для кортежей есть
специальный тип: cascading.tuple.Tuple
● Внутри это List<Object> elements;
Основные понятия: fields
[“sentence”, “value”](“the man sat”, 25)(“hello dolly”, 42)(“say hello”, 1)(“the woman sat”, 10)
Основные понятия: fields
● Определяет имя элемента кортежа.● В каскадинге для полей есть специальный
тип: cascading.tuple.Fields● Поле может быть строкой, целым
числом или специальным значением из предопределённого множества.
● Специальные значения нужны для выполнения шаблонных операций.
Основные понятия: fields
Специальные значения:ALL, RESULTS, REPLACE, SWAP, ARGS, GROUP, VALUES, UNKNOWN, NONE
Основные понятия: pipes
● Это узел в котором может что-то происходить с кортежами (в документации нет чёткого определения pipe’а).
● В каскадинге для pipe’ов есть специальный тип: cascading.pipe.Pipe
Основные понятия: pipes
Типы pipe’ов:● Класс Pipe: нужен для создания и
именования пайпа (планировщик использует имена для соединения с tap’ами).
● Подкласс SubAssembly: повторное использование сборок pipe’ов.
● Шесть основных подклассов: Each, Merge, GroupBy, Every, CoGroup, HashJoin.
Основные понятия: pipes
Each:● операции основанные на содержимом
кортежа: анализ, трансформация или фильтрация
● оперирует конкретным кортежем из потока● применяет функции или фильтры такие как
условная замена определённых значений полей, удаление кортежей значение полей которых выходит за заданные пределы…
● откалывание отдельной ветки потока данных● удаление ненужных полей из потока данных
Основные понятия: pipes
Merge:● слияние нескольких потоков данных в один● принимает несколько потоков с идентичными
полями● отдаёт один поток с кортежами из входных
потоков в произвольном порядке
Основные понятия: pipes
GroupBy:● группирует кортежи потока данных по общим
значениям указанных полей● если на вход подать несколько потоков, то
перед группировкой происходит слияние (наборы полей потоков должны быть одинаковые)
● обычно группировку делают перед операциями “aggregator” или “buffer”
● по сути сортирует все кортежи в группы (в группах кортежи в произвольном порядке)
Основные понятия: pipes
Every:● оперирует сгруппированными кортежами● используется для применения операций
“aggregator” или “buffer”● используется только после GroupBy или
CoGroup● можно несколько операций “aggregator”
ставить подряд (для “buffer” не работает)
Основные понятия: pipes
CoGroup:● выполняет операцию join на нескольких
входных потоках данных или на самом себе● похож на SQL join (тоже может быть inner,
outer, left, или right)● отдаёт поток данных сгруппированный по
указанным полям● выходной поток данных содержит все поля
входных потоков● входные потоки не могут содержать
одинаковые имена полей
Основные понятия: pipes
HashJoin:● выполняет операцию “join” на нескольких
входных потоках данных или на самом себе● похож на SQL join (тоже может быть inner,
outer, left, или right)● отдаёт поток данных в произвольном прядке● если не нужна группировка, быстрее чем
CoGroup (при условии нескольких маленьких входных потоков и не более одного большого)
Основные понятия: pipes
Основные понятия: pipe assembly
Простая последовательность pipe’ов без разветвлений и слияний.
Основные понятия: tuple stream
Последовательность кортежей проходящая через ветвь pipe’ов или сборку (assembly).
Паттерны работы с потоками
● Split● Merge● Join
Паттерны работы с потоками
Split: ● Разделение данных из одного
потока на несколько потоков. ● К одному Pipe’у присоединяется
несколько последующих Pipe’ов.
Паттерны работы с потоками
Merge: ● Слияние нескольких потоков
данных в один.● Несколько Pipe’ов
присоединяются к Pipe’у типа Merge или GroupBy.
Паттерны работы с потоками
Join: ● Комбинирование данных из
нескольких потоков с разными полями по общим полям (аналог SQL join).
● Несколько Pipe’ов присоединяются к Pipe’у типа HashJoin или CoGroup.
Основные понятия: tap
“кран” -- источник данных
Основные понятия: sink
“сток” -- пункт назначения данных
Основные понятия: flow
flow = pipe assemblies + source taps + sink taps
(краны + трубы + стоки)
Основные понятия: flow
● Важный момент: flow -- это информация о том где брать данные, как обрабатывать и куда складывать результат.
● Где и куда должны существовать в момент выполнения.
● После создания, flow нужно выполнить в одной из платформ.
● Flow можно соединять в цепочки.
Основные понятия: flow
Платформы:● Hadoop● Local
Операции
аля юникс команды: sed, grep, sort, uniq и awk
Основные понятия: function
● Ожидает на вход один кортеж.● Хороший тон: указать набор
входных и выходных полей.● Возвращает ноль или больше
кортежей.● Используется с пайпом Each,
который может следовать после пайпа любого типа.
Основные понятия: function
Примеры:● parser● marshallers● преобразователи (одних
полей в другие)
Основные понятия: filter
● Ожидает на вход один кортеж.● Возвращает true или false
(выбрасываем кортеж из потока или нет).
● Используется с pipe’ом Each, который может следовать после pipe’а любого типа.
Основные понятия: aggregator
● Ожидает на вход группу кортежей (вывод pipe’а GroupBy или CoGroup).
● Возвращает ноль или несколько кортежей для каждой входной группы кортежей.
● Примеры: Average, Count, First, Last, Max, Min, Sum
Основные понятия: buffer
● Ожидает на вход группу кортежей (вывод pipe’а GroupBy или CoGroup).
● Возвращает ноль или несколько кортежей для каждой входной группы кортежей.
● Получает всю группу кортежей сразу (доступ через итератор).
● Удобно для вставки кортежа в группу.
Как происходит разделение на Map и Reduce
Hadoop MapReduce Job Planner
Тестирование
● Юнит-тесты для функций, фильтров, агрегаторов и буфферов (cascading.CascadingTestCase).
● cascading.operation.Debug -- фильтр, печатает кортеж в stdout или stderr.
● запуск в локальном режиме.● пишите логи (в коде своих операций)
Debug
● в локальном режиме:https://github.com/ScaleUnlimited/cascading.utilsfinal FlowRunner runner = new FlowRunner();
runner.addFlow(flow);
runner.complete();
● One node Hadoop cluster:export HADOOP_OPTS = "-agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=8788"
hadoop jar your-casc.jar <параметры>
Генерация диаграмм
Deployment
Всё точно так же как если бы вы писали Hadoop
MapReduce Job.
Особенности работы с данными
● файлы: лучше мало больших, чем много маленьких.
● S3 + много маленьких -> s3distcp.
Ещё один шаг вперёд
● Cascading -- это высокоуровневый API● Меньше кода и проще проектировать
сложную обработку данных (по сравнению с обычным MapReduce)
● Следующий логичный шаг -- DSL● Выразительный● Гибкий● Правильная идеология
Тааадааам!
cascalog
Раскрываем тайну названия
cascalog
Раскрываем тайну названия
cascalog
Datalog
● Декларативный логический язык программирования.
● Синтаксически является подмножеством Пролога.
● Часто используется как язык запросов к дедуктивным базам данных (более выразительный чем SQL).
Datalog
1 родил(Авраам,Исаак).2 родил(Исаак,Иаков).3 предок(X,Y) :- родил(X,Y).4 предок(X,Y) :-5 родил(X,Z),предок(Z,Y).6 ?- предок(Авраам,X).1 - Авраам родитель Исаака; 2 - Исаак родитель Иакова; 3, 4, 5 - правила определения предков; структура правила: <голова> :- <тело>; 3 - X предок Y’а если известно что X родитель Y’а; 4, 5 - X предок Y’а если известно что X родитель Z’а и Z предок Y’а; 6 - запрос “найти всех людей у кого в предках Авраам”, результат: Исаак и Иаков.
История
● Натан Марц (Nathan Marz)● Первый коммит в гитхабе весной 2010
(пруф)● Прародитель● 2010 1 KLOC● 2013 9 KLOC● 29 контрибьютеров
Общие сведения
● open source https://github.com/nathanmarz/cascalog
● лицензия Apache License 2.0● коммерческая поддержка не нашёл
Пример
(def age[;; [person age] ["alice" 28] ["bob" 33] ["gary" 28] ["john" 27] ["luanne" 36]])
Пример
(?<- ;; определение и выполнение запроса(stdout) ;; куда попадает вывод[?person ?a2] ;; результат (переменные)
(age ?person ?age) ;; предикат - генератор(< ?age 30) ;; предикат - фильтр(* 2 ?age :> ?a2)) ;; предикат - операция
REPL session
Несколько примеров в консоле.
Пример: Word Count
Пример: Word Count
Пример: Word Count
Пример: Word Count
Проблемы cascalog’а
● Высокий порог вхождения (clojure).● Мало документации.● В Украине практически нет людей с
опытом использования сабжа.● Нет формальной грамматики
описывающей язык запросов.
Сообщество
● Гугл группа cascalog’а.● Гугл-группа cascading’а.● Как ни странно на stackoverflow.com
практически ничего нет о сабжах.● Митапы в Сан-Франциско и Лондоне.
Кто использует cascalog
Развитие
● Каскалог 2.0 не будет привязан к каскадингу.
● Storm -- одна из возможных платформ.
Когда использовать
● Данных должно быть ОЧЕНЬ много (не помещаются в память).
● Исторические данные (логи).● Данные всё время добавляются.
Документация
● Отличный User Guide по каскадингу.● Замечательный туториал по каскадингу.● Вики по каскалогу в гитхабе.