1 Tel : +55.11.34.68.01.03 www.octo.com

Hadoop: Mãos à massa!!!

2014

2

Thiago Santiago

Arquiteto de software, formado em engenharia de software pela USP.

Trabalha atualmente na OCTO Technology liderando projetos em web performance e Big Data.

Apresentação:

\thiagosantiago25

3

Agenda

IntroduçãoHistórico Arquitetura da plataforma HDP 2.0SandBoxStingerScripts Hive/PigFerramentas de visualização de dados

4

A história de Ryu,

o Analista de Dados

5

No atual mundo captalista, M Bison, dono do maior e-commerce mundial chamado Shadaloo, decide analisar o perfil de todos os seus clientes; não apenas mostrando os dados comuns do BI, mas analisar também: - Dados de TODOS os sistemas Legados- Dados de Navegação- SAC e Midias Sociais.

Dessa forma ele poderia:• Criar mecanismo de ofertas personalizadas• Retenção de clientes que realizam reclamações no SAC• Identificar relação de entre reclamações no SAC e

mídias sociais.• Analisar fluxo de navegação e proporcionar navegação

personalizada por tipo de clientes

6

Pode deixar chefe!

Ryu, Você será o escolhido para

essa tarefa!

7

… então depois de muito apanhar tentando achar uma solução ao problema, decidiu pedir ajuda ao Mestre Dhalsin.

Mestre, como posso processar esse

volume gigante de dados em pouco

tempo?

Dá Hadoop Ryu!!!

8

Não será tão fácil assim, meu

jovem...

9

O que é Apache Hadoop?

O Hadoop é um framework open source desenvolvido em Java, para rodar aplicações, que manipulem uma grande quantidade de dados, em ambientes “clusterizados”.

Inspirado originalmente pelo GFS e MapReduce da Google

E assim começou a batalha de Ryu… sabendo da força que o hadoop tem, ele decidiu estudar a fundo essa nova técnica…

…E descobriu que:

10

Histórico

Dez/02 – Primeira biblioteca Map/Reduce na Google

Out/03 – Artigo sobre GFS

Dez/04 – Artigo sobre Map Reduce

Dez/05 – MR e DFS no Nutch é implementado por Doug Cutting

Fev/06 – Hadoop se torna um projeto oficial da Apache

Abr/07 – Yahoo! roda Hadoop em um cluster de 1000 nós

Jan/08 – Hadoop se transforma no projeto principal da Apache

Dez/11 – Apache disponibiliza versão Hadoop 1.0.0

11

Principais Características do Hadoop

Escalável: ele pode armazenar e processar petabytes sem problemas;

Econômico: o Hadoop distribui os dados e o

processamento através dos clusters. Estes clusters

podem ter milhares de nós (máquinas);

Eficiente: Por distribuir os dados, o Hadoop pode

processar eles em paralelo por meio dos nós, onde os dados

estão alocados.

Confiável: ele automaticamente mantém múltiplas copias dos dados e remaneja as tarefas em caso de falhas.

12

Atualmente, Hortonworks, Cloudera e MapR são os principais distribuidores Hadoop (MapReduce, Hive, Sqoop, pig, etc) de forma mais integrada de acordo com a arquitetura de cada distribuição.

A amazon possui sua própria implementação Hadoop Chamada Elastic MapReduce (EMR)

Distribuições Hadoop

13

Composição do Apache Hadoop

Núcleo Hadoop:• Hadoop Common• HDFS• MapReduce

14

Composição do Apache Hadoop

1) Hadoop Common

Hadoop Common oculta o que os usuários comuns não precisam saber! Paralelização automática

Balanceamento de carga

Otimização nas transferências de disco e rede

Tratamento de falhas

Robustez

Escalabilidade

15

2) HDFS: Hadoop Distributed File System

Sistema de arquivos distribuídoGrande ordem de 10k nósMilhões de arquivos

Projetado para hardware de baixo custoRedundância por replicaçãoTolerância a falhas e recuperação

Otimizado para processamento em loteLocalização dos dados expostaGrande largura de banda associada

Coerência dos dadosModelo “write-once-ready-many”Arquivos existentes sofrem apenas operações de “append”

Arquivos quebrados em pedaços (blocos)Variam de 64mb (padrão) a 256mbBlocos distribuídos pelos nós (um arquivo é dividido em N blocos e armazenado em M nós)Blocos são replicados e as replicações distribuídas

16

3) MapReduce

O modelo inicial proposto pelo Google apresentou alguns conceitos para facilitar alguns problemas

Paralelização da computação em um aglomerado de máquinas comuns

Centenas/Milhares de CPUs

Paralelização e distribuição automática da computação deveria ser o mais simples possível

O sistema de execução se encarrega de:

Particionar e distribuir os dados de entrada

Escalonar as execuções em um conjunto de máquinas

Tratar as falhas

Comunicação entre as máquinas

17

MapReduce no Hadoop

A função Map atua sobre um conjunto de entrada com chaves e valores, produzindo uma lista de chaves e valores

A função Reduce atua sobre os valores intermediários produzidos pelo Map para, normalmente, agrupar os valores e produzir a saída

18

MapReduce - Arquitetura

Name Node

• Data Location

21

Client MapReduce

ResourceManager

ApplicationManager

Data node3

4

5

Data node

Data node

Reduce

Output

Reduce Reduce

Map MapMap

Shuffle & sort

ApplicationMaster

Task TaskTask

6

19

Storage API

Distributed FSGlusterFS

HDFSS3

IsilonMapRFS

Local FS

NoSQL basedCassandraDynamoDB

CephRing

Openstack Swift

MapReduce/TezYARN

Spark Streaming

TransacionalConsultas Analíticas

ETLComputação Científica Indexação

Interativo Batch

HBase Cassandra

Spark Impala Presto Hawg Drill

Cascading Pig Hive Talend Solr

Giraph HAMA Mahout Python R

sklearn nltk panda RHadoop

SAS

Uso

sF

erra

men

tas

Com

umS

iste

mas

de

Arm

azen

amen

to

Import/exportCLI

SqoopFlumeStorm

ETL (Talend, Pentaho)

Oozie

ElasticSearch

Ecossistema Hadoop

API MR Java

Upload

HCatalog

Dis

trib

uiçã

o

20

Hadoop na nuvem

21

Sandbox é um projeto Hortonworks, que torna o Hadoop portátil, permitindo rodar o hadoop em seu computador pessoal de forma simples e ágil.

Sandbox possui fins educacionais, facilitando a curva de aprendizagem no Hortonworks Hadoop.

Pré-requisitos: Ambiente de virtualização (Preferencialmente VirtualBox)

Hortonworks Sandbox

22

HDP 2.0

Hortonworks Data Platform 2.0 leva Hadoop de uma plataforma de dados de processamento em lote, para uma plataforma multi-uso que permite processamentos em lote, interativo, online e por fluxo.

23

Passo 1 : baixar Sandbox for VirtualBoxhttp://hortonworks.com/products/hortonworks-sandbox/#install

Sandbox: Instalação

24

Passo 2 : Iniciar imagem hadoop

Sandbox: Configuração

1

2

3

25

Passo 3 : Acessar Sanbox Hue

Sandbox: Configuração

Hands on

26

Hortonworks Hue

HCatalog

HDFS

MapReduce

27

Ferramentas no Hue

Hive PigFile

BrowserHCatalog

1234

28

Upload dos dados

https://s3.amazonaws.com/hw-sandbox/tutorial1/NYSE-2000-2001.tsv.gz

A interface do File Browser é semelhante a um gerenciador de arquivos comum com padrão de diretórios.

Arquivo de exemplo:

Selecione o botão ‘Upload'Selecione 'Arquivos' e uma janela pop-up irá aparecer.Clique no botão: "Enviar um arquivo".Localize o arquivo de dados de exemplo que você baixou e selecione-o.A barra de progresso irá aparecer. O carregamento pode levar alguns momentos.

29

Upload dos dados

Dados enviados:

Você pode usar o navegador de arquivos como gerenciador de arquivos do seu próprio computador. Em seguida registrar o conjunto de dados com HCatalog.

30

Upload dos dados

Preencha o campo Nome da tabela com "nyse_stocks". Em seguida, clique no botão Escolher arquivo. Selecione o arquivo que acabou de carregar 'NYSE-2000-2001.tsv.gz.

31

Upload dos dados

Na visualização da tabela você pode definir todos os campos e tipos de dados para a tabela.

Quando tudo estiver concluído, clique no botão "Create Table" na parte inferior.

Hands on

32

Formato do arquivo

Para diminuir o tempo de envio o arquivo deverá ser compactado e enviado no formato "gzip". 

Por exemplo, no linux, o commando: gzip arquivo.csv produz um arquivo de tipo correto : arquivo.csv.gz

Por definição de arquitetura, o caractere delimitador de campos será o pipe “|”.

E o formato inicial do arquivo deverá ser “.csv". 

Compactação do arquivo

33

O Processo

Carregamento de dadosPreparação e

Organização de dadosExploração de dados Análise de dados

O processo completo de tratamento de dados no ambiente Hadoop pode ser dividido em 4 etapas, nas quais, Carregam, Organizam, Exploram e exibem dos dados analizados.

- Transferir arquivo CSV

- Declarar Tabelas- Limpar Dados- Joins/Views- Partitions- .- .- .

- Ferramentas- Excel- Tableau- Dashboards- Relatórios- .- .- .

- Ferramentas- SAS- R, Python- DataModels- Predição - .- .- .

1 2 3 4

34

Edge Node

Mapa - Fluxo de dados

SFTP

Remoção de cabeçalhoCompactação de dados

-Orc/SeqFile-Gzip/Snappy

PartitionsBuckets/Sampling

script

External Table

HDFS

Managed Table

Data

35

O que o Stinger?http://hortonworks.com/labs/stinger/

A Iniciativa Stinger é um projeto opensource para conduzir o futuro do Apache Hive, entregando 100x mais desempenho em escala, com execução Hive sobre o Apache Tez e semântica de SQL like.

36

O Hive e o PIG oferecem linguagens de processamento de dados de alto nível com suporte para tipos de dados complexos para a operação em conjuntos de dados grandes.

A linguagem do Hive é uma variante do SQL e, portanto, é mais acessível para pessoas já familiarizadas com SQL e bancos de dados relacionais.

O Hive tem suporte para tabelas particionadas que permitem que os fluxos de trabalho extraiam somente a partição da tabela relevante para a consulta sendo executada, em vez de realizar uma digitalização completa da tabela.

Hive X Pig

Em uma análise, a escolha pelo uso do Hive ou PIG dependerá dos requisitos exatos do domínio do aplicativo e das preferências dos implementadores e daqueles que gravam consultas.

37

Scripts Hive X Pig

SELECT * FROM Tabela WHERE Campo = “ABC”;

SELECT a.* FROM a JOIN b

ON (a.id = b.id)

SELECT MARCA, sum(vl_pedido) Valor_PedidosFROM `default.tb_orders`Group by MARCAORDER by Valor_Pedidos DESC

A = LOAD 'tabela' USING org.apache.hcatalog.pig.HCatLoader();B = LIMIT A 100; C = FILTER B BY campo1 == 'Teste';D = FOREACH C GENERATE symbol, date, close; E = DISTINCT D;F = GROUP E BY (campo1, campo2);G = ORDER F BY (campo1, campo2);H = JOIN G BY campo1, F BY campo1;DUMP C;

A = LOAD 'default.tb_orders' USING org.apache.hcatalog.pig.HCatLoader();B = GROUP A BY marca;X = FOREACH B GENERATE group, SUM(A.vl_pedido);DUMP X;

38

Tabelas no Hive

As consultas Hive não pode ser realizadas diretamente nos arquivos enviados, é necessária uma estrutura que “identifique” os campos do arquivo, ou seja, que mapeie e crie um padrão aos dados enviados, essa estrutura é chamada de Tabela.

Existem basicamente dois tipos de tabelas: Tabelas externas (External Tables) e Tabelas gerenciadas (Managed Tables).

Tabela GerenciadaTabela Externa

As tabelas externas apenas mapeiam os dados no arquivo original, mas não realizam qualquer tipo de controle sobre o arquivo.

As tabelas gerenciadas, realizam uma cópia dos dados isolando as informações, para que apenas a própria tabela possa acessar os dados.

39

Tabelas no Hive

Tabela GerenciadaTabela Externa

40

Tabelas externas

CREATE EXTERNAL TABLE IF NOT EXISTS default.TBE_VENDAS   (      DESC_MARCA STRING,      COD_PEDIDO_SITE  STRING,     DT_PEDIDO      TIMESTAMP,     VL_PEDIDO     DECIMAL,     COD_ITEM      INT,      COD_DEPT     INT,      DESC_DEPT   STRING,     DESC_UNI_NEGOCIO STRING,     COD_MARCA        INT,     DESC_MARCA       STRING,     MARCA            STRING   ) ROW FORMAT DELIMITED FIELDS TERMINATED BY '|'LOCATION '/user/b2w/vendas';

Tendo um arquivo com as vendas no diretório ”/user/b2w/vendas”, imagine que será necessária uma consulta nesse arquivo, nesse caso será necessária a criação de uma tabela externa para mapear e acessar essas informações.

Definição de Tabela externa

Diretório do arquivo

Caractere delimitador de campos

41

Tabelas Gerenciadas

CREATE TABLE IF NOT EXISTS default.TBI_VENDAS LIKE default.TB_VENDAS;

INSERT OVERWRITE TABLE default.TBI_VENDAS  SELECT * FROM default.TBE_VENDAS WHERE COD_ITEM IS NOT NULL;

DESCRIBE FORMATTED default.TBI_VENDAS;

Continuando com exemplo anterior do arquivo com as vendas no diretório ”/user/b2w/vendas”.imagine que desejamos utilizar e transformar (ETL) as informações do arquivo e copiá-las para um “black box” onde garantimos a integridade dos dados, nesse caso será necessária uma tabela gerenciada.

Definição de Tabela com a mesma estrutura da tabela

relacionada.

Descreve a esrutura da tabela

42

Hands on

Hands on

43

Visualização de dados

A visualização de dados de forma gráfica, relatórios e dashboards são feitos por ferramentas externas que se conectam ao ambiente hadoop, e extraem as informações necessárias. Utilizaremos duas ferramentas como exemplo: Excel e Tableau.Toda a comunicação (extração de dados) entre os ambientes é feita via Hortonworks ODBC driver (64-bit).

44

Hortonworks Hive ODBC Driver

http://hortonworks.com/products/hdp-2/?b=3#add_ons

O Hortonworks ODBC driver permite realizar a conexão de ferramentas externas de Business Intelligence, consultas, análise e visualização de dados a Plataforma Hortonworks.

Link para download

45

Hortonworks Hive ODBC Driver

Guia em PDF com a instalação e configuração do driver ODBC

http://hortonworks.com/wp-content/uploads/2013/04/Hortonworks-Hive-ODBC-Driver-User-Guide.pdf

46

Visualização de dados Excel

Uma vez que o Seu driver ODBC esteja configurado, Pode-se utilizar o Excel para acessar dados no Hive:

http://hortonworks.com/hadoop-tutorial/how-to-use-excel-2013-to-access-hadoop-data/http://hortonworks.com/hadoop-tutorial/how-use-excel-2013-to-analyze-hadoop-data/

12

3

4

47

Visualização de dados Tableau

Uma vez que o Seu driver ODBC esteja configurado, Pode-se utilizar o Excel para acessar dados no Hive:

http://hortonworks.com/kb/how-to-connect-tableau-to-hortonworks-sandbox/

1

2

3

4

5

Host: 72.2.118.70Port: 10000Type: Hive Server 2User: hive

48

Ferramentas de visualização

49

You Win... Perfect!

Chefe, estamos prontos para iniciar

nossas análises usando Hadoop 2.0

Parabéns Ryu, You Win!

50

There is a way…