1. 1 Tel : +55.11.34.68.01.03 www.octo.com 2014 2. 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. 3 Agenda Introdução Histórico Arquitetura da plataforma HDP 2.0 SandBox Stinger Scripts Hive/Pig Ferramentas de visualização de dados 4. 4 5. 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. 6 Pode deixar chefe! Ryu, Você será o escolhido para essa tarefa! 7. 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. 8 Não será tão fácil assim, meu jovem... 9. 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. 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. 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. 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. 13 Composição do Apache Hadoop Núcleo Hadoop: • Hadoop Common • HDFS • MapReduce 14. 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. 15 2) HDFS: Hadoop Distributed File System Sistema de arquivos distribuído Grande ordem de 10k nós Milhões de arquivos Projetado para hardware de baixo custo Redundância por replicação Tolerância a falhas e recuperação Otimizado para processamento em lote Localização dos dados exposta Grande largura de banda associada Coerência dos dados Modelo “write-once-ready-many” Arquivos existentes sofrem apenas operações de “append” Arquivos quebrados em pedaços (blocos) Variam de 64mb (padrão) a 256mb Blocos distribuídos pelos nós (um arquivo é dividido em N blocos e armazenado em M nós) Blocos são replicados e as replicações distribuídas 16. 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. 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. 18 MapReduce - Arquitetura Name Node • Data Location 2 1 Client MapReduce Resource Manager Application Manager Data node 3 4 5 Data node Data node Reduce Output Reduce Reduce Map MapMap Shuffle & sort Application Master Task TaskTask 6 19. 19 Storage API Distributed FS GlusterFS HDFS S3 Isilon MapRFS Local FS NoSQL based Cassandra DynamoDB Ceph Ring Openstack Swift MapReduce/Tez YARN Spark Streaming Transacional Consultas Analíticas ETL Computação 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 UsosFerramentasComum Sistemasde Armazenamento Import/export CLI Sqoop Flume Storm ETL (Talend, Pentaho) Oozie Elastic Search Ecossistema Hadoop API MR Java Upload HCatalog Distribuição 20. 20 Hadoop na nuvem 21. 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. 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. 23 Passo 1 : baixar Sandbox for VirtualBox http://hortonworks.com/products/hortonworks-sandbox/#install Sandbox: Instalação 24. 24 Passo 2 : Iniciar imagem hadoop Sandbox: Configuração 1 2 3 25. 25 Passo 3 : Acessar Sanbox Hue Sandbox: Configuração Hands on 26. 26 Hortonworks Hue HCatalog HDFS MapReduce 27. 27 Ferramentas no Hue 1234 28. 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. 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. 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. 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. 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. 33 O Processo Carregamento de dados Preparação e Organização de dados Exploração 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. 34 Edge Node Mapa - Fluxo de dados SFTP Remoção de cabeçalho Compactação de dados -Orc/SeqFile -Gzip/Snappy Partitions Buckets/Sampling script External Table HDFS Managed Table Data 35. 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. 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. 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_Pedidos FROM `default.tb_orders` Group by MARCA ORDER 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. 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. 39 Tabelas no Hive Tabela GerenciadaTabela Externa 40. 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. 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. 42 Hands on Hands on 43. 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. 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. 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. 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/ 1 2 3 4 47. 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: 72.2.118.70 Port: 10000 Type: Hive Server 2 User: hive 48. 48 Ferramentas de visualização 49. 49 You Win... Perfect! Chefe, estamos prontos para iniciar nossas análises usando Hadoop 2.0 Parabéns Ryu, You Win! 50. 50 There is a way…