Hadoop And Pig And MapReduce

Hadoop – Pig And Map-
Reduce

1 Comprender el problema actual y las
soluciones big data
2
Conocer la tecnología de
map/reduce y poder entender su
funcionamiento
3 Capacidad de instalación de Hadoop en
local y testeo sobre un WordCount
4 Capacidad de instalación de Pig en
local y testeo.
Objetivos

1 Big Data – Un Problema
2 El Map Reduce como solución
3 Hadoop
4 Simplificación con Pig

1. Internet es enorme:
2. 20+B de páginas * 20KB/datos  400TBytes
3. Un ordenador lee alrededor de 30/35MB/seg
1. 4 meses para leer la web
2. De 400 discos duros para almacenarla
4. Mucha más complicación para hacer algo con
esos datos.
“
1.1 El problema

• Paralelizamos el problema
• El mismo problema con 1000 maquinas  < 3
horas
• pero…
• Compleja programación
• Comunicación entre maquinas
• Fallo de alguna maquina
• Optimización
• etc
“
1.2 La ventaja?

2.1 Map Reduce
Objetivo : Cuantos Tweets tiene twitter por cada Usuario?

2.1 Map Reduce
Input : Clave Fila / Valor  Información de un tweet

2.1 Map Reduce
Map : Clave de salida : user_id, valor  1

2.1 Map Reduce
Ordenamos por user_id

2.1 Map Reduce
Reduce : Por cada user_id , sumamos el value del map (1)

2.1 Map Reduce
Output : user_id , tweet_count

2.1 Map Reduce
Contra mas maquinas añadamos al cluster, mas rápido el
procesamiento de la información

 Análisis típicamente en Java
 Los prototipos requieren de compilación
 Código complejo
 Alta probabilidad de error
“
2.2 Problemas

 Lenguaje de alto nivel
 Más fácil que el SQL?
 Procesa la información paso a paso
2.3 Pig entra en acción

2.3 ¿Por qué Pig?
Porqué somos capaces de entender el siguiente script :P

1 Arquitectura
2 Word Count - Explicación
3 Instalación
4 Ejecución Word Count

3.2 WordCount – Explicación

3.3 Instalación – Pre - requisitos
Requisitos : Java JDK :
1. sudo add-apt-repository ppa:webupd8team/java
2. sudo apt-get update
3. sudo apt-get install oracle-java7-installer
4. java –version
Un usuario para hadoop
1. Sudo addgroup hadoop
2. Sudo adduser –ingroup hadoop hduser ( password )
Configuración del ssh
1. su – hduser
2. ssh-keygen –t rsa –P “”
3. (pulsar enter a todo hasta generar la imagen de la
clave rsa)
4. cat $HOME/.ssh/id_rsa.pub >> $HOME/.ssh/authorized_keys
5. ssh localhost  yes  exit
Desactivando Ip V6
1. sudo gedit /etc/sysctl.conf
1. net.ipv6.conf.all.disable_ipv6 = 1
2. net.ipv6.conf.default.disable_ipv6 = 1
3. net.ipv6.conf.lo.disable_ipv6 = 1

3.3 Instalación – Hadoop
1. “Restart Computer”
2. cat /proc/sys/net/ipv6/conf/all/disable_ipv6
3. exit
Hadoop:
• Download:
http://ftp.cixug.es/apache/hadoop/core/stable1/hadoop-
1.2.1.tar.gz
• cd PATH_DOWNLOADED sudo tar –zxvf hadoop-1.2.1.tar.gz
• mv hadoop-1.2.1 hadoop
• sudo cp –r hadoop /usr/local/
• cd /usr/local/hadoop && sudo chown -R hduser:hadoop
hadoop
Update Profile :
• sudo gedit ~/.bashrc
Añadir lo siguiente al final del fichero:
• export HADOOP_HOME=/usr/local/hadoop
• export JAVA_HOME=/usr/lib/jvm/java-7-oracle
• unalias fs &> /dev/null alias fs="hadoop fs" unalias
hls &> /dev/null alias hls="fs -ls"

3.3 Instalación – Hadoop basics
• lzohead () { hadoop fs -cat $1 | lzop -dc | head -1000
| less }
• export PATH=$PATH:$HADOOP_HOME/bin
Configuración:
• sudo gedit /usr/local/hadoop/conf/hadoop-env.sh
• Cambiar el export de java home por el siguiente:
• export JAVA_HOME=/usr/lib/jvm/java-7-oracle
• sudo mkdir -p /app/hadoop/tmp
• sudo chown hduser:hadoop /app/hadoop/tmp
• sudo chmod 750 /app/hadoop/tmp

3.3 Instalación – Hadoop XML Files – core-
site.xml
 sudo gedit /usr/local/hadoop/conf/core-site.xml
 Entre los tags de <configuration> </configuration>
añadir
<property>
<name>hadoop.tmp.dir</name>
<value>/app/hadoop/tmp</value>
<description>
A base for other temporary directories.
</description>
</property>
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:54310</value>
<description>
The name of the default file system. A URI whose scheme and authority determine
the FileSystem implementation. The uri's scheme determines the config
property (fs.SCHEME.impl) naming the FileSystem implementation class. The uri's
authority is used to determine the host, port, etc. for a filesystem.
</description>
</property>

3.3 Instalación – Hadoop XML Files – mapred-
site.xml
 sudo gedit /usr/local/hadoop/conf/mapred-site.xml
añadir
<property>
<name>mapred.job.tracker</name>
<value>localhost:54311</value>
<description>The host and port that the MapReduce
job tracker runs at. If "local", then jobs are run
in-process as a single map and reduce task.
</description>
</property>

3.3 Instalación – Hadoop XML Files –
hdfs.site.xml
 sudo gedit /usr/local/hadoop/conf/mapred-site.xml
añadir
<property>
<name>dfs.replication</name>
<value>1</value>
<description>
Default block replication. The actual
number of replications can be specified when the
file is created. The default is used if
replication is not specified in create time.
</description>
</property>

3.3 Iniciando Hadoop
 su – hduser
 cd /usr/local/hadoop/bin
 ./hadoop namenode -format
 ./start-all.sh
 jps
 ./stop-all.sh  para parar el cluster

3.4 Ejecución de un Map/Reduce
Descargar los siguientes e-books en formato texto-simple (UTF-8):
http://www.gutenberg.org/ebooks/20417
 Guardar los archivos en un directorio local por ejemplo /tmp/libros
 mkdir /tmp/libros
 sudo cp [Nombre_Libro_Descargado] /tmp/libros/
 ls –al /tmp/libros/  Comprobamos que estan todos
Ahora vamos a copiar los libros al sistema de ficheros de hadoop HDFS para
procesarlos
 sudo cd /usr/local/hadoop/bin
 Si no estamos en hduser  su – hduser
 ./hadoop dfs –copyFromLocal /tmp/libros/ /user/hduser/libros
 ./hadoop dfs –ls /user/hduser/
Run The Map Reduce Job
 ./hadoop jar ../hadoop*examples*.jar wordcount /user/hduser/libros
/user/hduser/output-libros
 ./hadoop dfs –ls /user/hduser/output-libros
 ./hadoop dfs –cat /user/hduser/output-libros/part-r-00000

1 Instalación
2 Word Count en Pig

4.1 Instalación
 wget http://apache.cs.utah.edu/pig/pig-0.11.1/pig-
0.11.1.tar.gz
 tar -xvf pig-0.11.1.tar.gz
 sudo mv pig-0.11.1 /usr/lib/pig
 sudo gedit ~/.bashrc
 Añadir :
 export PIG_HOME=/usr/lib/pig
 export PATH=$PATH:$PIG_HOME/bin
 sudo –s
 pig –version
 pig –x local
 quit

4.1 WordCount Pig
 wget http://www.gutenberg.org/ebooks/20417
 mv [Nombre Descarga] input.txt
 sudo gedit wordcount.pig
 A = load './input.txt';
B = foreach A generate flatten(TOKENIZE((chararray)$0)) as word;
C = group B by word;
D = foreach C generate COUNT(B), group;
store D into './wordcount';
 pig –x local wordcount.pig
 cat wordcount/part-r-00000

http://research.incubio.com/
Cristian Vitales
Research Engineer
Gracias

Hadoop And Pig And MapReduce

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Hadoop And Pig And MapReduce

Semelhante a Hadoop And Pig And MapReduce (20)

Último

Último (20)

Hadoop And Pig And MapReduce