O documento apresenta uma introdução ao Apache Hadoop, sua arquitetura e suas principais características, destacando a capacidade de processamento e armazenamento de grandes volumes de dados. Apresenta um caso de uso em e-commerce para análise de dados de clientes e as ferramentas disponíveis, como Hive e Pig, para manipulação de dados. Além disso, menciona a importância da visualização de dados e a integração com ferramentas de BI, como Excel e Tableau.

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…