O documento discute várias tecnologias para processamento de big data, incluindo MapReduce, Hadoop, Apache Kafka, Apache Ignite, e Apache Spark. Ele fornece exemplos de código e exercícios para cada tecnologia e conclui discutindo outras opções como Apache Parquet e Apache Mesos.

1. Processamento em Big Data
Luiz Henrique Zambom Santana
24/08/2016

2. Agenda
● Introdução
● Map/Reduce e Hadoop
● Arquitetura Lambda
● Filas com Apache Kafka
● Memória compartilhada com Apache Ignite
● Streaming com Apache Spark
● Exercícios
● Conclusões

3. Motivação

4. Não custa lembrar...

5. No início era o map/reduce...

6. ...e o Apache Hadoop...

7. Latência vs. Vazão

8. O que é mais importante?

9. Arquitetura Lambda (Nathan Marz)

10. Arquitetura Kappa (Jay Kreps)

11. Arquitetura do Exercício
Twitter Spark
streamming
1
Master Database
(Cassandra)
Kafka queue
2
2
Ignite SQL
3

14. https://github.com/lhzsantana/
neoway-processing

15. Apache Kafka
● Criado pelo LinkedIn no começo de 2011
● Liderado atualmente pela http://www.confluent.io/
● http://www.slideshare.net/GuozhangWang/apache-kafka-at-linkedin-43307044

16. Apache Kafka

17. Apache Kafka

18. Apache Kafka
1. Download Kafka
2. Start zookeeper
a. zookeeper-server-start.bat zookeeper.properties
3. Start kafka
a. kafka-server-start.bat server.properties

19. Apache Kafka
● Exercício
○ Usando o exemplo, criar um código para enfilerar objetos produto no tópico MeusProdutos e
objetos vendas no tópico MinhasVendas.
● Desafio
○ Ler dados do Cassandra, enfilerar e enviar para o MongoDB.

20. Apache Ignite
● In-Memory Data Fabric
● Compete/Coopera em várias frentes

21. DataGrid
● JCache (JSR 107)
● Vantagens:
○ Consistency
○ Distributed In-Memory Caching
○ Lightning Fast Performance
○ Elastic Scalability
○ Distributed In-Memory
Transactions
○ Web Session Clustering
○ Hibernate L2 Cache Integration
○ Tiered Off-Heap Storage
○ Distributed ANSI-99 SQL Queries
with support for Joins

22. Apache Ignite com Spark

23. Apache Ignite como Streaming

24. IgniteSQL
● Possui duas formas de
operação transactional e
atomic
● Implementa SQL Ansi-99

25. De certa forma relacionado ao NewSQL...

26. SQL and NoSQL will merge
“Not yet SQL”
Michael Stonebraker, 2015
https://www.youtube.com/watch?v=KRcecxdGxvQ

27. Apache Ignite
● Exercício
○ Usando o exemplo, criar um código enviar o Produto e a Venda para o Ignite. Acessar os
produtos com preço maior que 20 e as vendas com valor maior que 100.
○ Usar uma transação para atualizar o valor de produto em 10%.
■ http://apacheignite.gridgain.org/v1.0/docs/transactions
● Desafio
○ Acessar todas as vendas de um produto usando um Join:
http://apacheignite.gridgain.org/docs/sql-queries#sql-joins

28. Apache Spark
● Iniciado no AMPLab
● Tese do Dr. Matei Zaharia
“An Architecture for Fast and
General Data Processing on
Large Clusters”

29. Abstração de memória

30. Data Frames

31. Abstração de memória

32. Spark Streaming

33. Spark Streaming e o Spark Engine

34. Discretized Stream (DStream)

35. Transformações sobre DStreams

36. Apache Spark
1. Download Spark
2. Windows:
a. spark-class.cmd org.apache.spark.deploy.master.Master
b. spark-class.cmd org.apache.spark.deploy.worker.Worker spark://192.168.99.1:7077
3. Linux
a. ./sbin/start-master.sh
b. ./sbin/start-slave.sh spark://192.168.99.1:7077
4. Colocar o Jar do projeto no Target
5. Possível erro: org.apache.spark.rpc.netty.RequestMessage; local class
incompatible: stream classdesc

37. Apache Spark

38. Spark Context (cliente)

39. Apache Spark
● Exercícios
○ Usando como base o código de streaming do Twitter, salvar as informações no Cassandra.
● Desafio
○ Usar o conector para Kafka para receber os dados de Produtos e Vendas do exercício
anterior via s]treaming.

40. Conclusões
● Existem muitas (muitas!) opções para processamento de dados em Big Data
● Sugestões:
○ Apache Parquet
○ Apache Mesos
○ MLLib

41. Outros frameworks de Big Data
● Streaming
○ Storm
● Filas
○ Flume
● Multi-NoSQL
○ Apache Drill
● Gerenciador de Hadoop
○ Apache Falcon
○ Apache Flink
○ Apache Apex
● Exploração e Visualização
○ Apache Zepellin

42. Referências
● Hadoop
○ http://www.cloudera.com/developers/get-started-with-hadoop-tutorial.html
● Spark
○ https://www.mapr.com/blog/spark-streaming-and-twitter-sentiment-analysis
○ https://databricks.gitbooks.io/databricks-spark-reference-applications/content/twitter_classifier/
collect.html
● Arquitetura Lambda
○ http://www.devmedia.com.br/conheca-a-arquitetura-lambda-em-java/32646

43. Referências
● Mesos
○ https://abhishek-tiwari.com/post/building-distributed-systems-with-mesos
● Kafka
○ https://www.mapr.com/blog/getting-started-sample-programs-apache-kafka-09

44. Referências
● Parquet
○ http://www.infoworld.com/article/2915565/big-data/apache-parquet-paves-the-way-towards-bet
ter-hadoop-data-storage.html