¿Por que cambiar de Apache Hadoop a Apache Spark?

1. ¿Por qué cambiar de Hadoop a Spark? Teoria y ejemplos de nuestra experiencia Gustavo Arjones gustavo@socialmetrix.com @arjones

2. Co-founder & CTO Lic. Ciencias Computación MBA Marketing Servicios @arjones gustavo@socialmetrix.com linkedIn.com/in/arjones Brasileño, en ARG desde 2008 Gustavo Arjones

3. #1 Interacción

4. Razones para elección •  Reducir las incertimdubres del proyecto •  HiveQL à SQL menor ramp-up •  Hadoop/Hive tenía soporte en AWS •  Proof of Concept funcionó correctamente •  Pruebas con DynamoDB demonstraron ser muy costosas

5. Empiezan los problemas

6. HQL complejas son para escribir una vez y nunca más entenderlas!

7. Hive es difícil de testear •  Frameworks de tests para Hive no están maduros y son dificiles de implementar. •  Gastamos mucho tiempo y recursos escribiendo validadores de procesos y métricas

8. No están las últimas versiones de Hive en AWS •  Se había lanzado Hive 0.13 hacias 4+ meses y nosotros todavía teníamos Hive 0.12 en AWS •  Perdíamos la dinámica de un proyecto con muchas features nuevas y mejoras de performance

9. MySQL retrasaba los jobs •  Cuando los MapReduce jobs terminanban y había que enviar los datos a MySQL, estaba tomando 2x más tiempo que el MR de cálculo. •  Problemas típicos de MySQL, pérdida de performance en grande volúmenes de datos •  Limite de escalabilidad

10. Y como resultado … •  Bugs aumentando •  Tiempo de proyecto dilatandose •  Baja reutilización de codigo •  Problemas que atraparías en COMPILE-TIME terminan en RUNTIME – porque es SQL!

11. ¿Qué hacemos?

12. Seguimos por el mismo camino? •  Probar Pig •  Probar Cascading (o Scalding) •  Probar Hbase Pero seguíamos preocupados con el tiempo de ejecución!

13. ¿Probamos el framework que la gente viene hablando?

14. Qué es Spark? Apache Spark™ is a fast and general engine for large-scale data processing. •  Procesamiento In-memory (preferencialmente) •  Framework de Procesamiento Unificado •  Para Ingenieros & Data Scientists

15. Principales Pilares Task Scheduler •  Prepara los jobs a traves de DAG (Directed acyclic graph) •  Enganchan funciones para ejecutar los stages •  Cache-aware; considera data utilización & localización (data locality) •  Partitioning-aware para reducir shuﬀles por la red RDD (Resilient Distributed Datasets) •  Estructura de datos Immutable (In-memory) •  Tolerante a fallas (Se reama en caso de falla) •  Estructura de datos que puede ser operada en paralelo • Rica interfaz de Transformations & Actions

16. DEMO – Word Count (el hello world de BigData)

17. ¿Por qué nos gusta?

18. Viene de buen “origen” BDAS, the Berkeley Data Analytics Stack (AMPLAB)

19. Plataforma Unificada

20. Plataforma Unificada (lines of code) 0 20000 40000 60000 80000 100000 120000 140000 Hadoop MapReduce Storm (Streaming) Impala (SQL) Giraph (Graph) Spark non-test, non-example source lines (2014 numbers) GraphX Streaming SparkSQL

21. Proyecto muy activo (y ganando tracción) ’13-’14

22. Proyecto muy activo 2015

23. h;ps://twi;er.com/bigdata/status/610482424741367809

24. Y más … •  Esfuerzo para estandarización de la plataforma •  Certificación para Distros & Apps gratis •  Material de training gratis •  Databricks levantó $47M •  Databricks Cloud (?)

25. Ventajas de la Plataforma Unificada •  No es necesario copiar datos/ETL entre sistemas •  Varios procesamientos en el mismo código (claridad) •  Reutilización de código (Batch & Realtime) •  Un único sistema para aprender ß Happy Devs •  Ops: Un único sistema para mantener ß Happy Ops Big Deal para Arquitectura Lambda

26. Compacto y poderoso •  Escrito en Scala, con wrappers para Python, Java* y R

27. API muy expresiva Ver: https://spark.apache.org/docs/latest/api/scala/#org.apache.spark.rdd.RDD + SQL + Data Frames

28. •  Aprender, prototipado rápido •  Análisis interactivo sobre los datos Consola interactiva (REPL)

29. Version Web de Spark-Shell – similar a Python Notebooks

30. Spark UI h;ps://databricks.com/blog/2015/06/22/understanding-‐ your-‐spark-‐applicaMon-‐through-‐visualizaMon.html

31. Soporte Datasources h;p://spark-‐packages.org

32. Spark SQL Demo

33. Código Testeable! •  El contexto puede crear RDD

34. Easy Deployment •  Local-mode (development) •  Standalone (bare metal) •  Standalone + Amazon AWS •  Mesos •  Yarn

35. Components for distributed execution in Spark

36. Y Hadoop? Spark Or Hadoop -- Which Is The Best Big Data Framework? http://www.forbes.com/sites/bernardmarr/ 2015/06/22/spark-or-hadoop-which-is-the-best- big-data-framework/

37. Modelo Map-Reduce iter. 1 iter. 2 . . . Input HDFS read HDFS write HDFS read HDFS write Input query 1 query 2 query 3 result 1 result 2 result 3 . . . HDFS read Lento porque necesita replicación, serialización y I/O

38. iter. 1 iter. 2 . . . Input Distributed memory Input query 1 query 2 query 3 . . . one-time processing 10-100× más rápido Spark (in-memory + DAG execution engine)

39. Spark y Hadoop pueden ser amigos •  No hay HDFS en Spark – ver Tachyon •  Acceso HDFS / S3 •  YARN •  Usando Input/Output formats de Hadoop

40. Log Analyzer https://www.gitbook.com/book/ databricks/databricks-spark-reference- applications/details

41. Entonces todo es perfecto? Nop … •  Long Jobs •  Serialization Issues •  OOM •  Data Locallity http://blog.cloudera.com/blog/2015/05/ working-with-apache-spark-or-how-i- learned-to-stop-worrying-and-love-the- shuﬀle/

42. Donde aprender más?

43. Mucha documentación disponible Oﬀicial Documentation https://spark.apache.org/ Spark Summit 2015 - Slides and Video https://spark-summit.org/2015/ Blog Oﬀicial Databricks https://databricks.com/blog Personal notes about Apache Spark http://arjon.es/tag/spark/

44. No te gustó Spark? Apache Flink http://flink.apache.org

45. Gracias & Obrigado! Gustavo Arjones gustavo@socialmetrix.com @arjones

¿Por que cambiar de Apache Hadoop a Apache Spark?

Du liest eine Vorschau.

Hier ansehen

¿Por que cambiar de Apache Hadoop a Apache Spark?

Weitere Verwandte Inhalte

Diashows für Sie (20)

Ähnlich wie ¿Por que cambiar de Apache Hadoop a Apache Spark? (20)

Weitere von Socialmetrix (13)

Aktuellste (20)