Hadoop: tecnologias relacionadas

Hadoop: tecnologías
relacionadas
Tomás Fernández Pena
Máster en Computación de Altas Prestaciones
Universidade de Santiago de Compostela
Computación en Sistemas Distribuidos
Material bajo licencia Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
citius.usc.es

Tecnologías relacionadas Pig Hive Apache Oozie Introducción a HBase
Índice
1 Tecnologías relacionadas
2 Pig
3 Hive
4 Apache Oozie
5 Introducción a HBase
Hadoop: tecnologías relacionadas, CSD

Tecnologías relacionadas (I)
Diversas tecnologías relacionadas:
Pig: lenguaje data-flow de alto nivel para facilitar la programación
MapReduce
Hive: infraestructura de data-warehouse construida sobre Hadoop
Spark: motor de procesamiento de datos de caracter general
compatible con datos Hadoop
Oozie, Cascading, Azkaban, Hamake: planificadores de workflows
para gestionar trabajos Hadoop
Tez: ejecución de DAGs de tareas complejos para queries
interactivas
S4, Storm: procesamiento de flujos de datos (stream processing)
Impala: queries en tiempo real para Hadoop
Hadoop: tecnologías relacionadas, CSD 1/36

Tecnologías relacionadas (II)
HBase: base de datos distribuida no-relacional (NoSQL) que corre
sobre HDFS (inspirado en Google BigTable)
Sqoop: transferencia eficiente de datos eficiente entre Hadoop y
bases de datos relacionales
Whirr: herramientas para iniciar clusters Hadoop y otros servicios
en diferentes proveedores cloud
Ambari: herramienta basada en web para aprovisionar, gestionar y
monitorizar clusters Hadoop
Hue: interfaz web para simplificar el uso de Hadoop
ZooKeeper: servicio centralizado de configuración, nombrado,
sincronización distribuida y servicios de grupos para grandes
sistemas distribuidos

Tecnologías relacionadas (III)
HCatalog: interfaces para permitir el acceso al Hive metastore
desde diversas herramientas
WebHCat: API REST-like para HCatalog (antes Templeton)
Falcon: solución para el procesamiento y gestión de datos para
Hadoop (movimiento. coordinación, gestión del ciclo de vida,
descubrimiento).
Slider: aplicación para desplegar aplicaciones distribuidas
existentes en YARN (aplicaciones long-running)
Hama: framework de computación Bulk Synchronous Parallel sobre
HDFS
Flume: obtención, agregación y movimiento de grandes ﬁcheros de
log a HDFS

Tecnologías relacionadas (IV)
BigTop: empaquetamiento y tests para el ecosistema Hadoop
Knox: REST API Gateway para interactuar con clusters Hadoop
incorporando seguridad (autenticación/autorización/auditoría)
Twister: aplicaciones MapReduce iterativas
Mahout: algoritmos escalables de machine learning y minería de
datos sobre Hadoop
Chukwa: sistema de recogida de datos para monitorizar grandes
sistemas distribuidos
Flink: procesamiento in-memory y de streams (similar a Spark)
Pydoop: Python API para Hadoop
Perldoop: Traducción de códigos MR en Perl a Java

Pig
Iniciado en Yahoo! Research
Eleva el nivel de abstracción para
procesar grandes conjuntos de datos
Facilita centrarse en el “qué” en vez de
en el “cómo”
Expresa secuencias de trabajos
MapReduce
Modelo de datos: “bags” anidadas de
items
“Pig bag”: colección de tuplas
Proporciona operadores relacionales
(JOIN, GROUP BY, etc.)
Fácil deﬁnir y usar funciones deﬁnidas por
el usuario (UDFs) escritas en Java

Pig
Dos elementos principales:
Un lenguaje propio: Pig Latin
Un entorno de ejecución: local o Hadoop
Programas ejecutados como:
Scripts en Pig Latin
Grunt: shell interactivo para ejecutar comandos Pig
Comandos Pig ejecutados desde Java
PigPen: entorno de desarrollo para Eclipse

WordCount en Pig
-- Ejecutar como: pig -p INPUT=directorio_entrada -p OUTPUT=directorio_salida fichero.pig
input_lines = LOAD ’$INPUT’ AS (line:chararray);
-- Extrae las palabras de cada linea y las pone en una "pig bag"
-- y aplana la bag para obtener las palabras
words = FOREACH input_lines GENERATE FLATTEN(TOKENIZE(line)) AS word;
-- filtra las palabras que sean solo espacios
fwords = FILTER words BY word MATCHES ’w+’;
-- crea un grupo para cada palabra
wgroups = GROUP fwords BY word;
-- cuenta las entradas en cada grupo
wcount = FOREACH wgroups GENERATE COUNT(fwords) AS count, group AS word;
-- orden descendente
ordered_wcount = ORDER wcount BY count DESC;
STORE ordered_wcount INTO ’$OUTPUT’;
Fuente: http://en.wikipedia.org/wiki/Pig_(programming_language)
NOTA: Si probáis este ejemplo en local, ejecutadlo con pig -x local

Otro ejemplo en Pig
Fichero con datos de usuarios
Fichero con lista de páginas
visitadas por los usuarios
Buscamos: 5 páginas más
visitadas por usuarios con edades
entre 18 y 25 años
Carga
usuarios
Filtra por
edad
Carga
páginas
Une por
nombre
Agrupa por
URL
Cuenta
clicks
Ordena por
clicks
Toma los
5 primeros
Fuente http://wiki.apache.org/pig-data/attachments/PigTalksPapers/attachments/ApacheConEurope09.ppt

En Pig Latin
Users = load ’users’ as (name, age);
Filtered = filter Users by age >= 18 and age <= 25;
Pages = load ’pages’ as (user, url);
Joined = join Filtered by name, Pages by user;
Grouped = group Joined by url;
Summed = foreach Grouped generate group,
count(Joined) as clicks;
Sorted = order Summed by clicks desc;
Top5 = limit Sorted 5;
store Top5 into ’top5sites’;

Traslación directa
Los componentes del trabajo se trasladan de forma natural
Carga
usuarios
Filtra por
edad
Carga
páginas
Une por
nombre
Agrupa por
URL
Cuenta
clicks
Ordena por
clicks
Toma los
5 primeros
Users = load ...
Filtered = ﬁlter …
Pages = load …
Joined = join …
Grouped = group …
Summed = … count()…
Sorted = order …
Top5 = limit …

Traslación directa
Los componentes del trabajo se trasladan de forma natural
Carga
usuarios
Filtra por
edad
Carga
páginas
Une por
nombre
Agrupa por
URL
Cuenta
clicks
Ordena por
clicks
Toma los
5 primeros
Users = load ...
Filtered = ﬁlter …
Pages = load …
Joined = join …
Grouped = group …
Summed = … count()…
Sorted = order …
Top5 = limit …
Job 1
Job 2
Job 3

Número de reducers en Pig
Por defecto, el script Pig se ejecuta con 1 reducer
El número de reducers se puede indicar para todo el script
mediante una variable
SET default_parallel n_reducers;
o bien, indicarlo en las operaciones que implican un Reduce (group,
join, cogroup, order,...), por ejemplo:
STORE .... INTO ’$output’ parallel n_reducers;

Instalación de Pig
La instalación de Pig es muy simple
1. Descargar el fichero pig-versión.tar.gz de
pig.apache.org/releases.html en el front-end
2. Destareadlo en nuestro $HOME
3. Definir variables de entorno:
export PIG_INSTALL=$HOME/pig-versión
export PATH=$PATH:$PIG_INSTALL/bin
Ejecución:
pig o pig -x mapreduce: ejecución en Hadoop (usa la
configuración de Hadoop del sistema)
pig -x local: ejecución en local

Hive
Desarrollado en Facebook
“Base de datos relacional” sobre Hadoop
Soporta el análisis de grandes datasets en
ﬁlesystems compatibles con Hadoop (HDFS,
S3, ...)
HiveQL: dialecto de SQL
Peticiones HiveQL se convierten en un grafo dirigido acíclico de
trabajos MapReduce
Organiza los datos del ﬁlesystem en tablas
Listas de metadatos (p.e. esquemas de tablas) almacenados en una
base de datos (por defecto, Apache Derby)
Soporta particionado de tablas, clustering, tipos de datos
complejos, etc.
Puede llamar a scripts de Hadoop Streaming desde HiveQL

Hive Metastore
Repositorio central de los metadatos de Hive. Dos partes:
Un servicio
Un almacenamiento
Tres modos de conﬁguración
Embedded metastore (por defecto)
Local metastore
Remote metastore

Hive Metastore
Embedded metastore
Local metastore

Hive Metastore
Remote metastore

Tablas Hive
Combinación lógica de datos y metadatos
Los datos residen en HDFS o en otro Hadoop FileSystem, los
metadatos en una base de datos relacional (Metastore)
Managed tables: los datos se sitúan en el directorio warehouse,
bajo control de Hive
External tables: los datos se mantienen fuera del directorio
warehouse (facilita su compartición con otras aplicaciones)

Particiones y buckets
Particiones
Las tablas se pueden organizan en particiones, basadas en el valor
de columnas de partición
Las tablas se pueden particionar en múltiples dimensiones
Las particiones se deﬁnen al crear la tabla (clausula PARTITIONED
BY)
Buckets o clusters
Otro mecanismo para segmentar los datos y optimizar las queries
Se usa un número ﬁjo de buckets y una función hash para distribuir
los valores entre los buckets

Ejemplo de particiones y buckets
CREATE TABLE order (
username STRING,
orderdate STRING,
amount DOUBLE,
) PARTITIONED BY ( country STRING)
CLUSTERED BY (username) INTO 25 BUCKETS;
Se crea una partición por país
Se crean 25 buckets
Los datos de un usuario siempre al mismo bucket
Un bucket puede tener datos de múltiples usuarios
Se usa una función hash para determinar el bucket al que va cada
usuario

Ejemplo Hive
Encontrar las 5 páginas más visitadas por usuarios entre 18-25 años
SELECT p. url , COUNT(1) as clicks
FROM users u JOIN page_views p ON (u.name = p. user)
WHERE u.age >= 18 AND u.age <= 25
GROUP BY p. url
ORDER BY clicks
LIMIT 5;
Filtra la vista de páginas usando un script Python
SELECT TRANSFORM(p. user , p. date)
USING ’map_script .py ’
AS dt , uid CLUSTER BY dt
FROM page_views p;

Instalación de Hive
La instalación de Hive es sencilla
1. Descargar el ﬁchero hive-0.11.0.tar.gz de
http://hive.apache.org/releases.html
2. Destareadlo en nuestro $HOME
3. Deﬁnir variables de entorno:
export HIVE_HOME=$HOME/hive-0.11.0
export PATH=$PATH:$HIVE_HOME/bin
Conectarse al NameNode, y como usuario hadoop crear el siguiente
directorio
hadoop fs -mkdir /user/hive/warehouse
Dadle permisos para que todos los usuarios puedan usar hive
hadoop fs -chmod 777 /user/hive/warehouse
Para ejecutarlo, simplemente comando hive

Ejecución Hive
Igual que Pig, Hive tiene un shell para ejecución interactiva
En el prompt de hive se pueden ir ir ejecutando una a una las
instrucciones Hive
También se pueden ejecutar scripts
Con hive -f script.hive ejecutaríamos el script completo
Además, con hive -e 'comando_hive' se puede ejecutar una
orden simple

Ejecución Hive
Algunas características
Usando embedded metastore (por defecto), la metainformación se
guarda en el directorio local
Alternativa: usar metastore local o remota, con una base de datos
como MySQL
Al cargar (LOAD) los datos en una tabla desde un fichero, se mueve
el fichero al directorio de Hive en HDFS
(/user/hive/warehouse)
Es una simple operación de ficheros
Los ficheros no se parsean ni se modifican
Si no se quiere mover los ficheros (p.e. para seguir usando Hadoop o
Pig) hay que crear la tabla EXTERNAL
Alternativa: usar HCatalog
- Permite que Hadoop o Pig usen la metastore de Hive

Apache Oozie
Ejecución de workflows de trabajos dependientes
Workflows compuestos de diferentes tipos de trabajos Hadoop
(MapReduce, Pig, Hive, etc.)
Permite la ejecución en un cluster de miles de workflows
compuestos por decenas de trabajos y simplifica la re-ejecución de
workflows fallidos
Dos partes
Workflow engine almacena y ejecuta workflows compuestos de
diferentes tipos de trabajos Hadoop (MP, Pig, Hive,. . . )
Coordinator Engine ejecuta los workflows basándose en
planificadores definidos y disponibilidad de datos

Oozie Workflow
Definición del workflow escrita en XML usando HPDL (Hadoop
Process Definition Language)
Un workflow es un DAG compuesto por nodos de dos tipos:
Action nodes realiza una tarea en el workflow (pe. trabajo MR, o
movimiento de ficheros en HDFS)
Control-flow nodes gobierna la ejecución del workflow entre acciones
Más información oozie.apache.org/docs/

Introducción a HBase
Base de datos no-relacional (NoSQL), distribuida, orientada a columnas,
diseñada a partir de Google BigTable
Podemos considerarlo como un map ordenado, disperso,
consistente, distribuido, multidimensional
Filas consistentes en pares clave -> valor
La clave es multidimensional:
(rowkey,column family,column,timestamp) -> value
Capaz de almacenar teras o petabytes de datos con escalabilidad
lineal (horizontal)
Diseñado para trabajar con HDFS
Particionado automático de las tablas
Incorpora sistemas de recuperación de fallos
Operaciones atómicas a nivel de ﬁlas

Conceptos HBase (I)
Tablas
Los datos se organizan en tablas
Los nombres de las tablas son Strings
Filas
Dentro de una tabla, los datos se organizan en filas
Unívocamente identificadas por su rowkey
Rowkeys no tienen un tipo específico (se tratan como byte[])
Column Family
Los datos en cada fila se agrupan en familias de columnas
- Cada fila tiene las mismas familias, pero no todas tienen que tener
datos
Las Column families determinan como se organizan los datos
físicamente
- Es necesario definirlas cuando se crea la tabla
El nombre de la familia es un String

Conceptos HBase (II)
Column qualifier o Columna
Los datos en una Column family se organizan en columnas
Distintas filas pueden tener distintas columnas
No hay que definirlas cuando se crea la tabla
No tienen un tipo específico (se tratan como byte[])
Celda
La combinación (rowkey, cf, column) identifican de forma única una
celda
En la celda se almacena un valor
El valor no tiene un tipo de datos (se trata como byte[])
Versión
Los valores en una celda tienen asociada una versión
Las versiones se identifican mediante un timestamp (de tipo long)
Por defecto, se guardan 3 versiones de un valor

Ejemplo de tabla
nombre edad email
Juan Pérez
@ts
43
@ts
juan@j.org
@ts
info ventas
juan
pepe
ciudad password
Zaragoza
@ts
Santiago
@ts
jperez@p.com
@ts
12345678
@ts
qwerty
@ts
producto precio
Blue-ray
@ts
300 €
@ts
Tabla clientes
rowkeys column family column

Modelo clave-valor
[juan, info, edad, 13243566] −→ 43
[juan, info, email, 13243598] −→ juan@j.org
[juan, info, email, 13243580] −→ jperez@p.com
[juan, info, nombre, 13243543] −→ Juan Pérez
[juan, ventas, producto, 1324677] −→ Blue-ray
[juan, ventas, precio, 13243665] −→ 300

Modelo mapa ordenado de mapas
{
"juan" : {
"info" : {
"edad" : {
13243543 : "43"
},
"email" : {
13243598 : "juan@j.org"
13243580 : "jperez@p.com"
},
"nombre" : {
13243543 : "Juan Pérez"
},
},
"ventas" : {
.......
},
} Hadoop: tecnologías relacionadas, CSD 31/36

Conceptos HBase (III)
Regiones
Las tablas se dividen por ﬁlas
Cada división de denomina Region
Region Server
Las regiones se distribuyen a servidores, denominados Region
servers
El HBase Master distribuye las regiones entre los Region servers
- Un Region server puede almacenar múltiples regiones
- Habitualmente, los Region servers se colocan en los
Datanodes
- Usa Apache ZooKeeper para localizar las regiones
ZooKeeper
servicio centralizado para mantener información de conﬁguración,
nombrado, proporcionando sincronización distribuida y servicios de
grupos
En HBase mantiene información sobre quién es el máster, las
regiones participantes y donde está la tabla ROOT (permite acceder
a las diferentes regiones)

Arquitectura

Almacenamiento físico
Las modiﬁcaciones en la tabla se almacenan en memoria en una
estructura llamada MemStore
Los cambios se escriben también en un Write Ahead Log (WAL,
también conocido como HLog) para recuperación en caso de fallo
Hay un MemStore por Column family
Cuando alcanza un cierto tamaño, el MemStore se vuelca a disco
creando un nuevo StoreFile (HFile)
HFiles
Almacenamiento subyacente para HBase
Cada HFile tiene datos de una sola Column family
Una Column family puede estar distribuida en múltiples HFiles
Los procesos de compactación unen HFiles de una misma Column
family

Operaciones básicas
Las operaciones básicas disponibles en HBase son
Put añade datos a una tabla
Delete borra datos de una tabla
los datos se marcan como borrados
el borrado real se hace en las compactaciones
Scan recupera un conjunto de celdas (o toda la tabla)
Get recupera una celda concreta
Dispone de un HBase shell y un API para diversos lenguajes
(principalmente Java)

Para saber más
Libros:
Tom White, “Hadoop: The Definitive Guide”, O’Reilly, third ed. (May
26, 2012)
Chuck Lam, “Hadoop in action”, Manning Publications, first ed.
(December 22, 2010)
Alan Gates, “Programming Pig”, O’Reilly, first ed. (October 20, 2011)
E. Capriolo, D. Wampler, J. Ruthergles, “Programming Hive”, O’Reilly,
first ed. (October 2012)
L. George, “HBase: The Definitive Guide”, O’Reilly, first ed. (October
2011)
N. Dimidik, A. Khurana, “HBase in Action”, Manning Publications, first
ed. (January 2013)
A. Murthy, V. Vavilapalli, “Apache Hadoop YARN”, Addison-Wesley,
first ed. (March 2014)

Hadoop: tecnologias relacionadas

Más contenido relacionado

La actualidad más candente (16)

Destacado (20)

Similar a Hadoop: tecnologias relacionadas (20)

Último (20)

Hadoop: tecnologias relacionadas