Introducción a hadoop
2 recomendaciones3,575 vistas
Este documento proporciona una introducción general a Hadoop y su ecosistema. Explica brevemente el contexto histórico de Big Data y Hadoop, define los componentes clave de Hadoop como HDFS y MapReduce, y describe varias aplicaciones populares como Hive, Pig y Spark. También cubre conceptos como EMR de AWS y casos de uso comercial exitosos de Hadoop en análisis de riesgos, retención de clientes y puntos de venta.
![“Mapper”
#!/usr/bin/php
<?php
//sample mapper for hadoop streaming job
$word2count = array();
// input comes from STDIN (standard input)
while (($line = fgets(STDIN)) !== false) {
// remove leading and trailing whitespace and lowercase
$line = strtolower(trim($line));
// split the line into words while removing any empty string
$words = preg_split('/W/', $line, 0, PREG_SPLIT_NO_EMPTY);
// increase counters
foreach ($words as $word) {
$word2count[$word] += 1;
}
}
// write the results to STDOUT (standard output)
foreach ($word2count as $word => $count) {
// tab-delimited
echo "$wordt$countn";
}
?>](https://image.slidesharecdn.com/introduccinahadoop-150302110306-conversion-gate01/85/Introduccion-a-hadoop-38-320.jpg)
![“Reducer”
#!/usr/bin/php
<?php
//reducer script for sample hadoop job
$word2count = array();
// input comes from STDIN
while (($line = fgets(STDIN)) !== false) {
// remove leading and trailing whitespace
$line = trim($line);
// parse the input we got from mapper.php
list($word, $count) = explode("t", $line);
// convert count (currently a string) to int
$count = intval($count);
// sum counts
if ($count > 0) $word2count[$word] += $count;
}
ksort($word2count); // sort the words alphabetically
// write the results to STDOUT (standard output)
foreach ($word2count as $word => $count) {
echo "$wordt$countn";
}
?>](https://image.slidesharecdn.com/introduccinahadoop-150302110306-conversion-gate01/85/Introduccion-a-hadoop-39-320.jpg)
Introducción a hadoop
- 3. Big Data
- 6. Ecosistema Hadoop ● Ambari: Simplificación de la gestión de Hadoop (Clústeres). ● Avro: Serialización de datos. ● Cassandra: Base de datos NoSQL distribuida. ● Chukwa: Análisis y recolección de Logs. ● HBase: Base de datos NoSQL Distribuida. ● Hive: Lenguaje de alto nivel similar a SQL que se traduce en tareas MapReduce. ● Mahout: Librería de aprendizaje automático y minería de datos. ● Pig: Lenguaje de alto nivel para generación de tareas MapReduce. ● Spark: Motor de cálculo general. ● Tez: Framework de programación de flujos de datos de carácter general. ● ZooKeeper: Servicio de coordinación distribuido de Hadoop. ● Oozie: Flujo de trabajo para tareas MapReduce ● Sqoop: Conectividad entre bases de datos tradicionales y Hadoop. ● Flume: Transferencia de datos entre los sistemas de empresa y Hadoop
- 9. Core Hadoop Sistema de ficheros distribuido auto gestionado + Sistema de computación distribuido con tolerancia a errores y abstracción de computación paralela
- 10. HDFS
- 11. HDFS HDFS (Hadoop Distributed File System) es una evolución de GFS (Google File System). Es un sistema de archivos distribuido diseñada para contener gran cantidad de datos y el acceso concurrente a los mismos.
- 12. HDFS - Características ● Capacidad de almacenaje de grandes cantidades de datos ( Terabytes o Petabytes) ● Fiabilidad en el almacenamiento en Cluster ● Posibilidad de leer los ficheros localmente ● Diseñada para lecturas intensas ( Penalización sobre la búsqueda aleatoria) ● Operaciones ○ Lectura ○ Escritura ○ Borrado ○ Creación
- 14. MapReduce
- 15. MapReduce Estructura para ejecutar algoritmos altamente paralelizables y distribuidos utilizando ordenadores “básicos”
- 16. MapReduce Origen del concepto de combinador Map y Reduce de lenguajes de programación funcional como Lisp. Divide y vencerás
- 17. MapReduce (k1 ,v1 ) Mapear (k2 ,v2 ) (k2 ,v2 ) Ordenar (k2 ,{v2 ,v2 ,...}) (k2 ,{v2 ,v2 ,...}) Reducir (k3 ,v3 )
- 18. MapReduce
- 19. MapReduce Controlador ● Inicializa el trabajo MapReduce ● Define la configuración ● Enumera los componentes ● Monitoriza la ejecución
- 20. MapReduce Datos de entrada ● Ubicación de los datos para el trabajo ● HDSF ● HBase ● Otros
- 21. MapReduce InputFormat ● Definición de cómo se leen y dividen los datos. ● Definición de InputSplit ● Definición de número de tareas Map
- 22. MapReduce InputSplit ● Define la unidad de trabajo para una tarea Map única
- 23. MapReduce RecordReader ● Define un subconjunto de datos para una tarea map ● Lee los datos desde el origen ● Convierte los datos en pares clave / valor
- 24. MapReduce Mapeador ● Ejecuta un algoritmo definido por el usuario. ● Instancias JVM por tarea Map. ● Aislamiento de tareas ● Fiabilidad del resultado dependiente únicamente de la máquina local.
- 25. MapReduce Partición ● Elección de dónde reducir cada par clave / valor
- 26. MapReduce Mezclar ● Las tareas Reduce trabajan sobre la misma clave ● Aquí se desplazar las salidas de las tareas Map a donde se necesite
- 27. MapReduce Ordenar ● Se reciben los pares clave / valor Mezclados anteriormente y se ordenan para pasarlos al reductor
- 28. MapReduce Reductor ● Ejecuta un algoritmo definido por el usuario ● Recibe una clave y todos los valores asociados
- 29. MapReduce OutputFormat ● Define cómo se escribe la salida del proceso MapReduce. ● Define la ubicación del RecordWriter ● Definir los datos a devolver
- 30. MapReduce RecordWriter ● Define cómo se escriben los registros individuales de salida
- 31. MapReduce: Diagrama de Nodos
- 34. Elastic Map Reduce Servicio Web de AWS (Amazon Web Services) para implementar el MapReduce mediante Apache Hadoop. Permite crear trabajos en Apache Hadoop que operan sobre datos en Amazon S3 en instancias de Amazon EC2.
- 35. Elastic Map Reduce - Arquitectura Resultados son almacenados en S3 Datos son obtenidos desde S3
- 36. Elastic Map Reduce - Streaming Streaming consiste en analizar y aplicar MapReduce mediante el uso de un Mapper (cuya función es Organizar) y un Reducer (cuya función es Agregar). Un Streaming job (tarea) es una tarea de Hadoop que consiste de un Mapper y Reducer. Los Mapper y Reducer pueden ser escritos en: Java, Ruby, PHP, Perl, Python, R, Bash, C++..
- 37. Elastic Map Reduce - Streaming 1) Crear el stream job en la Consola de AWS. 2) Indicar parámetros del stream job 3) Configurar instancias EC2 4) Lanzar el job 5) Revisar ejecución 6) Revisar resultados
- 38. “Mapper” #!/usr/bin/php <?php //sample mapper for hadoop streaming job $word2count = array(); // input comes from STDIN (standard input) while (($line = fgets(STDIN)) !== false) { // remove leading and trailing whitespace and lowercase $line = strtolower(trim($line)); // split the line into words while removing any empty string $words = preg_split('/W/', $line, 0, PREG_SPLIT_NO_EMPTY); // increase counters foreach ($words as $word) { $word2count[$word] += 1; } } // write the results to STDOUT (standard output) foreach ($word2count as $word => $count) { // tab-delimited echo "$wordt$countn"; } ?>
- 39. “Reducer” #!/usr/bin/php <?php //reducer script for sample hadoop job $word2count = array(); // input comes from STDIN while (($line = fgets(STDIN)) !== false) { // remove leading and trailing whitespace $line = trim($line); // parse the input we got from mapper.php list($word, $count) = explode("t", $line); // convert count (currently a string) to int $count = intval($count); // sum counts if ($count > 0) $word2count[$word] += $count; } ksort($word2count); // sort the words alphabetically // write the results to STDOUT (standard output) foreach ($word2count as $word => $count) { echo "$wordt$countn"; } ?>
- 40. Showtime Vamos a lanzar 2 ejecuciones reales de EMR: ● Con 1 Nodo ● Con 2 Nodos
- 41. Aplicaciones de Hadoop ● Detección de fraude bancario. ● Análisis de Marketing en redes sociales ○ Twitter genera 12 TB de información al día ● Análisis de patrones de compra ○ Wallmart utilizaba en 2012 30.000 millones de sensores RFID ● Reconocimiento de patrones de tráfico para el desarrollo urbano ● Previsión de averías en aviones ○ El airbus A380 genera 640 TB de información por vuelo ● Transformación de datos grandes ● Aplicación de algoritmos de reconocimiento facial ○ En 2012, facebook publicó que se suben 250 millones de fotos al día. ● ...
- 42. Que no es hadoop Una base de datos
- 43. Que no es hadoop La solución a todos los problemas
- 44. Que no es hadoop HDFS no es un sistema de archivos POSIX completo
- 45. ¿Donde aplicaríais Hadoop? ● Procesamiento paralelo ● Sistema de ficheros distribuido ● Heterogeneidad de fuentes ● Tamaño de las fuentes ● Dimensionamiento de las infraestructuras
- 46. Casos de éxito - Análisis de Riesgos Reto Con la crisis de 2008, una importante entidad financiera quedó expuesta a la morosidad de los clientes, era vital mejorar los análisis de riesgo. Solución ● Creación de un cluster único con Hadoop ( Con petabytes de información) ● Cargo la información de todos los almacenes de datos de la entidad que disponían de una visión específica del cliente ● Cargo información no estructurada ○ Chats ○ Correos al servicio de atención al cliente ○ Registros de los Call Center ○ Otros orígenes ● Capacidad para realizar un análisis completo de la situación de los clientes
- 47. Casos de éxito - Fuga de clientes Reto Una importante compañía de telecomunicaciones necesitaba entender porque perdía clientes, para ello, necesitaba dar respuesta a las siguientes preguntas: ¿Eran clientes que se iban o simplemente estaban negociando las condiciones? ¿Se iban a la competencia? ¿Se iban por problemas en la cobertura? ¿Por los precios? ¿Por incidencias en los dispositivos? ¿Por otros motivos? Solución ● Creación de un cluster único con Hadoop ● Se combinaron las fuentes transaccionales tradicionales y las redes sociales ● Analizaron los registros de llamadas y crearon una red de contactos de los clientes ● Cruzaron esta información con los contactos de las fugas en las redes sociales y concluyeron que cuando un cliente se iba de la compañía, sus contactos eran más proclives a abandonar también. ● Cruzaron los mapas de cobertura con la ubicación de los cliente y dimensionan el impacto de las incidencias de cobertura en la fuga de clientes ● Optimizaron la inversión en infraestructuras y el desarrollo de nuevos productos
- 48. Casos de éxito - Puntos de venta Reto Una importante empresa de Retail quería incorporar las nuevas fuentes de información disponibles en los análisis ( Tiendas Online, Tiendas Offline, Redes Sociales…). Los sistemas tradicionales son muy caros para almacenar datos complejos. Solución ● Creación de un cluster único con Hadoop ● Cargaron 20 años de transacciones ● Utilizaron Hive para realizar algunos de los análisis que ejecutaban realizaban en el almacén de datos, aunque extendiéndose a periodos mucho mayores. ● Redujeron los costes de infraestructura ● Incluyeron nuevos orígenes de datos (Canales de noticias, Redes Sociales, Twitter…)
- 49. Casos de éxito - Datos en bruto Reto Una importante agencia de viajes genera volúmenes de datos en bruto enormes que solo podían almacenar unos días por el coste del almacén de datos. Solución ● Creación de un cluster único con Hadoop ● Almacenarón toda la información a un coste muy inferior al guardarlas en el formato original y comprimida ● Utilizaron Hive para analizar el comportamiento en la web de reservas. ● Consiguieron un mejor entendimiento de sus clientes y pudieron ofrecen mejores productos aumentando la rentabilidad.
- 50. Nuestra experiencia en el tratamiento del dato (BI y Big Data)
- 51. Gracias por la atención Carlos Meseguer Gimenez Director de desarrollo Teralco Tecnologías Informáticas