Aula9-Spark-Básico sematix com dataframes

Quem sou eu?
2
Eu sou Rodrigo Augusto Rebouças.
Engenheiro de dados da Semantix
Instrutor do Semantix Mentoring Academy
Você pode me encontrar em:
rodrigo.augusto@semantix.com.br

Processamento de Dados
4
o Map Reduce
o Spark
o Fink

Apache Spark
o Plataforma de computação em cluster
• Suporte
o MapReduce
o Streaming
o Análises interativas
• Execução em memória
• Compatível com Hadoop
o Funciona com YARN
o Acessar os dados
• HDFS
• Tabelas Hive
• Tabelas Hbase
o Linguagem: Scala, Java, Python e R
5

Spark História
o 2009
• Projeto de pesquisa na Universidade da California, Berkeley
o AMPLab
o 2010
• Open source
o 2013
• Apache
o Representação dos dados
• RDD - 2011
• Dataframe - 2013
• Dataset - 2015
• Qual a melhor forma de trabalhar com dados no Spark?
6

Spark Ferramentas
o Spark
• ETL e processamento em batch
o Spark SQL
• Consultas em dados estruturados
o Spark Streaming
• Processamento de stream
o Spark MLib
• Machine Learning
o Spark GraphX
• Processamento de grafos
8

Spark Shell
o Ambiente Spark interativo
o Inicialização no Cluster
• pyspark para Python
• spark-shell para Scala
o Se existir a instalação da versão 1 e 2 no cluster
• Versão 1
o pyspark para Python
o spark-shell para Scala
• Versão 2
o pyspark2 para Python
o spark2-shell para Scala
9

DataFrame Indrodução
o Representação de dados no spark
o DataFrames
• Dados estruturados e semiestruturados em forma tabular
• Java, Scala e Python
• Operações
o Transformação
o Ação
11

DataFrame Leitura de arquivo
o Dados suportados para leitura e escrita no DataFrame
• Text files
o CSV
o JSON
o Plain text
• Binary format files
o Apache Parquet (Muito utilizado)
o Apache ORC
• Tables
o Hive metastore
o JDBC
• Configurar outros tipos
13

14
o val <dataframe> = spark.read.<formato>(“<arquivo>”)
• <formato>
o textFile(“arquivo.txt”)
o csv(“arquivo.csv”)
o jdbc(jdbcUrl, "bd.tabela", connectionProperties)
o load ou parquet(“arquivo.parquet”)
o table(“tabelaHive”)
o json(“arquivo.json“)
o orc(“arquivo.orc”)
• <arquivo>
o “diretório/”
o “diretório/*.log”
o “arq1.txt, arq2.txt”
o “arq*”

o val <dataframe> = spark.read.format("<formato>").load("<arquivo>")
o Opções para configurar o arquivo de leitura
• spark.read.option(...)
scala> val userDF = spark.read.json(“user.json”)
scala> val userDF = spark.read.format(“json”).load(“usr.json”)
15

DataFrame Operações
o Ação
• count: retorna o número de linhas
• first: retorna a primeira linha
• take(n): retorna as primeiras n linhas como um array
• show(n): exibe as primeiras n linhas da tabela
• collect: Trazer toda a informação dos nós do drive
o Cuidado para não estourar a memória
• distincts: retorna os registros, removendo os repetidos
• write: salvar os dados
• printSchema() Visualizar a estrutura dos dados
o DataFrame sempre tem um esquema associado

DataFrame Exemplo ações
o <dataframe>.<ação>
scala> val clienteDF = spark.read.json("cliente.json")
scala> clienteDF.printSchema()
scala> clienteDF.count()
scala> clienteDF.first()
scala> clienteDF.take(5)
scala> clienteDF.show(5)
scala> clienteDF.distinct()
scala> clienteDF.collect() //Cuidado para estourar memória

DataFrame Salvar Dado
o dadosDF.write.
• save(“arquivoParquet”)
• json("arquivoJson")
• csv(“arquivocsv”)
• saveAsTable("tableHive")
o (/user/hive/warehouse)
scala> dadosDF.write.save(“outputData”)
$ hdfs dfs -ls /user/cloudera/outputData
scala> dadosDF.write.
mode("append").
option("path","/user/root").
saveAsTable("outputData")

DataFrame Operações
o Transformação
• Imutáveis
o Dados no DataFrame nunca são modificados
• Exemplos
o select: Selecionar os atributos
o where: Filtrar os atributos
o orderBy: Ordenar os dados por atributo
o groupBy: Agrupar os dados por atributo
o join: Mesclar Dados
o limit(n): Limitar a quantidade de registros

DataFrame Transformações
o Transformação individual
• <dataframe>.<ação>
o Sequência de transformações
• <dataframe>.<ação>.<ação>.<ação>.<ação>
scala> val prodQtdDF = prodDF.select("nome","qtd")
scala> val qtd50DF = prodQtdDF.where("qtd > 50")
scala> val qtd50ordDF = qtd50DF.orderBy(“nome”)
scala> qtd50ordDF.show()
scala> prodDF.select("nome","qtd").where("qtd > 50").orderBy(“nome”)

DataFrame – Transformações
o Agrupar (groupBy) com uma função de agregação
• count
• max
• min
• mean
• sum
• pivot
• agg (Funções de agregação adicional)
scala> peopleDF.groupBy(“setor").count()
scala> peopled.show()

DataFrame – Transformações
o Acessar o atributo do dado
• “<atributo>”
• $“<atributo>”
• <dataframe>(“<atributo>”)
scala> prodDF.select("nome","qtd").show()
scala> prodDF.select($"nome", $“qtd” * 0,1).show()
scala> prodDF.where(prodDF("nome").startsWith("A")).show()

Laboratório
Resolução de Exercícios

Exercícios DataFrame
26
1. Enviar o diretório local “/input/exercises-data/juros_selic” para o HDFS em “/user/aluno/<nome>/data”
2. Criar o DataFrame jurosDF para ler o arquivo no HDFS “/user/aluno/<nome>/data/juros_selic/juros_selic.json”
3. Visualizar o Schema do jurosDF
4. Mostrar os 5 primeiros registros do jutosDF
5. Contar a quantidade de registros do jurosDF
6. Criar o DataFrame jurosDF10 para filtrar apenas os registros com o campo “valor” maior que 10
7. Salvar o DataFrame jurosDF10 como tabela Hive “<nome>.tab_juros_selic”
8. Criar o DataFrame jurosHiveDF para ler a tabela “<nome>.tab_juros_selic”
9. Visualizar o Schema do jurosHiveDF
10. Mostrar os 5 primeiros registros do jurosHiveDF
11. Salvar o DataFrame jurosHiveDF no HDFS no diretório “/user/aluno/nome/data/save_juros” no formato parquet
12. Visualizar o save_juros no HDFS
13. Criar o DataFrame jurosHDFS para mostrar o “save_juros” da questão 8
14. Visualizar o Schema do jurosHDFS
15. Mostrar os 5 primeiros registros do jurosHDFS

Obrigado!
Alguma pergunta?
Você pode me encontrar em:
rodrigo.augusto@semantix.com.br

Aula9-Spark-Básico sematix com dataframes

Mais conteúdo relacionado

Semelhante a Aula9-Spark-Básico sematix com dataframes (20)

Último (9)

Aula9-Spark-Básico sematix com dataframes