.. _pigparamsclouderarst:

=======================================
PIG et Paramètres sur Cloudera - énoncé
=======================================


.. only:: html

    **Links:** :download:`notebook <pig_params_cloudera.ipynb>`, :downloadlink:`html <pig_params_cloudera2html.html>`, :download:`PDF <pig_params_cloudera.pdf>`, :download:`python <pig_params_cloudera.py>`, :downloadlink:`slides <pig_params_cloudera.slides.html>`, :githublink:`GitHub|_doc/notebooks/pig_hive/pig_params_cloudera.ipynb|*`


Utilisation de job paramétrables en Map/Reduce avec
`PIG <https://pig.apache.org/>`__ sur
`Cloudera <https://www.cloudera.com/>`__.

.. code:: ipython3

    from jyquickhelper import add_notebook_menu
    add_notebook_menu()






.. contents::
    :local:





Paramètres
----------

Les sites web produisent des données en continu. On utilise fréquemment
le même script pour traiter les donnéesd’un jour, du lendemain, de jour
d’après… Tous les jours, on veut récupérer la fréquentation de la
veille. La seule chose qui change est la date des données qu’on veut
traiter. Plutôt que de recopier un script en entier pour changer une
date qui apparaît parfois à plusieurs endroits, il est préférable
d’écrire un script ou la date apparaît comme une variable.

Ce notebook va illustrer ce procédé sur la construction d’un
histogramme. Le paramètre du script sera la largeur des barres de
l’histogramme (ou
`bin <http://en.wikipedia.org/wiki/Histogram#Number_of_bins_and_width>`__
en anglais).

Connexion au cluster
--------------------

On prend le cluster
`Cloudera <http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/notebooks/td3a_cenonce_session6.html#p2>`__.
Il faut exécuter ce script pour pouvoir notifier au notebook que la
variable ``params`` existe.

.. code:: ipython3

    import pyensae, pyquickhelper
    from pyquickhelper.ipythonhelper import open_html_form
    params={"server":"df...fr", "username":"", "password":""}
    open_html_form(params=params,title="server + credentials", key_save="params")






.. raw:: html

    <div style="background-color:gainsboro; padding:2px; border:0px;"><b>server + credentials</b>
    <br />password <input type="password" id="paramspassword" value="" size="80" />
    <br />server <input type="text" id="paramsserver" value="df...fr" size="80" />
    <br />username <input type="text" id="paramsusername" value="" size="80" />
    <br /><button onclick="set_valueparams()">Ok</button></div>
    <script type="text/Javascript">
    function paramscallback(msg) {
       var ret = msg.content.data['text/plain'];
       $('#outparams').text(ret);
    }
    function set_valueparams(){
       command='params = {' ;
       var paramspasswordvar_value = document.getElementById('paramspassword').value;
       command += '"password":"' + paramspasswordvar_value + '",';
       var paramsservervar_value = document.getElementById('paramsserver').value;
       command += '"server":"' + paramsservervar_value + '",';
       var paramsusernamevar_value = document.getElementById('paramsusername').value;
       command += '"username":"' + paramsusernamevar_value + '",';
       command += '}';
       var kernel = IPython.notebook.kernel;
       kernel.execute(command);
    }
    </script>



.. code:: ipython3

    import pyensae
    %load_ext pyensae
    %load_ext pyenbc
    password = params["password"]
    server = params["server"]
    username = params["username"]
    client = %remote_open
    client




.. parsed-literal::
    <pyensae.remote.ssh_remote_connection.ASSHClient at 0x79ad290>



Upload version
--------------

On commence par simuler des données.

.. code:: ipython3

    import random
    with open("random.sample.txt", "w") as f :
        for i in range(0,10000) :
            x = random.random()
            f.write(str(x)+"\n")

On créé un répertoire sur le cluster :

.. code:: ipython3

    %dfs_mkdir random




.. parsed-literal::
    ('', '')



.. code:: ipython3

    %remote_up_cluster random.sample.txt random/random.sample.txt




.. parsed-literal::
    'random/random.sample.txt'



PIG et paramètres
-----------------

On indique un paramètre par le symbole : ``$bins``. La valeur du
paramètre est passé sous forme de chaîne de caractères au script et
remplacée telle quelle dans le script. Il en va de même des constantes
déclarées grâce au mot-clé
`%declare <https://pig.apache.org/docs/r0.11.1/cont.html#Examples-N1060D>`__.

La sortie du script inclut le paramètre : cela permet de retrouver
comment ces données ont été générées.

.. code:: ipython3

    %%PIG histogram.pig
    
    values = LOAD 'random/random.sample.txt' USING PigStorage('\t') AS (x:double);
    
    values_h = FOREACH values GENERATE x, ((int)(x / $bins)) * $bins AS h ;
    
    hist_group = GROUP values_h BY h ;
    
    hist = FOREACH hist_group GENERATE group, COUNT(values_h) AS nb ;
    
    STORE hist INTO 'random/histo_$bins.txt' USING PigStorage('\t') ;

Pour supprimer les précédents résultats :

.. code:: ipython3

    if client.dfs_exists("random/histo_0.1.txt"):
        client.dfs_rm("random/histo_0.1.txt", recursive=True)

On exécute le job. Comme la commande magique supportant les paramètres
n’existe pas encore, il faut utiliser la variable ``client`` et sa
méthode
`pig_submit <http://www.xavierdupre.fr/app/pyensae/helpsphinx/pyensae/remote/ssh_remote_connection.html?highlight=pig_submit#pyensae.remote.ssh_remote_connection.ASSHClient.pig_submit>`__
qui fait la même chose. Elle upload le script puis le soumet.

.. code:: ipython3

    client.pig_submit("histogram.pig", redirection="redirection", params =dict(bins="0.1") )




.. parsed-literal::
    ('', '')



S’il se produit des erreurs, il est recommandé d’afficher plus de lignes
:

.. code:: ipython3

    %remote_cmd tail redirection.err






.. raw:: html

    <pre>
    Total bytes written : 131
    Spillable Memory Manager spill count : 0
    Total bags proactively spilled: 0
    Total records proactively spilled: 0

    Job DAG:
    job_1414491244634_0168


    2014-11-28 00:11:44,435 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher - Success!

    </pre>



On vérifie que tout s’est bien passé. La taille devrait être équivalent
à l’entrée.

.. code:: ipython3

    %dfs_ls random






.. raw:: html

    <div style="max-height:1000px;max-width:1500px;overflow:auto;">
    <table border="1" class="dataframe">
      <thead>
        <tr style="text-align: right;">
          <th></th>
          <th>attributes</th>
          <th>code</th>
          <th>alias</th>
          <th>folder</th>
          <th>size</th>
          <th>date</th>
          <th>time</th>
          <th>name</th>
          <th>isdir</th>
        </tr>
      </thead>
      <tbody>
        <tr>
          <th>0</th>
          <td> drwxr-xr-x</td>
          <td> -</td>
          <td> xavierdupre</td>
          <td> xavierdupre</td>
          <td>      0</td>
          <td> 2014-11-28</td>
          <td> 00:11</td>
          <td>     random/histo_0.1.txt</td>
          <td>  True</td>
        </tr>
        <tr>
          <th>1</th>
          <td> -rw-r--r--</td>
          <td> 3</td>
          <td> xavierdupre</td>
          <td> xavierdupre</td>
          <td> 202586</td>
          <td> 2014-11-27</td>
          <td> 23:38</td>
          <td> random/random.sample.txt</td>
          <td> False</td>
        </tr>
      </tbody>
    </table>
    </div>



.. code:: ipython3

    if os.path.exists("histo.txt") : os.remove("histo.txt")
    client.download_cluster("random/histo_0.1.txt","histo.txt", merge=True)




.. parsed-literal::
    'random/histo_0.1.txt'



.. code:: ipython3

    import matplotlib.pyplot as plt
    plt.style.use('ggplot')
    import pandas
    df = pandas.read_csv("histo.txt", sep="\t",names=["bin","nb"])
    df.plot(x="bin", y="nb", kind="bar")




.. parsed-literal::
    <matplotlib.axes._subplots.AxesSubplot at 0xaf7c330>




.. image:: pig_params_cloudera_23_1.png


Exercice 1 : min, max
---------------------

Ajouter deux paramètres pour construire l’histogramme entre deux valeurs
``a``,\ ``b``.