Map/Reduce avec PIG sur cloudera - correction

Links: notebook, html, PDF, python, slides, GitHub

Correction.

from jyquickhelper import add_notebook_menu
add_notebook_menu()

Données

On considère le jeu de données suivant : Localization Data for Person Activity Data Set qui ont déjà été récupéré avec le notebook de l’énoncé.

import os
if "CRTERALAB" in os.environ:
    spl = os.environ["CRTERALAB"].split("**")
    params=dict(server=spl[0], password=spl[1], username=spl[2])
    r = dict
else:
    from pyquickhelper.ipythonhelper import open_html_form
    params={"server":"ws...fr", "username":"x...e", "password":""}
    r = open_html_form(params=params,title="server + credentials", key_save="params")
r
server + credentials
password
server
username
password = params["password"]
server = params["server"]
username = params["username"]
%load_ext pyensae
%load_ext pyenbc
%remote_open
<pyensae.remote.ssh_remote_connection.ASSHClient at 0xa36fc88>

Exercice 1 : GROUP BY

import pandas, sqlite3
con = sqlite3.connect("ConfLongDemo_JSI.db3")
df = pandas.read_sql("""SELECT activity, count(*) as nb FROM person GROUP BY activity""", con)
con.close()
df.head()
activity nb
0 falling 2973
1 lying 54480
2 lying down 6168
3 on all fours 5210
4 sitting 27244

Il faut maintenant le faire avec PIG.

%%PIG solution_groupby.pig

myinput = LOAD 'ConfLongDemo_JSI.small.example.txt'
          using PigStorage(',')
          AS (index:long, sequence, tag, timestamp:long, dateformat, x:double,y:double, z:double, activity) ;

gr = GROUP myinput BY activity ;
avgact = FOREACH gr GENERATE group, COUNT(myinput) ;

STORE avgact INTO 'ConfLongDemo_JSI.small.group.txt' USING PigStorage() ;
%pig_submit solution_groupby.pig -r groupby.redirection

%remote_cmd tail groupby.redirection.err
Total bytes written : 89
Spillable Memory Manager spill count : 0
Total bags proactively spilled: 0
Total records proactively spilled: 0

Job DAG:
job_1444669880271_0038


2015-10-29 01:10:53,383 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher - Success!

%remote_cmd hdfs dfs -ls ConfLongDemo_JSI.small.group.txt
Found 2 items
-rw-r--r--   3 xavierdupre xavierdupre          0 2015-10-29 01:10 ConfLongDemo_JSI.small.group.txt/_SUCCESS
-rw-r--r--   3 xavierdupre xavierdupre         89 2015-10-29 01:10 ConfLongDemo_JSI.small.group.txt/part-r-00000

%remote_cmd hdfs dfs -tail ConfLongDemo_JSI.small.group.txt/part-r-00000
lying       267
falling     30
sitting     435
walking     170
sitting down        56
standing up from sitting    42

Exercice 2 : JOIN

con = sqlite3.connect("ConfLongDemo_JSI.db3")
df = pandas.read_sql("""SELECT person.*, A.nb FROM person INNER JOIN (
                            SELECT activity, count(*) as nb FROM person GROUP BY activity) AS A
                            ON person.activity == A.activity""", con)
con.close()
df.head()
index sequence tag timestamp dateformat x y z activity nb
0 0 A01 010-000-024-033 633790226051280329 27.05.2009 14:03:25:127 4.062931 1.892434 0.507425 walking 32710
1 1 A01 020-000-033-111 633790226051820913 27.05.2009 14:03:25:183 4.291954 1.781140 1.344495 walking 32710
2 2 A01 020-000-032-221 633790226052091205 27.05.2009 14:03:25:210 4.359101 1.826456 0.968821 walking 32710
3 3 A01 010-000-024-033 633790226052361498 27.05.2009 14:03:25:237 4.087835 1.879999 0.466983 walking 32710
4 4 A01 010-000-030-096 633790226052631792 27.05.2009 14:03:25:263 4.324462 2.072460 0.488065 walking 32710

Idem, maintenant il faut le faire avec PIG.

%%PIG solution_groupby_join.pig

myinput = LOAD 'ConfLongDemo_JSI.small.example.txt'
          using PigStorage(',')
          AS (index:long, sequence, tag, timestamp:long, dateformat, x:double,y:double, z:double, activity) ;

gr = GROUP myinput BY activity ;
avgact = FOREACH gr GENERATE group, COUNT(myinput) ;

joined = JOIN myinput BY activity, avgact BY group ;

STORE joined INTO 'ConfLongDemo_JSI.small.group.join.txt' USING PigStorage() ;
%pig_submit solution_groupby_join.pig -r groupby.join.redirection

%remote_cmd tail groupby.join.redirection.err
2015-10-29 01:15:15,416 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - mapred.job.tracker is deprecated. Instead, use mapreduce.jobtracker.address
2015-10-29 01:15:15,416 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - fs.default.name is deprecated. Instead, use fs.defaultFS
2015-10-29 01:15:15,416 [main] INFO  org.apache.pig.backend.hadoop.executionengine.HExecutionEngine - Connecting to hadoop file system at: hdfs://nameservice1
2015-10-29 01:15:17,285 [main] INFO  org.apache.pig.tools.pigstats.ScriptState - Pig features used in the script: HASH_JOIN,GROUP_BY
2015-10-29 01:15:17,348 [main] INFO  org.apache.pig.newplan.logical.optimizer.LogicalPlanOptimizer - {RULES_ENABLED=[AddForEach, ColumnMapKeyPrune, DuplicateForEachColumnRewrite, GroupByConstParallelSetter, ImplicitSplitInserter, LimitOptimizer, LoadTypeCastInserter, MergeFilter, MergeForEach, NewPartitionFilterOptimizer, PartitionFilterOptimizer, PushDownForEachFlatten, PushUpFilter, SplitFilter, StreamTypeCastInserter], RULES_DISABLED=[FilterLogicExpressionSimplifier]}
2015-10-29 01:15:17,404 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - mapred.textoutputformat.separator is deprecated. Instead, use mapreduce.output.textoutputformat.separator
2015-10-29 01:15:17,426 [main] ERROR org.apache.pig.tools.grunt.Grunt - ERROR 6000:
 Output Location Validation Failed for: 'hdfs://nameservice1/user/xavierdupre/ConfLongDemo_JSI.small.group.join.txt More info to follow:
Output directory hdfs://nameservice1/user/xavierdupre/ConfLongDemo_JSI.small.group.join.txt already exists
Details at logfile: /home/xavierdupre/pig_1446077714461.log

%remote_cmd hdfs dfs -ls ConfLongDemo_JSI.small.group.join.txt
Found 2 items
-rw-r--r--   3 xavierdupre xavierdupre          0 2015-10-29 01:13 ConfLongDemo_JSI.small.group.join.txt/_SUCCESS
-rw-r--r--   3 xavierdupre xavierdupre     144059 2015-10-29 01:13 ConfLongDemo_JSI.small.group.join.txt/part-r-00000

%remote_cmd hdfs dfs -tail ConfLongDemo_JSI.small.group.join.txt/part-r-00000
26262834000 27.05.2009 14:03:46:283 3.3038318157196045      1.938292145729065       0.7622964978218079      standing up from sitting        standing up from sitting        42
652 A01     020-000-033-111 633790226262563704      27.05.2009 14:03:46:257 3.2363295555114746      2.00623106956482        1.1472841501235962      standing up from sitting        standing up from sitting        42
651 A01     010-000-030-096 633790226262293413      27.05.2009 14:03:46:230 3.275949239730835       1.7746492624282837      0.3117055296897888      standing up from sitting        standing up from sitting        42
650 A01     010-000-024-033 633790226262023117      27.05.2009 14:03:46:203 3.2498104572296143      1.878917098045349       0.13854867219924927     standing up from sitting        standing up from sitting        42
649 A01     020-000-032-221 633790226261752823      27.05.2009 14:03:46:177 3.352446317672729       1.950886845588684       0.8281049728393555      standing up from sitting        standing up from sitting        42
648 A01     020-000-033-111 633790226261482530      27.05.2009 14:03:46:147 3.2220029830932617      2.0042579174041752      1.032345414161682       standing up from sitting        standing up from sitting        42

Prolongements

PIG n’est pas la seule façon d’exécuter des jobs Map/Reduce. Hive est un langage dont la syntaxe est très proche de celle du SQL. L’article Comparing Pig Latin and SQL for Constructing Data Processing Pipelines explicite les différences des deux approches.

langage haut niveau

Ce qu’il faut retenir est que le langage PIG est un langage haut niveau. Le programme est compilé en une séquence d’opérations Map/Reduce transparente pour l’utilisateur. Le temps de développement est très réduit lorsqu’on le compare au même programme écrit en Java. Le compilateur construit un plan d’exécution (quelques exemples ici) et infère le nombre de machines requises pour distribuer le job. Cela suffit pour la plupart des besoins, cela nécessite.

petits jeux

Certains jobs peuvent durer des heures, il est conseillée de les essayer sur des petits jeux de données avant de les faire tourner sur les vrais données. Il est toujours frustrant de s’apercevoir qu’un job a planté au bout de deux heures car une chaîne de caractères est vide et que ce cas n’a pas été prévu.

Avec ces petits jeux, il est possible de faire tourner et conseillé de tester le job d’abord sur la passerelle (exécution local) avant de le lancer sur le cluster. Avec pyensae, il faut ajouter l’option -local à la commande pig_submit.

concaténer les fichiers divisés

Un programme PIG ne produit pas un fichier mais plusieurs fichiers dans un répertoire. La commande getmerge télécharge ces fichiers sur la passerelle et les fusionne en un seul.

ordre des lignes

Les jobs sont distribués, même en faisant rien (LOAD + STORE), il n’est pas garanti que l’ordre des lignes soit préservé. La probabilié que ce soit le cas est quasi nulle.