Apache Sparkに手を出してヤケドしないための基本～「Apache Spark入門より」～（デブサミ 2016 講演資料）

2. Copyright © 2016 NTT DATA Corporation 自己紹介土橋昌オープンソースを徹底活用してシステム開発/運用するプロジェクト、R&Dに従事。登壇歴 Spark Summit 2014、Hadoop Conference Japan、Strata + Hadoop Worldなど執筆等 Spark関連の執筆では「Apache Spark入門」や「初めてのSpark」付録、雑誌など吉田耕陽入社以来、Hadoopをはじめとする分散処理OSS関連の案件に従事。登壇歴 Hadoop Conference Japan、OSCなど執筆等「Apache Spark入門」、デジタルプラクティスなど

4. Copyright © 2016 NTT DATA Corporation 翔泳社「Apache Spark入門」について第1章：Apache Sparkとは第2章：Sparkの処理モデル第3章：Sparkの導入第4章：Sparkアプリケーションの開発と実行第5章：基本的なAPIを用いたプログラミング第6章：構造化データセットを処理する - Spark SQL - 第7章：ストリームデータを処理する - Spark Streaming - 第8章：機械学習を行う - MLlib - Appendix A. GraphXによるグラフ処理 B. SparkRを使ってみる C. 機械学習とストリーム処理の連携 D. Web UIの活用ここで紹介する内容のもっと詳しい版が掲載されています。 Sparkの動作原理から標準ライブラリを使った具体的なプログラム例まで。 Spark1.5系対応

5. Copyright © 2016 NTT DATA Corporation まず初めにApache Sparkとは？ひとことで言うと…オープンソースの並列分散処理系並列分散処理の面倒な部分は処理系が解決してくれる！ • 障害時のリカバリ • タスクの分割やスケジューリング • etc 大量のデータをたくさんのサーバを並べて並列分散処理し、現実的な時間(数分～数時間)で目的の処理結果を得るデータ管理には向きませんが、データ処理には向いています。

6. Copyright © 2016 NTT DATA Corporation 守備範囲の広い優等生ですが、あくまで分散処理系いろいろ出来るので、ついうっかり分散処理でなくても良い処理も実装しようとしがちですが、それはあまり筋が良くありません。（そういう場合は分散のための仕組みは不要なものとなります）とはいえ、もちろん規模の小さなデータに対しても動きます。現実的には実現したいことの全体の傾向によって Sparkを使うか、他の手段を組み合わせるのかを判断して用います。

7. Copyright © 2016 NTT DATA Corporation では、うちではSpark使うべき？使わないべき？自分にとって嬉しいかどうかは、 PoCなどを通じてちゃんと確かめましょう。すでにHadoopを利用している 1台のマシンでは収まらない量のデータがあるデータ件数が多くて既存の仕組みだと一括処理が辛い SQLもいいが、他の言語の内部DSLとして実装したい集計を中心としたストリーム処理をやりたい大規模データに対して定番の機械学習アルゴリズムを適用したいできれば Sparkがあると嬉しい典型的なケース例

14. Copyright © 2016 NTT DATA Corporation （補足） MapReduceフレームワークとは  アプリ開発者はMap処理とReduce処理を実装する(原則Java)  上記を元にフレームワークが分散処理する。障害発生時もリトライで処理が継続する。  基本的にサーバを増やせば処理性能はスケールアウトする Map処理 Reduce処理 Map処理とReduce処理で完結したジョブを形成するデータの加工やフィルタリングなどデータの集計や結合など HDFS HDFSと組み合わせることで、I/Oが分散され、高スループットで処理可能 HDFS 処理結果処理対象のデータ

18. Copyright © 2016 NTT DATA Corporation ジョブが多段に構成される場合の課題  ジョブ間でのデータの受け渡しのために、都度HDFSへのI/Oが発生  HDFSへの都度のI/Oのレイテンシが、処理時間の大部分を占めることにつながる M R Map処理 Reduce処理 M R M R ・・・ジョブ HDFS IO IOIO IO ジョブ間のデータの受け渡しのたびに、HDFSへのI/Oが伴う

20. Copyright © 2016 NTT DATA Corporation そこで生まれたSparkとは？抽象化を進めて、スループットとレイテンシのバランスを追求し、使いやすいAPIをユーザに提供。最新安定バージョンは1.6.0。現在2.0.0のリリースに向けて開発中 RDD RDD RDDRDD ユーザ定義の処理の流れフォーマット変換グルーピングフィルター集計入力処理モデル RDDと呼ばれる部分故障への耐性を考慮した分散コレクションに対し、典型的なデータ処理を繰り返して目的の結果を得る

21. Copyright © 2016 NTT DATA Corporation Sparkのプログラミングモデルの基礎 RDDに対する処理は、コレクション操作のように記述 Scala / Java / Python向けのAPIが提供されているインタラクティブシェルが「試行錯誤」を加速する都度のビルドが不要なため、ロジックの試作から効果の確認のサイクルを高速化できる rdd.filter(...).map(...).reduceByKey(...).saveAsText(...) フィルタして加工して集計して結果を保存

22. Copyright © 2016 NTT DATA Corporation 【DEMO】 WordCountみよう val textFile = sc.textFile("CHANGES.txt") val wordCounts = textFile.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b) wordCounts.sortBy(_._2,false).take(10) res0: Array[(String, Int)] = Array(("",61509), (Commit:,6830), (-0700,3672), (-0800,2162), (in,1766), (to,1417), (for,1298), ([SQL],1277), (the,777), (and,663)) wordCounts.filter(_._1.matches("[a-zA-Z0-9]+")).sortBy(_._2,false).take(10) res1: Array[(String, Int)] = Array((in,1766), (to,1417), (for,1298), (the,777), (and,663), (Add,631), (of,630), (Fix,547), (Xin,491), (Reynold,490)) まずは簡単に、tgzを展開した直下にあるCHANGES.txtで試してみるちゃんとカウントできてるかな？数の多い上位10件を出力してみようノイズが多いな…英数字のみ含まれる文字列のみフィルタしてみよう spark-shellを起動し、Hadoop界隈のHello WorldであるWordCount実行試行錯誤できる

25. Copyright © 2016 NTT DATA Corporation 高スループットと低レイテンシを両立する工夫何度も利用するRDDは、複数のサーバのメモリに分割してキャッシュしてI/Oや計算を減らせる RDDRDD ジョブA RDD HDFS RDD ジョブBはジョブAがキャッシュしたデータを利用できる RDD RDD RDD ジョブB キャッシュを活用することで、同じデータを利用する場合でも、都度データを読み込む必要がないキャッシュ済みのRDD キャッシュを利用できるので、 HDFSからのデータの読み込みは発生しない

27. Copyright © 2016 NTT DATA Corporation 【DEMO】キャッシュ機能を使ってみよう wordCounts.cache() wordCounts.filter(_._1.matches("[a-zA-Z0-9]+")).sortBy(_._2,false).take(10) res1: Array[(String, Int)] = Array((in,1766), (to,1417), (for,1298), (the,777), (and,663), (Add,631), (of,630), (Fix,547), (Xin,491), (Reynold,490)) wordCounts.filter(_._1.matches("[a-zA-Z0-9]+")).sortBy(_._2,false).take(10) res1: Array[(String, Int)] = Array((in,1766), (to,1417), (for,1298), (the,777), (and,663), (Add,631), (of,630), (Fix,547), (Xin,491), (Reynold,490)) .cache()でキャッシュ機能を有効化。（ここではキャッシュされない）アクション契機に処理が実行され、データの実体がキャッシュに残る WordCountの続き。先ほどのwordCountsを明示的にキャッシュしてみる次にキャッシュされたRDDを対象とした処理を実行すると、キャッシュから優先的にデータが読み込まれる。（キャッシュし切れなかったデータは、通常通り計算されて求められる）

30. Copyright © 2016 NTT DATA Corporation データソース(HDFSなど) 速いだけじゃないSparkの豊富な機能 http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf SQL 分散処理エンジンを含むコア部分

31. Copyright © 2016 NTT DATA Corporation データソース(HDFSなど) 速いだけじゃないSparkの豊富な機能 • 機械学習などの複雑な処理を簡単に実現するための標準ライブラリ http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf SQL

32. Copyright © 2016 NTT DATA Corporation データソース(HDFSなど) 速いだけじゃないSparkの豊富な機能 • 例えばScala/Java/Python/SQL等で処理が記述可能 • インタラクティブシェルが付属し、試行錯誤も可能 http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf SQL

33. Copyright © 2016 NTT DATA Corporation データソース(HDFSなど) 速いだけじゃないSparkの豊富な機能 http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf SQL • YARNなどのクラスタ管理基盤と連係動作する • すでにHadoop環境がある場合は特に導入簡単

34. Copyright © 2016 NTT DATA Corporation データソース(HDFSなど) 速いだけじゃないSparkの豊富な機能 http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf SQL • データソースの分散ファイルシステムにはHDFSも利用可能 • 従来MapReduceで実装していた処理をSparkにマイグレーションしやすい

35. Copyright © 2016 NTT DATA Corporation 便利なライブラリ： Spark SQL DataFrameに対してSQL/HiveQLを発行して分散処理する └ RDDの上に成り立つスキーマ付きのテーブル状のデータ構造 SQLを使い慣れたデータ分析者担当者が分散処理の恩恵を受けられる // ScalaでSQLを使用する例 Val teenager = sqlContext.sql(“SELECT name FROM people WHERE age >= 13 AND age <= 19”) 例えばPythonによるデータ分析アプリケーションを実装していて、「ここはSQLで書きたいな」って箇所で有用。

36. Copyright © 2016 NTT DATA Corporation 便利なライブラリ： Spark SQL オプティマイザ付き RDDベースの処理の物理プランが生成される構造化データを取り扱うための仕組みが付属 – Parquet / ORC / CSV / JSON / テキスト / JDBC ... – データソースによってはフィルタ処理をデータソース側に移譲することで、無駄なデータの読み込みを避けられる http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf オペレータの実行順序の最適化などデータソースの特性を活用した最適化など

37. Copyright © 2016 NTT DATA Corporation 【DEMO】SQLによる処理を実行してみる case class Person(name: String, age: Int) val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF() people.registerTempTable("people") val teenagers = sqlContext.sql("SELECT name, age FROM people WHERE age >= 13 AND age <= 19").show サンプルに含まれるデータで、SparkSQLを試してみる参考 : http://spark.apache.org/docs/latest/sql-programming-guide.html

38. Copyright © 2016 NTT DATA Corporation 便利なライブラリ： MLlib / ML Pipelines 統計処理、機械学習を分散処理するためのライブラリレコメンデーション / 分類 / 予測など分散処理に向くポピュラーなアルゴリズムを提供 2016/2現在、spark.mllib と spark.ml の2種類のパッケージが存在 (一例) RDD利用 DataFrame利用

39. Copyright © 2016 NTT DATA Corporation 便利なライブラリ： MLlib / ML Pipelines 昨今はspark.mlのML Pipelinesの開発が活発 scikit-learnのように機械学習を含む処理全体をパイプラインとして扱うAPI val tokenizer = new Tokenizer() .setInputCol("text") .setOutputCol("words") val hashingTF = new HashingTF() .setNumFeatures(1000) .setInputCol(tokenizer.getOutputCol) .setOutputCol("features") val lr = new LogisticRegression() .setMaxIter(10) .setRegParam(0.01) // パイプラインにトークン分割、ハッシュ化、処理とロジスティック回帰を設定 val pipeline = new Pipeline().setStages(Array(tokenizer, hashingTF, lr)) val model = pipeline.fit(trainingDataset) // モデルの当てはめ処理全体のポータビリティ向上！見通しの良くなって開発効率の向上！

40. Copyright © 2016 NTT DATA Corporation 【DEMO】K-meansによるカテゴライズ import org.apache.spark.mllib.clustering.KMeans import org.apache.spark.mllib.linalg.Vectors val data = sc.textFile("data/mllib/kmeans_data.txt") val parsedData = data.map { s => Vectors.dense(s.split(' ').map(_.toDouble)) }.cache() val numClusters = 2 val numIterations = 20 val clusters = KMeans.train(parsedData, numClusters, numIterations) // 確認 clusters.k clusters.clusterCenters // 入力データのベクトルが所属するクラスタを出力 parsedData.foreach{ vec => println(vec + " => " + clusters.predict(vec)) } サンプルに含まれるサンプルデータでK-meansを試してみる

41. Copyright © 2016 NTT DATA Corporation 便利なライブラリ： Spark Streaming 小さなバッチ処理を繰り返してストリーミング処理を実現ストリーム処理用のスケジューラが以下の流れを繰り返し実行。実際のデータ処理はSparkの機能で実現。 http://spark.incubator.apache.org/docs/latest/streaming-programming-guide.html ストリームデータを小さく区切って取りこむ区切った塊(バッチ)に対してマイクロバッチ処理を適用する

43. Copyright © 2016 NTT DATA Corporation 【DEMO】 Twitterのハッシュタグフィルタリング import org.apache.spark.streaming.twitter.TwitterUtils import org.apache.spark.streaming.{Durations, StreamingContext} import org.apache.spark.streaming.{Seconds, StreamingContext} import org.apache.log4j.{Level, Logger} Logger.getRootLogger.setLevel(Level.ERROR) $./bin/spark-shell --jars lib/spark-examples-1.6.0-hadoop2.6.0.jar Localモードで本コードを動作させると多くのWARNが出力され見づらくなるため、ログレベルをErrorレベルに変更 SparkStreamingでお手軽にTwitterデータを使ってみる Twitter用のライブラリ(org.apache.spark.streaming.twitter.TwitterUtils)を利用するが SparkのJarには含まれないため、デモではお手軽にサンプルプログラムのjarファイルを読み込ませて実行

44. Copyright © 2016 NTT DATA Corporation 【DEMO】 Twitterのハッシュタグフィルタリング val config = new java.util.Properties config.load(this.getClass().getClassLoader().getResourceAsStream("config.properties")) System.setProperty("twitter4j.oauth.consumerKey", config.get("twitter_consumerKey").toString) System.setProperty("twitter4j.oauth.consumerSecret", config.get("twitter_consumerSecret").toString) System.setProperty("twitter4j.oauth.accessToken", config.get("twitter_accessToken").toString) System.setProperty("twitter4j.oauth.accessTokenSecret", config.get("twitter_accessTokenSecret").toString) val filters = Array("#devsumi") val ssc = new StreamingContext(sc, Seconds(10)) val stream = TwitterUtils.createStream(ssc, None, filters) //Tweet本文のみ出力 stream.map(status => status.getText()).print ssc.start() ssc.awaitTermination() ------------------------------------------- Time: 1455770400000 ms ------------------------------------------- #devsumi デモなう検索ワードを入れる前ページの続き 10秒に1回のマイクロバッチデモではTwitter API Keyは外部ファイルとして準備この後にも様々な処理を追加できます

45. Copyright © 2016 NTT DATA Corporation 翔泳社「Apache Spark入門」について第1章：Apache Sparkとは第2章：Sparkの処理モデル第3章：Sparkの導入第4章：Sparkアプリケーションの開発と実行第5章：基本的なAPIを用いたプログラミング第6章：構造化データセットを処理する - Spark SQL - 第7章：ストリームデータを処理する - Spark Streaming - 第8章：機械学習を行う - MLlib - Appendix A. GraphXによるグラフ処理 B. SparkRを使ってみる C. 機械学習とストリーム処理の連携 D. Web UIの活用ここで紹介した内容のもっと詳しい版が掲載されています。 Sparkの動作原理から標準ライブラリを使った具体的なプログラム例まで。 Spark1.5系対応

47. Copyright © 2016 NTT DATA Corporation 劇的な進化を遂げつづけるSpark RDDを基礎とした分散処理、豊富で便利なライブラリ群の存在などの基本コンセプトは変わらないが、決して進化を止めていない。特に2014年から2016年に向けて、Sparkの常識が変化。 2014年～2015年にユーザ、開発者が色々と言っていた不満の多くが考慮されているのは興味深いです。過去のカンファレンスのネタなどを振り返ると面白いです。

50. Copyright © 2016 NTT DATA Corporation  RDDのAPIは直感的だが、規模が大きくなり、複雑になると・・・  見通しが悪い？  最適化が面倒？  よりハイレベルのAPIがほしい  RDDベースの処理の場合、言語によってバックエンドの処理系が異なるため、言語によってパフォーマンスが異なる RDDベースの処理の課題どこに何が入っているんだ？！ Pythonのデーモン内で処理が実行される

51. Copyright © 2016 NTT DATA Corporation DataFrame API DataFrameに対してSQLを発行できるだけではなく、DataFrame APIと呼ばれるデータ処理用のAPI 構造化データの処理を簡潔に記述 http://cdn.oreillystatic.com/en/assets/1/event/126/Apache%20Spark_%20What_s%20new_%20what_s%20coming%20Presentation.pdf これが… こうなる！これは簡潔！

52. Copyright © 2016 NTT DATA Corporation DataFrame API しかも速い。Spark SQLのオプティマイザの恩恵オプティマイザによってJVMで動作する物理プランが生成されるため、開発言語の違いによる著しい性能劣化は起こらない http://www.slideshare.net/databricks/introducing-dataframes-in-spark-for-large-scale-data-science

53. Copyright © 2016 NTT DATA Corporation お手軽にcsvファイルをDataFrameとして利用するために、デモではspark-csvを利用。 Spark Packagesのリポジトリに存在するため--packagesオプションで指定。 ※spark-csvは、Spark2.0以降よりビルトインのライブラリとして利用可能【DEMO】 DataFrame APIを使ってみる val df = sqlContext.read.format("com.databricks.spark.csv").option("header", "true").option("inferSchema", "true").load(”/tmp/weather.csv") df.show df.schema // 雪が降った日は何日？ df.filter(df("降雪量合計(cm)") > 0).count // 最高気温、最適気温の平均は? df.agg(avg("最高気温(℃)"),avg("最低気温(℃)")).show $ spark-shell --packages com.databricks:spark-csv_2.11:1.3.0 気象庁のオープンデータを元にしたcsvファイルを利用

55. Copyright © 2016 NTT DATA Corporation 様々な要因により、ボトルネックのトレンドがCPUに Spark自体のアーキテクチャの改良 •スケーラビリティ重視のシャッフルロジック(ソートベースシャッフル) •ネットワーク越しにデータを転送する際のメモリコピー回数の削減 (Netty) DataFrameをベースとした処理の最適化 •I/Oの削減 •処理の最適化昨今のハードウェアトレンドの変化 •SSDや高スループットのネットワークの利用が広がってきた •一方でCPUのクロック数は頭打ち

56. Copyright © 2016 NTT DATA Corporation Project Tungsten 独自のメモリ管理メモリ利用効率の向上無駄な中間オブジェクト生成の回避 GCの削減 HWキャッシュを考慮したデータレイアウトメモリアクセスの待ち時間の削減コードの動的生成条件分岐の削減ボクシング / アンボクシングによるオブジェクト生成の削減バーチャルメソッドコールの回数の削減 SparkのCPU利用効率を改善するための工夫

58. Copyright © 2016 NTT DATA Corporation まとめ Sparkは分散処理をいかに効率的に実装・実行するか？を追求している実行エンジン/インターフェースの工夫がたくさん => RDD、DataFrame、Project Tungsten 優等生的に様々な処理に標準対応 => MLlib、Spark Streaming、Spark SQL、GraphX 抽象化されていることを生かし、ユースケースやハードウェアのトレンドを考慮して進化

59. Copyright © 2016 NTT DATA Corporation Hadoop/Sparkのことなら、NTTデータにお任せくださいお問い合わせ先：株式会社ＮＴＴデータ基盤システム事業本部 OSSプロフェッショナルサービス URL: http：//oss.nttdata.co.jp/hadoop メール： hadoop@kits.nttdata.co.jp TEL： 050-5546-2496

Apache Sparkに手を出してヤケドしないための基本 ～「Apache Spark入門より」～ （デブサミ 2016 講演資料）

NTT DATA OSS Professional Services