Atelier 4-4 - Apache Spark - TP

Big Data

Atelier4-4 - Traitement par Lot et

Streaming avec Spark

Objectifs du TP
Utilisation de Spark pour réaliser des traitements par lot et des traitements en
streaming.

1/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Outils et Versions
Apache Hadoop [http://hadoop.apache.org/] Version: 2.7.2

Apache Spark [https://spark.apache.org/] Version: 2.2.1

Docker [https://www.docker.com/] Version 17.09.1

IntelliJ IDEA [https://www.jetbrains.com/idea/download/] Version Ultimate

2016.1 (ou tout autre IDE de votre choix)

Java
[http://www.oracle.com/technetwork/java/javase/downloads/index.html]
Version 1.8

Unix-like ou Unix-based Systems (Divers Linux et MacOS)

Spark
Présentation

Spark [https://spark.apache.org/] est un système de traitement rapide et

parallèle. Il fournit des APIs de haut niveau en Java, Scala, Python et R, et un
moteur optimisé qui supporte l'exécution des graphes. Il supporte également un
ensemble d'outils de haut niveau tels que Spark SQL
[https://spark.apache.org/docs/latest/sql-programming-guide.html] pour lesupport
du traitement de données structurées, MLlib
[https://spark.apache.org/docs/latest/ml-guide.html] pour l'apprentissage des
données, GraphX [https://spark.apache.org/docs/latest/graphx-programming-
guide.html] pour le traitement des graphes, et Spark Streaming
[https://spark.apache.org/docs/latest/streaming-programming-guide.html] pour le
traitment des données en streaming.

2/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Spark et Hadoop

Spark peut s'exécuter sur plusieurs plateformes: Hadoop, Mesos, en standalone

ou sur le cloud. Il peut également accéder diverses sources de données, comme
HDFS, Cassandra, HBase et S3.

Dans ce TP, nous allons exécuter Spark sur Hadoop YARN. YARN s'occupera ainsi
de la gestion des ressources pour le déclenchement et l'exécution des Jobs
Spark.

Installation

docker start hadoop-master hadoop-slave1 hadoop-slave2

puis d'entrer dans le contenaire master:

docker exec -it hadoop-master bash

Lancer ensuite les démons yarn et hdfs:

3/22
 Atelier 4-4 - Apache Spark - TP
Big Data

./start-hadoop.sh

Vous pourrez vérifier que tous les démons sont lancés en tapant: jps . Un
résultat semblable au suivant pourra être visible:

880 Jps
257 NameNode
613 ResourceManager
456 SecondaryNameNode

La même opération sur les noeuds esclaves (auquels vous accédez à partir de
votre machine hôte en tapant docker exec -it hadoop-slave1 bash ) devrait
donner:

176 NodeManager
65 DataNode
311 Jps

Test de Spark avec Spark-

Shell
Dans le but de tester l'exécution de spark, commencer par créer un fichier
file1.txt dans votre noeud master, contenant le texte suivant:

Hello Spark Wordcount!

Hello Hadoop Also :)

Charger ensuite ce fichier dans HDFS:

hadoop fs -put file1.txt

Error
Si le message suivant s'affiche: put: `.': No such file or directory , c'est parce que
l'arborescence du répertoire principal n'est pas créée dans HDFS. Pour le faire, il suffit
d'exécuter la commande suivante avant la commande de chargement :
hadoop fs mkdir -p .

Pour vérifier que spark est bien installé, taper la commande suivante:

4/22
 Atelier 4-4 - Apache Spark - TP
Big Data

spark-shell

Vous devriez avoir un résultat semblable au suivant:

Vous pourrez tester spark avec un code scala simple comme suit (à exécuter
ligne par ligne):

val lines = sc.textFile("file1.txt")

val words = lines.flatMap(_.split("\\s+"))
val wc = words.map(w => (w, 1)).reduceByKey(_ + _)
wc.saveAsTextFile("file1.count")

Ce code vient de (1) charger le fichier file1.txt de HDFS, (2) séparer les mots
selon les caractères d'espacement, (3) appliquer un map sur les mots obtenus
qui produit le couple (<mot>, 1), puis un reduce qui permet de faire la somme des1
des mots identiques.

Pour afficher le résultat, sortir de spark-shell en cliquant sur Ctrl-C. Télécharger

ensuite le répertoire file1.count créé dans HDFS comme suit:

hadoop fs -get file1.count

Le contenu des deux fichiers part-00000 et part-00001 ressemble à ce qui suit:

5/22
 Atelier 4-4 - Apache Spark - TP
Big Data

L'API de Spark
A un haut niveau d'abstraction, chaque application Spark consiste en un
programme driver qui exécute la fonction main de l'utilisateur et lance plusieurs
opérations parallèles sur le cluster. L'abstraction principale fournie par Spark est
un RDD (Resilient Distributed Dataset), qui représente une collection d'éléments
partitionnés à travers les noeuds du cluster, et sur lesquelles on peut opérer en
parallèle. Les RDDs sont créés à partir d'un fichier dans HDFS par exemple, puis
le transforment. Les utilisateurs peuvent demander à Spark de sauvegarder un
RDD en mémoire, lui permettant ainsi d'être réutilisé efficacement à travers
plusieurs opérations parallèles.

Les RDDs supportent deux types d'opérations:

les transformations, qui permettent de créer un nouveau Dataset à partir d'un

Dataset existant

les actions, qui retournent une valeur au programme driver après avoir
exécuté un calcul sur le Dataset.

6/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Par exemple, un map est une transformation qui passe chaque élément du
dataset via une fonction, et retourne un nouvel RDD représentant les résultats.
Un reduce est une action qui agrège tous les éléments du RDD en utilisant une
certaine fonction et retourne le résultat final au programme.

Toutes les transformations dans Spark sont lazy, car elles ne calculent pas le
résultat immédiatement. Elles se souviennent des transformations appliquées à
un dataset de base (par ex. un fichier). Les transformations ne sont calculées
que quand une action nécessite qu'un résultat soit retourné au programme
principal. Cela permet à Spark de s'exécuter plus efficacement.

Exemple

L'exemple que nous allons présenter ici par étapes permet de relever les mots les
plus fréquents dans un fichier. Pour cela, le code suivant est utilisé:

//Etape 1 - Créer un RDD à partir d'un fichier texte de Hadoop

val docs = spark.textFile("/docs")

7/22
 Atelier 4-4 - Apache Spark - TP
Big Data

//Etape 2 - Convertir les lignes en minuscule

val lower = docs.map(line => line.toLowerCase)

//Etape 3 - Séparer les lignes en mots

val words = lower.flatMap(line => line.split("\\s+"))

8/22
 Atelier 4-4 - Apache Spark - TP
Big Data

//Etape 4 - produire les tuples (mot, 1)

val counts = words.map(word => (word,1))

//Etape 5 - Compter tous les mots

val freq = counts.reduceByKey(_ + _)

9/22
 Atelier 4-4 - Apache Spark - TP
Big Data

//Etape 6 - Inverser les tuples (transformation avec swap)

freq.map(_.swap)

//Etape 6 - Inverser les tuples (action de sélection des n premier

val top = freq.map(_swap).top(N)

10/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Spark Batch en Java

Préparation de l'environnement et Code

Nous allons dans cette partie créer un projet Spark Batch en Java (un simple
WordCount), le charger sur le cluster et lancer le job.

1. Créer un projet Maven avec IntelliJ IDEA, en utilisant la config suivante:

<groupId>spark.batch</groupId>
<artifactId>wordcount</artifactId>
<version>1</version>

2. Rajouter dans le fichier pom les dépendances nécessaires, et indiquer la

version du compilateur Java:

<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.1.0</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>

11/22
 Atelier 4-4 - Apache Spark - TP
Big Data

<version>1.7.22</version>
</dependency>
</dependencies>

3. Sous le répertoire java, créer un package que vous appellerez tn.insat.tp21,

et dedans, une classe appelée WordCountTask.

4. Écrire le code suivant dans WordCountTask (N'oubliez pas de rajouter les

imports nécessaires!):

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import scala.Tuple2;

import java.util.Arrays;

import static jersey.repackaged.com.google.common.base.Preconditi

public class WordCountTask {
private static final Logger LOGGER = LoggerFactory.getLogge

public static void main(String[] args) {

checkArgument(args.length > 1, "Please provide the path
new WordCountTask().run(args[0], args[1]);
}

public void run(String inputFilePath, String outputDir) {

String master = "local[*]";
SparkConf conf = new SparkConf()
.setAppName(WordCountTask.class.getName())
.setMaster(master);
JavaSparkContext sc = new JavaSparkContext(conf);

JavaRDD<String> textFile = sc.textFile(inputFilePath);

JavaPairRDD<String, Integer> counts = textFile
.flatMap(s -> Arrays.asList(s.split(" ")).itera
.mapToPair(word -> new Tuple2<>(word, 1))
.reduceByKey((a, b) -> a + b);
counts.saveAsTextFile(outputDir);
}
}

12/22
 Atelier 4-4 - Apache Spark - TP
Big Data

La première chose à faire dans un programme Spark est de créer un objet

JavaSparkContext, qui indique à Spark comment accéder à un cluster. Pour
créer ce contexte, vous aurez besoin de construire un objet SparkConf qui
contient toutes les informations sur l'application.

appName est le nom de l'application

master est une URL d'un cluster Spark, Mesos ou YARN, ou bien une
chaîne spéciale local pour lancer le job en mode local.

Warning
Nous avons indiqué ici que notre master est local pour les besoins du test, mais plus tard,
en le packageant pour le cluster, nous allons enlever cette indication. Il est en effet
déconseillé de la hard-coder dans le programme, il faudrait plutôt l'indiquer comme option
de commande à chaque fois que nous lançons le job.

Le reste du code de l'application est la version en Java de l'exemple en scala que nous
avions fait avec spark-shell.

Test du code en local

Pour tester le code sur votre machine, procéder aux étapes suivantes:

1. Insérer un fichier texte de votre choix (par exemple le fameux loremipsum.txt

[https://s3-eu-west-
1. amazonaws.com/insat.lilia.bigdata.bucket/data/loremipsum.txt]) dans le
répertoire src/main/resources.

2. Créer une nouvelle configuration de type "Application" (Run->Edit

Configurations) que vous appellerez WordCountTask, et définir les arguments
suivants (fichier de départ et répertoire d'arrivée) comme Program
arguments:

src/main/resources/loremipsum.txt src/main/resources/out

3. Cliquer sur OK, et lancer la configuration. Si tout se passe bien, un répertoire

out sera créé sous resources, qui contient deux fichiers: part-00000, part-
00001.

13/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Lancement du code sur le cluster

Pour exécuter le code sur le cluster, modifier comme indiqué les lignes en jaune
dans ce qui suit:

public class WordCountTask {

private static final Logger LOGGER = LoggerFactory.getLogger(WordCo

public static void main(String[] args) {

checkArgument(args.length > 1, "Please provide the path of inpu
new WordCountTask().run(args[0], args[1]);
}

public void run(String inputFilePath, String outputDir) {

SparkConf conf = new SparkConf()

.setAppName(WordCountTask.class.getName());

JavaSparkContext sc = new JavaSparkContext(conf);

JavaRDD<String> textFile = sc.textFile(inputFilePath);

JavaPairRDD<String, Integer> counts = textFile
.flatMap(s -> Arrays.asList(s.split("\t")).iterator())
.mapToPair(word -> new Tuple2<>(word, 1))
.reduceByKey((a, b) -> a + b);
counts.saveAsTextFile(outputDir);
}
}

14/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Lancer ensuite une configuration de type Maven, avec les commandes package
install. Un fichier intitulé worcount-1.jar sera créé sous le répertoire target.

Nous allons maintenant copier ce fichier dans docker. Pour cela, naviguer vers le
répertoire du projet avec votre terminal (ou plus simplement utiliser le terminal
dans IntelliJ), et taper la commande suivante:

docker cp target/wordcount-1.jar hadoop-master:/root/wordcount-1.j

Revenir à votre contenaire master, et lancer un job Spark en utilisant ce fichier jar
généré, avec la commande spark-submit , un script utilisé pour lancer des
applications spark sur un cluster.

spark-submit --class tn.insat.tp21.WordCountTask

--master local
--driver-memory 4g --executor-memory 2g --executor-c
wordcount-1.jar
input/purchases.txt
output

Nous allons lancer le job en mode local, pour commencer.

Le fichier en entrée est le fichier purchases.txt (que vous trouverez déjà

chargé sur le contenaire master), et le résultat sera stocké dans un
répertoire output.

Attention
Vérifiez bien que le fichier purchases existe dans le répertoire input de HDFS (et que le
répertoire output n'existe pas)!
Si ce n'est pas le cas, vous pouvez le charger avec les commandes suivantes:

hadoop fs -mkdir -p input

hadoop fs -put purchases input

Si tout se passe bien, vous devriez trouver, dans le répertoire output, deux
fichiers part-00000 et part-00001, qui ressemblent à ce qui suit:

15/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Nous allons maintenant tester le comportement de spark-submit si on l'exécuteen

mode cluster sur YARN. Pour cela, exécuter le code suivant:

spark-submit --class tn.insat.tp21.WordCountTask

--master yarn
--deploy-mode cluster
--driver-memory 4g --executor-memory 2g --executor-c
wordcount-1.jar
input/purchases.txt
output2

En lançant le job sur Yarn, deux modes de déploiement sont possibles:

Mode cluster: où tout le job s'exécute dans le cluster, c'est à dire les
Spark Executors (qui exécutent les vraies tâches) et le Spark Driver (qui
ordonnance les Executors). Ce dernier sera encapsulé dans un YARN
Application Master.

Mode client : où Spark Driver s'exécute sur la machine cliente (tel que
votre propre ordinateur portable). Si votre machine s'éteint, le job
s'arrête. Ce mode est approprié pour les jobs interactifs.

Si tout se passe bien, vous devriez obtenir un répertoire output2 dans HDFS avec
les fichiers usuels.

16/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Erreur
En cas d'erreur ou d'interruption du job sur Yarn, vous pourrez consulter les fichiers logs
pour chercher le message d'erreur (le message affiché sur la console n'est pas assez
explicite). Pour cela, sur votre navigateur, aller à l'adresse:
http://localhost:8041/logs/userlogs et suivez toujours les derniers liens jusqu'à
stderr.

Spark Streaming
Spark est connu pour supporter également le traitement des données en
streaming. Les données peuvent être lues à partir de plusieurs sources tel que
Kafka, Flume, Kinesis ou des sockets TCP, et peuvent être traitées en utilisant des
algorithmes complexes. Ensuite, les données traitées peuvent être stockéessur
des systèmes de fichiers, des bases de données ou des dashboards. Il est
même possible de réaliser des algorithmes de machine learning et de traitement
de graphes sur les flux de données.

En interne, il fonctionne comme suit: Spark Streaming reçoit des données en

streaming et les divise en micro-batches, qui sont ensuite calculés par le moteur
de spark pour générer le flux final de résultats.

Environnement et Code

Nous allons commencer par tester le streaming en local, comme d'habitude.

Pour cela:

17/22
 Atelier 4-4 - Apache Spark - TP
Big Data

1. Commencer par créer un nouveau projet Maven, avec le fichier pom suivant:

<?xml version="1.0" encoding="UTF-8"?>

<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http
<modelVersion>4.0.0</modelVersion>

<groupId>spark.streaming</groupId>
<artifactId>stream</artifactId>
<version>1</version>

<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.2.1</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.11</artifactId>
<version>2.2.1</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
</plugins>
</build>

</project>

2. Créer une classe tn.insat.tp22.Stream avec le code suivant:

import org.apache.spark.SparkConf;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;

18/22
 Atelier 4-4 - Apache Spark - TP
Big Data

import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import scala.Tuple2;

import java.util.Arrays;

public class Stream {

public static void main(String[] args) throws InterruptedExceptio
SparkConf conf = new SparkConf()
.setAppName("NetworkWordCount")
.setMaster("local[*]");
JavaStreamingContext jssc =
new JavaStreamingContext(conf, Durations.seconds(1));

JavaReceiverInputDStream<String> lines =
jssc.socketTextStream("localhost", 9999);

JavaDStream<String> words =
lines.flatMap(x -> Arrays.asList(x.split(" ")).iterator()
JavaPairDStream<String, Integer> pairs =
words.mapToPair(s -> new Tuple2<>(s, 1));
JavaPairDStream<String, Integer> wordCounts =
pairs.reduceByKey((i1, i2) -> i1 + i2);

wordCounts.print();
jssc.start();
jssc.awaitTermination();
}
}

Ce code permet de calculer le nombre de mots dans un stream de données

toutes les secondes.

Test du code en Local

Le stream ici sera diffusé par une petite commande utilitaire qui se trouve dans
la majorité des systèmes Unix-like.

Exécuter votre classe Stream. Vous verrez défiler sur votre console des
lignes en continu: l'application est en écoute sur localhost:9999.

Ouvrir un terminal, et taper la commande suivante pour créer le stream:

nc -lk 9999

19/22
 Atelier 4-4 - Apache Spark - TP
Big Data

Vous pourrez alors taper les entrées de votre choix.

A chaque fois que vous entrez quelque chose sur le terminal, l'application
l'intercepte, et l'affichage sur l'écran de la console change, comme suit:

Ensuite, pour voir le résultat final du comptage, arrêter l'exécution en cliquant sur
le carré rouge, puis observer la console, vous verrez un affichage qui ressemble à
ceci:

20/22
Atelier 4-4 - Apache Spark - TP
Big Data

21/22