Sparkによる分散処理 / 2015-01-16 PyData.Tokyo#3

1. SparkʹΑΔ෼ࢄॲཧ (ͱPythonͰͷ෼ࢄॲཧ) Gunosy Inc. Shunsuke Aihara
2. ࣗݾ঺հ • ҄൧ݪढ़հ (http://argmax.jp) @shunsukeaihara • GunosyͷϚωʔδϟʔ • ޿ࠂ഑৴γεςϜͷ։ൃશମͱR&DܥΛ୲౰ • ઐ໳: ܭࢉݴޠֶ • Pythonͱඇಉظ෼ࢄγεςϜΛ޷Ή • ը૾ॲཧɾԻ੠৴߸ॲཧ౳Ͱ͍Ζ͍ΖϥΠϒϥϦ࡞ͬͯΔ • https://bitbucket.org/aihara
3. Agenda • Spark֓ཁ • ෼ࢄॲཧ(ͱSpark)ͷ࿩ • GunosyͰͷSparkͷϢʔεέʔε • PythonͰͷ෼ࢄॲཧΤίγεςϜ
4. Sparkʹ͍ͭͯ(1) • HadoopͷΤίγεςϜ(HDFS, MESOS, YARN౳)ͱ࿈ܞ͢ΔΦϯϝϞ Ϧ෼ࢄॲཧܥ • Resillient Distributed Datasetsͱ͍͏ো֐଱ੑΛ࣋ͬͨ෼ࢄσʔλߏ଄ ʹର͢Δ෼ࢄϓϩάϥϛϯά؀ڥ • RDDʹద༻͢ΔฒྻܭࢉΛɺߴ֊ؔ਺ͷνΣΠϯͷܗͰScalaɺ PythonͰ࣮ߦ • immutableͳσʔλߏ଄ • RDD಺ͷཁૉ͸ΫϥελͷΦϯϝϞϦʹ෼ࢄɾϨϓϦέʔγϣϯ • ഁଛɾϩετͨ͠σʔλ͸ӬଓԽͨ͠ݩσʔλ͔Β෮ݩ
5. Sparkʹ͍ͭͯ(2) • RDDʹର͢Δ෼ࢄॲཧج൫ͷ্ʹҎԼΛ࣮૷ • σʔλετϦʔϜॲཧ(Spark Streaming) • ෼ࢄSQL(SparkSQL) • ෼ࢄػցֶशϥΠϒϥϦ(Mllib) • ෼ࢄάϥϑॲཧϥΠϒϥϦ(GraphX)
6. ෼ࢄॲཧ(ͱSpark)ͷ࿩
7. େن໛σʔλ෼ࢄॲཧͷ؊ • ΫϥελϚωʔδϝϯτ • σʔλͷ෼ࢄ഑ஔͷࣗಈԽ • σʔλଟॏԽ/ฒྻReadʹΑΔߴ଎Խ • σʔλϩʔΧϦςΟΛอͬͨܭࢉ • ো֐଱ੑ / ࠶ૹɾ࠶ܭࢉॲཧ
8. HadoopʹࢸΔ·Ͱ • ෳࡶͳฒྻॲཧ͸ϝοηʔδύογϯάͰಠࣗʹ࣮૷͢Δͱେม • εέϧτϯฒྻϓϩάϥϛϯά(Cole, 1989) • සग़͢Δฒྻܭࢉύλʔϯͷ૊Έ߹ΘͤͰɺ༷ʑͳฒྻॲཧΛߏ੒తʹߏங ͢Δؔ਺ϓϩάϥϛϯάͷ࿮૊Έͱෳ਺ͷ࣮૷ • σʔλฒྻεέϧτϯ(map, fold/reduce, filter, zip…) • σʔλͷҟͳΔ෦෼ʹɼಉ࣌ʹಉ͡ૢ࡞Λߦ͏ܭࢉύλʔϯ • λεΫฒྻεέϧτϯ(pipe, farm…) • σʔλͷετϦʔϜʹରͯ͠ɼͦΕͧΕܭࢉΛద༻ͨ͠σʔλετϦʔ ϜΛฦ͢ύλʔϯ
9. εέϧτϯฒྻϓϩάϥϛϯά މৼߐ
   ؠ࡚ӳ࠸
   εέϧτϯฒྻϓϩάϥϛϯά
   ৘ใॲཧ
   7PM
   /P
   QQ
   
10. HadoopҎલͷ෼ࢄॲཧ • MPI ΍άϦουγΣϧΛ༻͍࣮ͯ૷ • σʔλͷ഑ஔ͸ࣗ෼ͰϚωʔδ • ڞ༗ϝϞϦ͔ڞ༗FSʹࣗ෼Ͱ഑ஔ͕લఏ • ڊେσʔλͷ഑ஔ͸ͱͯ΋໘౗ • ো֐଱ੑ͸ಠ࣮ࣗ૷Ͱอূ • ϝϞϦʹࡌΓ੾Βͳ͍σʔλΛѻ͏ͷ΋೉͍͠
11. T-shirts message@WOMPAT2001 “Life is too short for MPI.”
12. Hadoop͕ղܾͨ͠΋ͷ • Պֶܭࢉ޲͚Ͱ͸ͳ͘େن໛σʔλʹಛԽ • ڊେσʔλͷ഑ஔͱॲཧͷ࣮ߦΛࣗಈ؅ཧ • HDFSͰͷࣗಈ෼ࢄ഑ஔͱɺ഑ஔ৔ॴͰMAPॲཧ
13. HadoopҎ߱ͷ৽ͨͳχʔζ • Hadoop / Hive͸εϧʔϓοτॏࢹͷόονܥ • σʔλαΠΤϯςΟετͷχʔζ͸ΠϯλϥΫςΟϒͳ෼ ੳɾϦΞϧλΠϜॲཧ΁ • ॲཧֻ͚ͯ਺࣌ؒ଴ͪ͸ݫ͍͠ • Hadoop, Hive͸ߴ৴པੑͷ֬อͱҾ͖׵͑ʹதؒσʔλ ͷDisk I/O͕ϘτϧωοΫʹ • αʔό౰ͨΓͷϝϞϦ༰ྔ΋૿େ
14. HadoopޙͷϓϩμΫτ • HiveͷΦϯϝϞϦߴ଎Խ • ϦΞϧλΠϜͷετϦʔ Ϝσʔλॲཧ • ෳ਺ͷσʔλιʔε / DB ʹ·͕ͨͬͯͷߴ଎ूܭ • λεΫ࣮ߦΛ࠷దԽ͠௿ϨΠςϯγΛ࣮ݱ
15. Spark • ൚༻ͷ෼ࢄϓϩάϥϛϯά؀ڥ • RDDΛجૅʹ͓͍ͨεέϧτϯฒྻϓϩάϥϛϯά؀ڥ • ΦϯϝϞϦͷRDDΛ༻͍Δ͜ͱͰɺ௿ϨΠςϯγʔͷ෼ ࢄܭࢉΛ࣮ݱ • ϝϞϦʹ৐Βͳ͍΋ͷ͸Diskʹอଘ • RDDʹର͢Δૢ࡞Λ૊Έ߹ΘͤΔ͜ͱͰɺػցֶश΍ε τϦʔϜσʔλॲཧΛ࣮ݱ
16. RDDʹର͢Δجຊԋࢉ • ScalaͷSeqॲཧͷߴ֊ؔ਺+α͕෼ࢄ࣮ߦ • map, flatMap, filter, sort, union, zip • reduce, fold, reduceByKey, groupBy, groupByKey, count cogroup, cross • join, leftOuterJoin, rightOuterJoin • sample, take, first, partitionBy, mapWith, pipe, save • etc….
17. RDDͷσʔλϩʔΧϦςΟ • λεΫͷ࣮ߦ৔ॴɾॱং͸σʔλɾιʔεͷ ഑ஔ৔ॴΛݩʹ࠷దͳDAGදݱͰ؅ཧ )%'4 3%% 3%% NBQ NBQ NBQ NBQ 3%% 3FEVDF
18. RDDͷো֐଱ੑ • RDDͷ֤ཁૉ͸ࣗ෼͕ͲͷΑ͏ͳܦ࿏Ͱੜ੒ ͞Ε͔ͨه࿥ )%'4 NBQ NBQ ☓ഁଛ )%'4 NBQ NBQ NBQ ࠶౓ඞཁʹͳͬͨ࣌ɺσʔλɾιʔε͔Β࠶ੜ੒
19. Sparkʹ͍ͭͯ(2) • RDDʹର͢Δ෼ࢄॲཧج൫ͷ্ʹҎԼΛ࣮૷ • σʔλετϦʔϜॲཧ(Spark Streaming) • ෼ࢄSQL(SparkSQL) • ෼ࢄػցֶशϥΠϒϥϦ(Mllib) • ෼ࢄάϥϑॲཧϥΠϒϥϦ(GraphX)
20. PySpark + IPython Notebook • PySpark͸IPython্Ͱ࣮ߦՄೳ • AWSͳΒɺίϚϯυϥΠϯ1ൃͰΫϥελߏஙՄೳ • Spark on EMR(YARNରԠ)Λಈ͔͢ • http://qiita.com/shunsukeaihara/items/1524b66579e91d1cf7cf
21. • ఆظόονܥ͸fluentd -> RedshiftͰॲཧ • ΞυϗοΫͳϩά෼ੳ͸Fluentd -> S3 -> Spark • S3্ͷେྔͷϑΝΠϧΛखܰʹॲཧՄೳ GunosyͷSparkϢʔεέʔε "1*αʔό 4QBSL
    PO
    "84
    &.3 3FETIJGU
    $MVTUFS
22. GunosyͷSparkϢʔεέʔε(1) • CloudTrailsͷϩά͔Β࢖ΘΕ͍ͯΔCredentialΛ୳ͯ͠ ௵͢ͱ͔… • େྔͷJSONϑΝΠϧΛಡΈࠐΜͰHiveQLΛ࣮ߦ EBUB
    
    TDUFYU'JMF TCVDLFU@OBNFQBUI  H[
    IJWF
    
    QZTQBSLTRM)JWF$POUFYU TD
    IU
    
    IJWFKTPO3%% EBUB
    IUSFHJTUFS5FNQ5BCMF USBJMMT
    IUDBDIF5BCMF USBJMMT
    IJWFTRM 4&-&$5
    %*45*/$5
    SFDPSEVTFS*EFOUJUZBDDFTT,FZ*E
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    '30.
    USBJMMT
    -"5&3"-
    7*&8
    FYQMPEF 3FDPSET
    T
    BT
    SFDPSE
23. GunosyͷSparkϢʔεέʔε(2) • Ϣʔβͷهࣄϩά͔Βͷੑผ෼ྨ • Ϣʔβຖʹclickͨ͠هࣄͷidΛListΛcsvͰS3ʹอଘ • TF-IDFͰॏΈ͚ͭ TD
    
    4QBSL$POUFYU
    NBMF
    
    TDUFYU'JMF lTCVDLFUQBUINBMF@ H[l
    GFNBMF
    
    TDUFYU'JMF lTCVDLFUQBUINBMF@ H[l
    UG
    
    )BTIJOH5' OVN'FBUVSFT
    
    
    NBMF
    
    NBMFNBQ MBNCEB
    Y
    UGUSBOTGPSN YTQMJU l z
    GFNBMF
    
    NBMFNBQ MBNCEB
    Y
    UGUSBOTGPSN YTQMJU l z
    JEG
    
    *%'
    JEG@NPEFM
    
    JEGpU NBMFVOJPO GFNBMF
    NBMF
    
    JEG@NPEFMUSBOTGPSN NBMF
    GFNBMF
    
    JEG@NPEFMUSBOTGPSN GFNBMF
24. GunosyͷSparkϢʔεέʔε(2) • Ϣʔβͷهࣄϩά͔Βͷੑผ෼ྨ • LabeledPointʹม׵͠ϩδεςΟοΫճؼͰֶश/෼ ྨ NBMF
    
    NBMFNBQ MBNCEB
    Y
    -BCFMFE1PJOU  Y
    GFNBMF
    
    GFNBMFNBQ MBNCEB
    Y
    -BCFMFE1PJOU  Y
    USBJOJOH
    
    NBMFVOJPO GFNBMF
    USBJOJOHDBDIF
    NPEFM
    
    -PHJTUJD3FHSFTTJPO8JUI4(%USBJO USBJOJOH
    
25. GunosyͷSparkϢʔεέʔε(2) • Ϣʔβͷهࣄϩά͔Βͷੑผ෼ྨ • ઌ಄͕ϢʔβID, ͦΕҎ͕߱هࣄIDͷϦετ͔Βਪఆ EFG
    QBSTF Y 
    
    
    
    
    EBUB
    
    <JOU J
    GPS
    J
    JO
    YTQMJU l z >
    
    
    
    
    SFUVSO
    -BCFMFE1PJOU EBUB<> EBUB<>
    VOLOPXO
    TDUFYU'JMF lTCVDLFUQBUIVOLOPXO@ H[l
    VOLOPXO
    
    VOLOPXONBQ MBNCEB
    Y
    UGUSBOTGPSN YTQMJU l z
    VOLOPXO
    
    VOLOPXONBQ MBNCEB
    Y
    Y<> JEG@NPEFMUPSBOTGPSN UGUSBOTGPSNY<>
    VOLOPXONBQ MBNCEB
    Y
    Y<>
    NPEFMQSFEJDU Y<> DPMMFDU
    
26. Pyspark͸͓ख͚ܰͩͲ… • Pythonͷؔ਺ΛPickleͯ͠෼ࢄ࣮ߦ͢ΔͷͰ͍Ζ͍Ζ஗͍ • JavaͷϥΠϒϥϦ(kuromoji౳)Λར༻͍ͨ͠৔߹͸Scala ͷϥούʔ + py4jͷϥούʔ͕ඞཁ • Scala͔ΒͳΒͦͷ··࢖͑Δ • ؤுͬͯΈ͚ͨͲ࠳ંɻpy4j͸ͱʹ͔ͭ͘Β͍ • Spark༻్ఔ౓ͳΒScalaͷֶशίετ΋௿͍ • ͱ͸͍͑sbt΋໘౗͚ͩͲ…
27. Pythonͷ෼ࢄॲཧ؀ڥ
28. Pythonͷ෼ࢄॲཧϥΠϒϥϦ • Ϋϥελܭࢉ༻ • PyRC, dispy, Pyro4(GensimͷLSI, LDAͷ෼ࢄԽόοΫΤϯυʹར༻) • ෼ࢄλεΫΩϡʔ • Celery : σίϨʔλΛ͚ͭΔ͚ͩͰؔ਺୯ҐͰඇಉظ෼ࢄԽ • IPython Cluster: ؆୯ͳλεΫ෼ࢄ༻ • Spartan: Numpy arrayͷZeroMQʹΑΔ෼ࢄԽ(SparkͷRDDΠϯεύΠΞ) • Disco: Python੡MapReduceϑϨʔϜϫʔΫ
29. GunosyͷPython෼ࢄॲཧ؀ڥ • ػցֶशͷαʔϏε࿈ܞ͸λεΫฒྻ(ฒྻετϦʔϜॲཧ)͕ॏ ཁͰφΠʔϒͳ෼ࢄॲཧͰ͍͍ͨͯ໰୊ͳ͍(ex. Jubatus) • aws্ͩͱجຊσʔλ͸શͯS3ʹूੵ • λεΫ؅ཧͱϦτϥΠ͸Celery(AMQP)ʹ೚ͤΔ • ϫʔΧʔͷσϓϩΠ͸Chef + OpsworksͰ׬શࣗಈԽ • ΦϯϥΠϯֶशͷ෼ࢄԽ͸parameter iterative mixing • EMΞϧΰϦζϜͷ෼ࢄԽ͸σʔλΛਫฏ෼ࢄͯ͠ಠཱʹܭࢉͨ͠ ύϥϝʔλͷฏۉΛऔΔ
30. • هࣄऩू΍ϢʔβຖͷਪનΛϫʔΧʔʹόϥϚΩ GunosyͷPython෼ࢄॲཧ؀ڥ هࣄΫϩʔϥʔ
    DFMFSZ
    XPSLFS ਪનΤϯδϯ
    DFMFSZ
    XPSLFS هࣄΫϦοΫϩά ίϯτϩʔϥ
    EKBOHP
    DFMFSZ
31. ·ͱΊ • Sparkͷ؊͸RDDͱ͍͏σʔλߏ଄ͱεέϧτϯฒྻϕʔ εͷ൚༻తͳฒྻϓϩάϥϛϯά؀ڥ • Python͔Βͷखܰʹ෼ࢄॲཧͱ෼ࢄػցֶश͕࢖͑ͯศར • Ͱ΋Python͔Βෳࡶͳ͜ͱΛ͠Α͏ͱ͢Δͱຊ౰ʹΩπΠ ͷͰScalaͰॻ͖·͠ΐ͏ • Ͳ͏ͯ͠΋Python͕ྑ͍ͳΒଞͷPythonͷ෼ࢄॲཧΤ ίγεςϜΛݕ౼͠·͠ΐ͏