RDBMS triff Map/Reduce

Rela%onal tri, Map/Reduce -‐ Hadoop mit RDBMS verbinden
von Marcus Ross Trainer / Developer / Freelancer @zahlenhelfer

<<< „Hi, I´m Marcus!“ about.me/marcus.ross

Fragen für diese Session •  Ist es wirklich BIG
Data? – Ja, z.B. ein googol* Datensätze pro Tag •  Muss es Hadoop sein? – Ja, da die Antwortzeit skalieren muss •  Handelt es sich um Echtzeitdaten? – Nein, es werden Deltas zum Vortag impor%ert •  Ist die Datenquelle ein RDBMS? – Ja, ein SQL Server wird angebunden *hUp://en.wikipedia.org/wiki/Googol

Aber geht doch auch so! •  160 CPU cores
/ 4 TB of memory for database processing •  168 CPU cores dedicated to SQL processing in storage •  2 database servers •  14 Oracle Exadata Storage Servers •  22.4 TB of Exadata Flash Cache •  40 Gb/second InﬁniBand Switches

Kiepert Hadoop Cluster (32N) hUp://cdn-‐sta%c.zdnet.com/i/r/story/70/00/015831/raspberrypisupercomputer-‐ v1-‐600x454.png?hash=LJD3LzEuAz&upscale=1

1 googol 10,000,000,000,000,000,000, 000,000,000,000,000,000,000 ,000,000,000,000,000,000,00 0,000,000,000,000,000,000,0 00,000,000,000,000,000,000

Was ist ein googol? •  Ein googol ist eine
große Zahl 1 mit 100 Nullen •  Erfunden 1938 vom 9 jährigen Milton SiroUa – Neﬀe des Mathema%kers Edward Kasner – Kasner benö%gte einen Ausdruck für eine sehr große Zahl. – Der Ausdruck wurde 1940 im Buch Mathema'cs and the Imagina'on verwendet

Was ist ein googol? •  Bei den Simpsons gibt
es ein Googolplex-‐Kino

Agenda •  RDBMS tri, Hadoop -‐ Grundsätzliches • 
Auswahl an Möglichkeiten für die Aufgabe – Microsot SSIS-‐Pakete – Apache Hive Tables – Apache HBase – Apache Flume – Apache Sqoop •  Hands-‐On Demo mit Sqoop/MySQL/Hive

Die Realität hUp://integralnet.co.uk/wordpress/wp-‐content/uploads/2012/01/Dont-‐ignore-‐the-‐Data-‐Elephant-‐in-‐the-‐room.png

RDBMS meets M/R hUp://www.datanami.com/2013/12/12/rdbms_the_hot_new_technology_of_2014_/ Tabellen Dateien
(HDFS) Tabellendaten in das HDFS überführen

Auswahl an Möglichkeiten für die Aufgabe • 
Microsot SSIS-‐Pakete •  Apache Hive Tables •  Apache HBase •  Apache Flume •  Apache Sqoop(2) hUp://blogs.informa%ca.com/perspec%ves/2014/07/11/big-‐data-‐to-‐the-‐business-‐four-‐steps/#wid=PqWsf39GuXj

SSIS Exporte nutzen •  SQL Server Integra%on Services •  ETL-‐Tool vom Microsot SQL Server •  Kostenfreies Plugin (SSISHDFS) erhältlich – hUps://github.com/kzhen/SSISHDFS •  Vorteil: graﬁscher Designer •  Nachteil: Lizenz, da kommerzielles Tool

SSIS Exporte nutzen hUps://kzhendev.wordpress.com/2013/10/20/sql-‐server-‐integra%on-‐services-‐an-‐updated-‐hdfs-‐task/

Microsot SSIS-‐Pakete •  Apache Hive Tables •  Apache HBase •  Apache Flume •  Apache Sqoop

Apache Hive
•  Hive ist SELECT * FROM Hadoop •  Entwickelt von Facebook, jetzt Apache •  Ein SQL-‐basierte Abfragesprache (HiveQL) •  Erweiterung durch map/reduce Code in Java möglich •  Hat mit HCatalog und WebHCat einen Datenstore in Tabellenform •  Daher auch als „Datawarehouse von Hadoop“ bekannt.

Hive-‐Lösung •  Export der Daten im CSV-‐Format vom RDBMS
•  Import der Daten in eine Hive-‐Tabelle •  Abfragen/Aggrega%on der Daten durch Hive •  Export in ein CSV Format •  Import der CSV in das RDBMS •  Vorteil: einfacher Vorgang •  Nachteil: dateibasierter Austausch der Daten

Hive (HCat) Datentypen* •  Integers (1-‐8 bytes) • 
Boolean •  Float/Double •  String – CHAR, VARCHAR, SET, ENUM, TEXT, and BLOB •  Timestamp – EPOCH oder YYYY-‐MM-‐DD hh:mm:ss.fffffffff •  Binary -‐ für BLOBs die kein TEXT sind *hUps://cwiki.apache.org/confluence/display/Hive/LanguageManual+Types

Hive Lösung in der Praxis •  Export einer CVS
Datei mit den Daten –  mysql> select * into outfile 'chicago.csv' fields terminated by ',' lines terminated by '\n' from chicago; •  Erstellen der Tabelle in Hive –  hive> create table chicago_bus (timelog timestamp, region int, buscount int, logreads int, speed float) row format delimited fields terminated by ',' lines terminated by "\n";

Hive Lösung in der Praxis •  Import der CSV
in Hive hive> load data inpath 'chicago.csv' into table chicago_bus; •  Abfrage in Hive hive> select * from chicago_bus limit 10; OK 2013-‐03-‐26 09:50:00 1 31 461 22.5 2013-‐03-‐26 09:50:00 2 40 600 26.59 2013-‐03-‐26 09:50:00 3 76 1023 21.82 2013-‐03-‐26 09:50:00 4 46 594 23.18 2013-‐03-‐26 09:50:00 5 56 1016 22.33 2013-‐03-‐26 09:50:00 6 58 859 21.14 2013-‐03-‐26 09:50:00 7 59 873 19.23 2013-‐03-‐26 09:50:00 8 89 1356 21.14 2013-‐03-‐26 09:50:00 9 28 404 21.82 2013-‐03-‐26 09:50:00 10 114 1544 20.45 Time taken: 0.205 seconds

Hive Lösung in der Praxis •  Export in eine
Datei hive> INSERT OVERWRITE LOCAL DIRECTORY 'chicagoout' SELECT to_date(timelog), region, avg(speed) from chicago_bus group by to_date(timelog), region; •  CSV-‐Struktur per Tabelle forcieren hive> CREATE TABLE chicago_region_speed ( logdate timestamp, region int, speed float ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

•  Key / Value Store •  Verteilte und versionierte
Datenbank •  oﬀene Implemen%erung von Google Bigtable •  nutzbar für Billionen von Zeilen mit Millionen von Spalten •  Betrieb im Cluster auf commodity Hardware •  Abstrak%on des HDFS auf Bigtable

HBase Lösung •  Export der Daten im CSV-‐Format vom
RDBMS •  HBase-‐TableGroup anlegen •  HDFS Import des CSV •  Import der Daten in HBase-‐Datensätze •  Abfrage z.B. mit HBase Shell oder Hive •  Vorteil: Bigtable Implemen%erung •  Nachteil: dateibasierter Austausch, kompl. Handling

SQL -‐> HBase Konver%erung hUp://www.ibm.com/developerworks/library/bd-‐sqltohadoop2/

HBase Lösung in der Praxis •  Export in MySQL:
mysql> select uuid(), timelogged, region, buscount, logreads, speed into outfile 'chicago.tsv' fields terminated by '\t' lines terminated by '\n' from chicago;

HBase Lösung in der Praxis •  Table Group erstellen
$ hbase shell hbase(main):001:0> create 'chicago', 'logtime', 'region', 'buscount', 'readnumber', 'speed'

HBase Lösung in der Praxis •  CSV-‐Datei in HDFS
Impor%eren $ hdfs dfs -‐copyFromLocal chicago.tsv. •  Import(tool) für HBase starten $ hadoop jar /usr/lib/hbase/hbase.jar importtsv \ -‐D importtsv.columns=HBASE_ROW_KEY, logtime, region, buscount, readnumber, speed chicago chicago.tsv

HBase Lösung in der Praxis •  Testen der Daten
mit SCAN hbase(main):003:0> scan 'chicago', { 'LIMIT' > 1} ROW COLUMN+CELL e49e1c1c-‐0d93-‐11e3-‐a5e5-‐81b71544159b column=buscount:, timestamp=1376949811719, value=40 e49e1c1c-‐0d93-‐11e3-‐a5e5-‐81b71544159b column=logtime:, timestamp=1376949811719, value=2013-‐03-‐26 09:50:00 e49e1c1c-‐0d93-‐11e3-‐a5e5-‐81b71544159b column=readnumber:, timestamp=1376949811719, value=600 e49e1c1c-‐0d93-‐11e3-‐a5e5-‐81b71544159b column=region:, timestamp=1376949811719, value=2 e49e1c1c-‐0d93-‐11e3-‐a5e5-‐81b71544159b column=speed:, timestamp=1376949811719, value=26.59 1 row(s) in 0.1830 seconds

Apache •  ist ein verteilter, hochverfügbarer Dienst
um Daten zu –  sammeln –  aggregieren –  bewegen •  besteht daher aus drei Teilen –  Agent (liest Daten aus einer Anwendung/Logﬁle) –  Processor (direkte Verarbeitung) –  Collector (schreibt die Daten auf ein Storage) •  Ist damit eine Frameworkalterna%ve für den Import von Dateien hUp://www.mendorailhistory.org/1_logging/ﬂumes.htm Brennan Creek 1918

Flume skaliert

Flume Lösung •  Export der Daten im CSV-‐Format vom
RDBMS •  Import der CSV Datei per Flume •  Vorteil: Framework, beliebig skalierbar •  Nachteil: ursprünglich für Logdateien gedacht

Flume Lösung in der Praxis •  CSV-‐Datei in HDFS
Impor%eren $ bin/flume-‐ng agent -‐n $agent_name -‐c conf -‐f conf/flume-‐conf.properties.template

Flume Lösung in der Praxis •  conﬁg-‐Datei tier1.sources
= source1 tier1.channels = channel1 tier1.sinks = sink1 tier1.sources.source1.type = netcat tier1.sources.source1.bind = 127.0.0.1 tier1.sources.source1.port = 9999 tier1.sources.source1.interceptors = i1 tier1.sources.source1.interceptors.i1.type = timestamp tier1.sources.source1.interceptors.i1.preserveExisting = true tier1.sources.source1.channels = channel1 tier1.channels.channel1.type = memory tier1.sinks.sink1.type = hdfs tier1.sinks.sink1.hdfs.writeFormat = Text tier1.sinks.sink1.hdfs.fileType = DataStream tier1.sinks.sink1.hdfs.path = /user/flume/logs/year=%Y/month=%m/day=%d/hour=%H tier1.sinks.sink1.hdfs.rollInterval = 3600 tier1.sinks.sink1.hdfs.rollCount = 10000 tier1.sinks.sink1.hdfs.batchSize = 10000 tier1.sinks.sink1.serializer = com.freitas.flume.serializer.CSVSerializer$Builder tier1.sinks.sink1.serializer.format = CSV tier1.sinks.sink1.serializer.regex = .* proto=(\\d+) .* src=(.*) dst=(.*) src_port=(\\d+) dst_port=(\\d+).* tier1.sinks.sink1.serializer.regexorder = 5 1 2 3 4 tier1.sinks.sink1.channel = channel1 tier1.channels.channel1.capacity = 100

Flumeconﬁg im Detail •  Source kann ein Port oder
eine Datei sein tier1.sources.source1.type = netcat tier1.sources.source1.bind = 127.0.0.1 tier1.sources.source1.port = 9999 •  Channel kann Speicher oder Datei sein tier1.channels.channel1.type = memory •  Sink ist die Verarbeitung und das Ziel tier1.sinks.sink1.hdfs.path = /user/flume/year=%Y/month=%m/day=%d tier1.sinks.sink1.serializer = de.data2day.flume.serializer.CSVSerializer$Builder

(2) •  SQL to Hadoop •  ein Prozess für Import/Export •  keine Analyse von Daten •  kein Filtern von Daten •  direkter Zugriff per JDBC •  wird häufig in Oozie Workflows genutzt hUp://integralnet.co.uk/tag/apache-‐hadoop/

Sqoop (1) hUps://blogs.apache.org/sqoop/entry/apache_sqoop_highlights_of_sqoop

Sqoop 2 hUps://blogs.apache.org/sqoop/entry/apache_sqoop_highlights_of_sqoop

Sqoop Lösung •  Import der Daten per JDBC vom
RDBMS sqoop import -‐-‐connect <JDBC connection string> -‐-‐table <tablename> -‐-‐username <username> -‐-‐password <password> •  Vorteil: inkrementelle Updates, verteilte Serverstruktur (Version 2) •  Nachteil: nur ein Prozess (Version 1)

Sqoop Lösung in der Praxis •  Daten impor%eren
$ sqoop import -‐–connect jdbc:oracle:thin:@localhost:1521/orcl -‐-‐username scott -‐-‐password tiger -‐-‐table ACTIVITY

Sqoop Lösung in der Praxis •  Daten im HDFS
suchen $ hadoop fs -‐ls /user/oracle/ACTIVITYFound 6 items -‐rw-‐r-‐-‐r-‐-‐ 1 oracle dgroup 0 2014-‐03-‐21 18:22 /user/oracle/ACTIVITY/_SUCCESS drwxr-‐xr-‐x -‐ oracle dgroup 0 2014-‐03-‐21 18:21 /user/oracle/ACTIVITY/_logs -‐rw-‐r-‐-‐r-‐-‐ 1 oracle dgroup 27 2014-‐03-‐21 18:22 /user/oracle/ACTIVITY/part-‐m-‐00000 -‐rw-‐r-‐-‐r-‐-‐ 1 oracle dgroup 17 2014-‐03-‐21 18:22 /user/oracle/ACTIVITY/part-‐m-‐00001 -‐rw-‐r-‐-‐r-‐-‐ 1 oracle dgroup 24 2014-‐03-‐21 18:22 /user/oracle/ACTIVITY/part-‐m-‐00002 -‐rw-‐r-‐-‐r-‐-‐ 1 oracle dgroup 35 2014-‐03-‐21 18:22 /user/oracle/ACTIVITY/part-‐m-‐00003

Sqoop Lösung in der Praxis •  Inkrementell Daten laden
$ sqoop import -‐-‐connect jdbc:oracle... -‐-‐username scott -‐-‐password tiger -‐-‐table ACTIVITY -‐-‐incremental append -‐-‐check-‐column ACTIVITY_ID

Shootout Flume •  viele Adapter • 
kann Daten veredeln •  Agent skaliert Sqoop •  für RDBMS gemacht •  JDBC-‐ Verbindung •  Delta-‐ Updates hUp://hiveofac%vi%es.wordpress.com/2013/11/06/shoot-‐out/

sqoop-‐Demo

DANKE! Marcus Ross – Zahlenhelfer Consul%ng -‐ @zahlenhelfer
alle Folien auch auf www.speakerdeck.com/u/zahlenhelfer

RDBMS triff Map/Reduce

RDBMS triff Map/Reduce

More Decks by Marcus Ross

Other Decks in Technology

Featured

Transcript