Hace algunas semanas atrás que empezamos a trabajar con apache spark en el máster, brevemente les contare mis impresiones desde mi punto de vista como principiante.
Apache spark me gusto, ¿por qué? porque se puede programar en Scala (además de Python y Java), la API de Scala lo simplifica mucho y la cantidad de código a teclear es (considerablemente) menor a la necesaria para hacer la misma tarea en Java, aunque aquí debo hacer un paréntesis, ya que con la entrada de Java 8 y las lambda expresión la cantidad de código será menor pero insisto la API de Scala a mi modo de ver lo hace mas sencillo.
Nos permite hacer operaciones con mucha data (quizás no Big Data, es decir no hablamos de TeraBytes) sin necesidad de usar Hadoop, me gustaría hacer hincapié en esto ya que muchos piensan que Big Data es Hadoop y NO, no es así, mi concepto de Big Data es un poco mas amplio y contempla mas cosas, aquí me refiero específicamente a la API MapReduce de Hadoop la cual es mas complicada de usar que la de Spark, no obstante si necesitamos trabajar con una cantidad de datos considerable que requiera del uso de HDFS, podemos desde Spark acceder a este sistema de archivo u algún otro como por ejemplo Amazon S3.
Por último decirles que Spark es mas rapido, esto se debe a su arquitectura, ya que este trabaja en memoria (todo en memoria si tiene la capacidad de cargar todos los datos por completo) y pues si llegamos a hacer varias tareas (lo que técnicamente sería reutilizar los RDD ya guardados en memoria) con los datos en memoria es cuando mas jugo se le sacará a Spark.
Sinceramente si alguien discrepa de mi o coincide me entusiasmaría mucho que comparta su opinión ya que todo este mundo que envuelve el Big Data me tiene super enganchado.
Ahora bien vamos con los ejemplos, estas formaban parte de la primera tarea de Spark que tuvimos que realizar, y consiste en 2 ejemplos:
- Dado un fichero de texto en formato csv con información de medallistas olímpicos, obtener el numero de medallas por edad.
- Dado el mismo fichero de texto anterior, y un esquema de puntuación por tipo de medalla obtener un ranking de medallistas olímpicos.
He aqui el código:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 |
package org.dummy import org.apache.spark.SparkContext import org.apache.spark.SparkContext._ object ScalaApp extends App { val logFile = "OlympicAthletes.csv" val sc = new SparkContext("local", "Simple", "$SPARK_HOME" , List("target/spark-ejercicio-1.0.jar")) //Todo el fichero csv es cargado en este RDD val file = sc.textFile(logFile) //linea a linea se aplica un split o separacion utilizando la "," //eso nos arrojara un arreglo de palabras (o numeros) //y construimos una instancia del tipo OlympicMedalRecords val olympicMedalRecordsRDD = file.map(x => { val arr = x.split(",") new OlympicMedalRecords(arr(0), Integer.parseInt(arr(1)), arr(2) , Integer.parseInt(arr(3)), arr(5), Integer.parseInt(arr(6)), Integer.parseInt(arr(7)), Integer.parseInt(arr(8))) } ) //Mis ejercicios //Ejercicio 1 //mapeo del tipo (edad, num de medallas), val medal es un RDD val medal = olympicMedalRecordsRDD.map(record => (record.getAge, record.getGoldMedals + record.getSilverMedals + record.getBronzeMedals)) //creamos un nuevo RDD el cual manejara la suma de todas las madellas por edad val sum = medal.reduceByKey((acc: Int,value: Int)=>acc+value) println("Lista de Medallas ordenado por Edad") //ordenamos, juntamos y luego recorremos para mostrar todos los valores sum.sortBy(_._1).collect.foreach(println) //Ejercicio 2 hacer un ranking por atleta // ya que oro = 3 ptos, plata = 2ptos, bronce = 1pto //sportGuy es otro RDD y aqui hacemos un mapeo del tipo (nombre_atleta, puntos_por_medalla) val sportGuy = olympicMedalRecordsRDD.map(record => (record.getName, 3*record.getGoldMedals + 2*record.getSilverMedals + record.getBronzeMedals)) //ranking es a su vez otro RDD y de igual manera como se hizo en el ejemplo anterior se agrupa por nombre de atleta // y también utilizamos una variable acumuladora acc donde vamos sumando los ptos de un determinado atleta val ranking = sportGuy.reduceByKey((acc,value)=>acc+value) println("Ranking de deportistas") // ordenamos en sentido inverso y mostramos los atletas con mas ptos ranking.sortBy(_._2, false).collect.foreach(println) } |
Una última cosa que es bueno saber para aquellos que como yo están empezando con Spark y sus RDD, Los RDD tienen 2 tipos de operaciones: transformaciones y acciones, las primeras son operaciones que como resultado nos devuelven otro RDD y las acciones son aquellas que hacen “algo” sobre los datos como por ejemplo el foreach de mi código, utilizado para mostrar por pantalla los valores finales, además los RDD (como hasta ahora lo entiendo) son las instrucciones a realizar sobre los datos, mas no almacenan la información, además estás instrucciones no se realizan de inmediato, sino que al contrario estos tienen un funcionamiento lazy, esto significa que se ejecutan cada vez que se realiza una operación de tipo acción.
Otra sugerencia, no duden en cacharrear con la consola de spark, de hecho el primer ejercicio lo llegue a hacer por la consola (sin los JavaBeans) y el practicar por aquí si que ayuda a conocer los operaciones a utilizar sobre los RDD.
Aquellos interesados en descargar el código, les dejo la dirección del ejercicio en mi repositorio github
El esqueleto del ejercicio esta en el repositorio del que fue nuestro profesor y pueden acceder a el haciendo clic aquí.
Cualquier material, idea o contenido que quieres compartir, no dudes en hacerlo, ya que bien recibido será. Ahora si para cerrar les dejo el enlace a un libro que hasta ahora me esta pareciendo muy bueno para aprender Spark (además con ejemplos elaborados en Java, Scala y Python).
