読者です 読者をやめる 読者になる 読者になる

サナギわさわさ.json

サナギさんとキルミーベイベーとプログラミングが好きです

CentOS6.6にApache Zeppelinを入れてチュートリアルをやる

プログラミング Spark

明けましておめでとうございます。山田哲人が野球盤でチェンジアップを上手く拾ってヒットにしていたので今年も良い一年になりそうです。

今回はApache Zeppelinを試してみようと思います。
http://zeppelin-project.org/

Apache Zeppelinについて

  • Apache Sparkのインタラクティブ環境でiPython Notebook的なアレ
  • 組み込みで最初からSparkが入っているのが嬉しい
  • 外部のSparkとも接続できるし、Amazon EMRに乗せる事もできる

依存関係のインストール

基本的には公式の設定そのままですが、Mavenでビルドを行う際にJavaSSL接続でクラッシュしたのでNSSを最新に更新してあります。

参考:Troubleshooting story - Java HTTP client crashes on connections | BackSlasher

yum install fontconfig-devel.x86_64
yum install java-1.7.0-openjdk-devel
yum install npm
yum install wget
yum install nss

#mavenのインストール
cd /opt
wget http://www.eu.apache.org/dist/maven/maven-3/3.3.3/binaries/apache-maven-3.3.3-bin.tar.gz
sudo tar -zxf apache-maven-3.3.3-bin.tar.gz -C /usr/local/
sudo ln -s /usr/local/apache-maven-3.3.3/bin/mvn /usr/local/bin/mvn

インストールできたか確認

java -version
node --version
mvn -version 

ビルド

ここではSpark1.5系、Hadoop2.4系の基本構成でビルドを行います。CDHやMapReduceを使いたい場合などはhttps://github.com/apache/incubator-zeppelinを参考にしてください。

git clone https://github.com/apache/incubator-zeppelin
cd incubator-zeppelin/
mvn clean package -Pspark-1.5 -Phadoop-2.4 -Pyarn -Ppyspark #結構時間かかる

起動

./bin/zeppelin-daemon.sh start

localhost:8080にアクセスしてトップページが見れる事を確認

f:id:kakakazuma:20160106225039p:plain

チュートリアル

公式のTutorialをやってみます。

Tutorial

ここからはほぼ

Zeppelin Notebook Tutorial Walkthrough - Make Data Useful

と同じ内容です。ただ後述しますが1つだけ注意点があります。

データの準備

import sys.process._
"wget http://archive.ics.uci.edu/ml/machine-learning-databases/00222/bank.zip" !
"mkdir data" !
"unzip bank.zip -d data" !
"rm bank.zip" !

実行してエラーが出ない事を確認 f:id:kakakazuma:20160106225859p:plain

データ読み込み

import sys.process._

val zeppelinHome = ("pwd" !!).replace("\n","")
val bankText = sc.textFile(s"$zeppelinHome/data/bank-full.csv")
case class Bank(age:Integer, job:String, marital : String, education : String, balance : Integer)

val bank = bankText.map(s=>s.split(";")).filter(s=>s(0)!="\"age\"").map(
    s=>Bank(s(0).toInt, 
            s(1).replaceAll("\"", ""),
            s(2).replaceAll("\"", ""),
            s(3).replaceAll("\"", ""),
            s(5).replaceAll("\"", "").toInt
        )
).toDF()
bank.registerTempTable("bank")

注意!!

http://www.makedatauseful.com/zeppelin-notebook-tutorial-walkthrough/
の通りに

val sqlCon = new org.apache.spark.sql.SQLContext(sc) 

を含んだコードを実行すると、登録したテーブルが別のパラグラフから読み込めなくなるバグが発生するようです。バグが発生した場合は対象行を削除して

./bin/zeppelin-daemon.sh restart

で再起動してからコードを再実行してください。

参考:apache spark - Zeppelin and SqlContext - Stack Overflow

f:id:kakakazuma:20160106225907p:plain

データの可視化

%sql 
select age, count(1) value 
from bank 
where age < 30 
group by age 
order by age

棒グラフや円グラフなど様々な可視化ができます。 f:id:kakakazuma:20160106225541p:plain

終わり

以上です。簡単に終わると思ったらJavaSSL接続クラッシュとかSQLContextとかで結構はまりました。インタラクティブ環境があるとモチベーションが上がるので、これでSparkの勉強が進む事を願っています。