Upload
bigdata-sios
View
2.127
Download
1
Embed Size (px)
Citation preview
© SIOS Technology, Inc. All rights Reserved.
1. BigData解析基盤としてのTreasure Data
2. HiveQLの周辺技術とTips
サイオステクノロジー株式会社
クラウドソリューション部
2013年6月11日
髙橋 達
サイオステクノロジー株式会社
© SIOS Technology, Inc. All rights Reserved.
目的と目次
目 次
1. BigData解析基盤としてのTreasure Data
1. BigData解析基盤とは?
2. HiveQLの周辺技術とTips
1.~4. HiveQLの周辺技術
5.~11. HiveQLのTips
3. 発表のまとめ
2
Treasure DataとHiveQLに関する知識共有により, レポーティング作業の効率アップ
目 的
© SIOS Technology, Inc. All rights Reserved.
1.1. BigData解析基盤とは?
3
BigData COLLECT STORE QUERY &
VISUALIZE ANALYSIS
SNSやセンサ,ログデータなど様々なデータを定期的・継続的
に収集
日々増え続けるデータの保管・
管理や、 可用性の保証
データ抽出・ 可視化を
行うための 計算リソースや、可視化ツールの
提供
データから有意義な結果の発見
© SIOS Technology, Inc. All rights Reserved.
2.1. Hadoopによる一般的な解析基盤
HDFS
分散ファイルシステム
Hadoop MapReduce
並列分散処理フレームワーク
Hive
HiveQL
SQLライクな問い合わせ言語
Pig
PigLatin
データの処理フローを 記述するスクリプト
4
Hadoop Distributed File System (HDFS)
Hadoop MapReduce
Hive Pig
HiveQL PigLatin Java
利用 難易度 高
ユーザ
© SIOS Technology, Inc. All rights Reserved.
2.2. MapReduce・Pig・Hiveの記述比較 例:単語の集計
Java For MapReduce
(コードの1/6程度抜粋)
Job job = new Job(conf, 'wordcount');
job.setJarByClass(WordCount.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
job.setMapperClass(Map.class);
job.setCombinerClass(Reduce.class);
job.setReducerClass(Reduce.class);
HiveQL
select s.word, count(*) from
(select explode(split(text, '[ ¥t]+')) word from hello) s group by s.word;
5
b = foreach a generate flatten(TOKENIZE(text)) as word;
c = group b by word;
d = foreach c generate group as word, COUNT(b) as count;
store d into ‘/output';
PigLatin
スクリプト引用:http://www.ne.jp/asahi/hishidama/home/tech/index.html
© SIOS Technology, Inc. All rights Reserved.
2.3. MapReduceの概要
大規模データを複数ノードで並列分散処理するための プログラミング・パターン
Mapタスク・Reduceタスクの二段階でデータ処理
6
Map Reduce
Node1
Node2
Node3
佐藤, 1 鈴木, 1 高橋, 1
中村, 1 佐藤, 1 田中, 1
山本, 1 鈴木, 1 田中, 1
Node1
Node2
佐藤, 2 鈴木, 2 高橋, 1
中村, 1 田中, 2 山本, 1
Shuffle & Sort
データ集計例
入 力
出 力
苗字
佐藤
鈴木
高橋
中村
佐藤
田中
山本
鈴木
田中
苗字 件数
佐藤 2
鈴木 2
高橋 1
中村 1
田中 2
山本 1
© SIOS Technology, Inc. All rights Reserved.
2.4. HiveとHiveQLの概要
Hive
MapReduceのラッパーのような存在
HiveQL
SQLライクなHiveのクエリ言語
7
SQL HiveQL
テーブル定義 CREATE TABLE
○ ○
データ入力 LOAD ○ ○
データ出力 INSERT ○ ○
データ抽出 SELECT ○ ○
データ並び替え ○ △
副問い合わせ ○ △
テーブルの結合 JOIN ○ △
△: SQLと文法が大きく異なる
Treasure Dataでは、 Queryではなく 別コマンドを用意
データ集計の効率的な処理のために MapReduceとHiveQLの知識が重要
© SIOS Technology, Inc. All rights Reserved.
2.5. Treasure Dataにおけるデータ形式
二つのカラムに格納(’v’と’time’)
‘v’カラムには、MAP形式で格納
Key:v[‘host’], v[‘user’]
Value:’1.1.0.1’, ‘ichi’
カラムの参照
v[‘host’], v[‘user’], time
別名をカラム名として利用
v[‘host’] AS host
8
v time
{'host':'1.1.0.1','user':'ichi'} 1370420001
{'host':'1.1.0.2','user':'jiro'} 1370420010
{'host':'1.1.0.3','user':'sabu'} 1370420100
_c0
1.1.0.1
1.1.0.2
1.1.0.3
host
1.1.0.1
1.1.0.2
1.1.0.3
AS利用
AS未使用
© SIOS Technology, Inc. All rights Reserved.
2.6. SELECT * と SELECT 項目指定
SELECT * FROM tbl
MapReduce処理を 実行しないで結果出力
Hiveがスキーマを基に 結果を出力
SELECT カラム指定 FROM tbl
MapReduce処理を 実行して結果出力
9
挙動に差異
• カラム指定より処理が速い • MapReduceの起動等に
時間消費 • データの確認用に利用
<おまけ> LIMITで結果の取得件数を制限可能 SELECT * FROM tbl LIMIT 1 結果) tblから1件のみ取得
© SIOS Technology, Inc. All rights Reserved.
2.7. MapReduceの回数削減による効率化 重複カラムの除去でのLEFT SEMI JOIN
SELECT host AS host FROM (SELECT v[‘host’] AS host FROM tbl1) JOIN (SELECT v[‘host’] AS host FROM tbl2 GROUP BY host ) ON tbl1.host = tbl2.host
SELECT host AS host FROM (SELECT v[‘host’] AS host FROM tbl1) LEFT SEMI JOIN (SELECT v[‘host’] AS host
FROM tbl2) ON tbl1.host = tbl2.host
10
GROUP BYの利用 LEFT SEMI JOINの利用
v
{'host':'1.1.0.3‘, ‘user’:’taro’}
{'host':'1.1.0.1‘, ‘user’:’ichi’}
v time
{'host':'1.1.0.1‘} 1370420001
{'host':'1.1.0.1'} 1370420010
tbl1 tbl2
host
1.1.0.1
stage-1 : GROUP BY計算 stage-2 : JOIN計算
stage-1 : JOIN計算 処理数の削減
* 右テーブルのデータが左テーブル に存在する場合のみ利用可能
© SIOS Technology, Inc. All rights Reserved.
2.8.テーブルをメモリへ展開する MAPJOINの利用
11
SELECT /*+MAPJOIN(tbl2)*/
host AS host FROM (SELECT v[‘host’] AS host FROM tbl1) LEFT SEMI JOIN (SELECT v[‘host’] AS host
FROM tbl2) ON tbl1.host = tbl2.host
SELECT host AS host FROM (SELECT v[‘host’] AS host FROM tbl1) LEFT SEMI JOIN (SELECT v[‘host’] AS host
FROM tbl2) ON tbl1.host = tbl2.host
MAPJOINの非利用 MAPJOINの利用
v
{'host':'1.1.0.3‘, ‘user’:’taro’}
{'host':'1.1.0.1‘, ‘user’:’ichi’}
v time
{'host':'1.1.0.1‘} 1370420001
{'host':'1.1.0.1'} 1370420010
tbl1 tbl2
host
1.1.0.1
stage-1 : JOIN計算 計算時間 小 →右テーブルをメモリ上に展開
stage-1 : JOIN計算 計算時間 大
* 右テーブルのデータがメモリに 収まりきるサイズであること
© SIOS Technology, Inc. All rights Reserved.
2.9. 全体集計と個別集計
12
V
{‘user':‘taro‘, ‘cnt’:20’}
{‘user':‘ichi‘, ‘cnt’:’5’}
{‘user':‘ichi‘, ‘cnt’:’15’}
tbl
user count
NULL 40
taro 20
ichi 20
SELECT v[‘user’] AS user, SUM(v[‘cnt’]) AS count
FROM tbl
GROUP BY v[‘host’]
WITH ROLLUP
SELECT u AS user, SUM(z) AS count
FROM tbl LATERAL VIEW EXPLODE(ARRAY(v[‘user’], null)) e AS u group by u
ROLLUPの利用(Hive0.10未満) ROLLUPの利用 (Hive0.10以上)
*現在のTDでは利用不可 *v[‘user’]は NOT NULL
© SIOS Technology, Inc. All rights Reserved.
2.10. Treasure Dataが提供するUDF (User Defined Functoins)
TD_X_RANK(keys)
ユーザ毎に番号付
時系列に並び替えることでパスの作成が可能
TD_TIME_RANGE(time, start_time, end_time)
WHERE句での時間による範囲指定
TD_TIME_ADD(time, ‘期間’)
時間の様々な指定が可能
N日後:’1d’, ‘2d’, ‘3d’,...
13
V
{‘user':‘taro‘, ‘ref’:’1.1.1.1’}
{‘user':‘ichi‘, ‘ref’:’1.1.1.2’}
{‘user':‘ichi‘, ‘ref’:’1.1.1.3’}
Rank User Ref
1 Taro 1.1.1.1
1 Ichi 1.1.1.2
2 Ichi 1.1.1.3
SELECT ... WHERE TD_TIME_RANGE( Time, ‘2013-04-01’, TD_TIME_ADD(‘2013-04-01’, ‘1d’)
© SIOS Technology, Inc. All rights Reserved.
2.11. その他のポイント(1/2)
テーブル結合について
UNION ALLのみ利用可能 重複を含む全レコードの結合
結合するテーブル全体を副問い合わせにすること
JOIN ONのONを記述漏れは、CROSS JOINになる
ON句では以下の二つは利用不可 不等号での結合
ORによる二つの条件を用いた結合
正規表現について
LIKE = SQLのLIKE ワイルドカード:*,%,?,_,#,[文字リスト],...
RLIKEを用いると、Javaの正規表現を利用可能 ワイルドカード:LIKE + α
14
© SIOS Technology, Inc. All rights Reserved.
2.11. その他のポイント(2/2)
関数情報
SHOW FUNCTIONS
関数の一覧を表示(UDFも含む)
DESC FUNCTION 関数名 DESC FUNCTION EXTENDED 関数名
関数の情報を表示、EXTENDEDで使用例も表示
15
© SIOS Technology, Inc. All rights Reserved.
3. 発表のまとめ
ビッグデータ解析基盤に求められる機能:
各製品における各機能の詳細な比較が必要
HiveQLのTips
SQLと違いはあまりない
MapReduceを意識することでクエリの効率化
LEFT SEMI JOINの利用
/*+ MAPJOIN(tbl) */の利用
全体集計と個別集計
UDFについて
16
COLLECT STORE QUERY & VISUALIZE ANALYSIS