狠狠撸

Spark Streaming
を使ってみた
Ver 1.0
twitterリアルタイムトレンドランキング
2016年5月30日
Copyright ? Skywill inc. All Rights Reserved.

メンバー紹介
2
杉山項紀
金ヨル
?職業 SE
?役職リーダ
?java歴10年
?mac歴1年
?バナナきらい
?職業 SE
?役職メンバー
?java歴5年
?日本歴4年
?金曜日の夜は僕の日

目的
3
Spark Streamingを使用して、
ウィンドウ集計をやってみる。

アジェンダ
4
1. Sparkって何？
2. Spark Streamingとは?
3. 実践
4. 実践のまとめ

アジェンダ
5
3. 実践

Copyright ? Skywill inc. All Rights Reserved. 6
Sparkって何？
?大規模データの分散処理をオンメモリで実現する
クラスターコンピューティングプラットフォーム。
?「今後はHadoopのMapReduceよりも
Sparkが使われるようになる」と言われている。
Apache Spark
概要
出典：Apache Spark (https://ja.wikipedia.org/wiki/Apache_Spark)
Apache Spark? is a fast and general engine
for large-scale data processing.
出典：Apache Spark (http://spark.apache.org)

7
Sparkって何？
標準ライブラリ
?SQLクエリ処理「Spark SQL」
?ストリーム処理「Spark Streaming」
?機械学習処理「MLib」
?グラフ処理「Graph X」
SparkとHadoopのロジスティック回帰処理速度比較
計算結果をメモリにキャッシュする。
そのため、従来のMapReduceと比べて
繰り返し計算が高速！
処理速度
出典：The Apache Software Foundation （http://spark.apache.org ）

8
Sparkって何？
言語サポート
?Java
?Scala
?Python
?R
インストール
?ダウンロード元：
https://spark.apache.org/downloads.html
?macにApache Sparkをインストール – Qiita
http://qiita.com/kanuma1984/items/51c283ba2dd0f02c6aaa
などを参考にインストール！

9
の特徴
１．RDD (Resilient Distributed Dataset)
繰り返し利用するデータをキャッシュ上に保持しするため、
処理が非常に早い。
２．On-memoryの高速処理
メモリ上でRDDの再利用ができる。
３．DSL
Mapper?Reducerの変わりにScalaのDSLを記述できるため、
より汎用的な言語で利用できる。
４．維持保守が容易
ソースコードを簡潔に書ける。
Sparkって何？

10
Sparkって何？
データ
取り出し
RDD
データ整形
データ整形
データ整形
データ整形
データ整形
RDD
書込
書込
書込
Map処理出力処理
<?xml version=“1.0”>
<title>XXX APIYYY取得結果</title>
<location>35.5,139.0</location>
...
</xml>
{
“text”:”XXX APIYYY取得結果”,
“longtitude”:”35.5,
“latitude”:”139.0”,
...
}
{
“title”:”XXX APIYYY取得結果”,
“location”:”35.5, 139.0”
...
}
JSON変換入力データデータ整形後

の特徴
Sparkって何？
１．分散処理フレームワーク
Mapper?Reducerのスクリプトで分散処理が実装可能。
２．拡張性
安価なサーバをノードとして増やすことで簡単にスケールできる。
３．耐障害性
処理中に一部のノードが故障してもすぐに別ノードへ処理を
振り分けられる。
おまけ

12
SparkとHadoopの違い
Sparkって何？
○ バッチ処理(1つの大きなサイズファイル処理)
× リアルタイム処理(複数の小さなサイズのファイルを処理)
?データの持ち方ファイル(サイズの小さいファイル)
大量データを処理が可能。
読み書きのオーバヘッドがあり、リアルタイム処理には向かない。
○ リアルタイム処理(複数の小さなサイズのファイルを処理)
× バッチ処理(1つの大きなサイズのファイルを処理)
?データの持ち方メモリ
メモリにデータを持つため、データアクセスが早い。
逆に大量データは扱いにくい。

13
Sparkって何？
ワードカウント
を行う
サンプルソース
MapReduce
Spark
出典：Clouderaエンジニアブログ（http://blog.cloudera.com/）
Map処理
Reduce処理
Map処理
Reduce処理6行！
36行！

14
Sparkって何？
リアルタイム集計
オンメモリ
高速
分散処理
Hadoopと連携
Dstream
RDD
機械学習
データサイエンス
統計分析
Scala
R
Python
Java
GraphX
Spark SQL
ストリーミング処理
Sparkとは
メモリ上でリアルタイムレベルの高速処理ができる
汎用的分散処理プラットフォーム

アジェンダ
15
3. 実践

Spark Streamingとは？
16
?Sparkの標準ライブラリの一つ
?リアルタイムに流れている
ストリームソースを短い間隔で繰り返し、
バッチ処理する。
?読み：スパークストリーミング
出典：The Apache Software Foundation （http://spark.apache.org ）

Spark Streamingとは？
17
?Spark Streaming用のRDDを
連続して並べたもの
データのやり取りはDstreamの
受け渡しで行う
用語
?reduceByKeyAndWindowを利用し、
直近一定時間の集計を可能にする
(毎秒、毎分ごとに、直近1時間の集計を
するなど)
?データ要素を別の型のRDDに
変換する
?直近のデータを取得?集計する
?キー／値のペアのRDDに変換する
DStream
ウィンドウ集計
関数：flatMap
関数：mapToPair
関数：reduceByKeyAndWindow

アジェンダ
18
3. 実践

実践
19
こんなんつくってみる。
Twitterのハッシュタグから
Spark Streamingを使用した
リアルタイムトレンドランキングチャート
Twitter
API
Spark
Streaming
Web画面
直近60秒毎のトレンド表示

システム構成
20
データの流れ
Twitter
API
Spark
Streaming
MySQL
①Twitterストリームからのメタデータ取得
②データを解析し集計
?ハッシュタグ
?解析済みワード
?カウント
① ②

システム構成（ハッシュタグ＋ワードカウント）
⑤リクエスト ⑦レスポンス
④データ格納
テキストマイニング
②データ解析
次の2種類をkeyにreduce
?ハッシュタグ＋解析済みワード
?ハッシュタグのみ
③データ集計
クライアント Twitter
Twitterリアルタイム
トレンドランキングチャート
アプリ
①メタデータ取得
Map Reduce
ツイートデータ
⑥データ取得
格納データ
?ハッシュタグ
?解析済みワード
?カウント

実践
22
Twitterデータ取得部分その１
Twitter4jを使用して、
twitterからstreamデータを
DStreamへ
1ツイートごとに
twitter本文を解析する
名詞に分ける
日本語形態素解析
ライブラリ
使用関数：map
①メタデータ取得
②データ解析
②データ解析
※○内の番号はP20参照

実践
23
Twitterデータ取得部分その２
名詞に分ける
名詞ごとにmapにして
DStreamへデータを詰める
上記のDStreamから
キーが同じものをペアにし
使用関数：flatMap
使用関数：mapToPair
③データ集計
③データ集計

実践
24
Twitterデータ取得部分その３
DStreamから
キーが同じものをペアにし
直近10秒毎に、1分集計で
キーをカウントする。
Mysqlに結果をdelete insert
これらの処理を
?ハッシュタグ
?ワード
?ハッシュタグワード
それぞれ行う。
使用関数：
reduceByKeyAndWindow
使用関数：mapToPair
④データ格納
③データ集計

実践
25
画面表示部分
SQLでデータ取得
?ハッシュタグ?ワード
?ハッシュタグワード
ごとに画面表示
⑦レスポンス
⑤リクエスト
⑥データ取得
60秒毎にデータ取得リクエスト

実践
26
結果

アジェンダ
27
2. Spark streamingとは?
3. 実践

実践のまとめ
28
今回、実践としてSpark Streamingを利用して、
Twitterのハッシュタグ、ワードを
直近10秒ごと1分でウィンドウ集計をすることができた。
Spark Streamingを利用して、
ウィンドウ集計をおこなうことができる。

ふろく（エンジニア注目度からみたSpark）
29
急上昇中
http://redmonk.com/dberkholz/2015/03/13/the-emergence-of-spark/

ふろく（Hacker情報からみたSpark）
30
急上昇中

ふろく（GoogleトレンドからみたSpark）
31
急上昇中

ふろく（Hadoop vs Spark：Googleトレンド）
32
win

ふろく（In Gartner Magic Quadrant for Operational DBMS）
33
Sparkの推移

34
Sparkベース

35
Sparkベース

36

狠狠撸

Spark Streamingを使ってみた ~Twitterリアルタイムトレンドランキング~

More Related Content

Spark Streamingを使ってみた ~Twitterリアルタイムトレンドランキング~