Workshop de Big Data con Apache Spark [🇪🇸]

Material del Workshopde Big Data

Contenidos

• Levantar el ambiente
• Introducción a Scala
• Batch Processing (Scala)
• Structured Streaming Processing (Scala)
• Machine Learning (Scala)
• Jupyter Notebook (Python / pySpark)
• Lista de Jupyter Notebook

Infrastructura

El workshop simula una instalación de producción utilizando container de Docker. docker-compose.yml contiene las definiciones y configuraciones para esos servicios y sus respectivas UIs:

• Apache Spark: Spark Master UI | Job Progress
• Apache Kafka:
• Postgres:
• Superset: Nuestro Dashboard

Los puertos de acceso a cada servicio quedaron los defaults. Ej: spark master:7077, postgres: 5432

Levantar ambiente

Instalar el ambiente siguiendo las instrucciones acá.

Correr el script que levanta el ambiente Usage: control-env.sh (start|stop|cleanup):

./control-env.sh start

**IMPORTANTE** el script `control-env.sh cleanup` borra cualquier dado que haya sido procesado anteriormente.


# Access Spark-Master and run spark-shell
docker exec -it master bash
root@588acf96a879:/app# spark-shell

Probar:

val file = sc.textFile("/dataset/yahoo-symbols-201709.csv")
file.count
file.take(10).foreach(println)

Acceder al Spark Master: http://localhost:8080 y SPARK-UI: http://localhost:4040.

Troubleshooting

Si los jobs mueren (KILLED) y no se completan puede ser debido a la memória disponible para Docker, aumente la memoria > 8Gb al proceso de Docker:

Siga leyendo

• Introducción a Scala
• Jupyter Notebook (Python / pySpark)

Agradecimientos

• Juan Pampliega (MuttData): expandir y actualizar el ejemplo de Spark Streaming
• Pedro Ferrari (MuttData): crear el notebook de pySpark con Machine Learning

Sobre

Gustavo Arjones © 2017-2020
arjon.es | LinkedIn | Twitter