Différences

Ci-dessous, les différences entre deux révisions de la page.

--- site:enseignement:master:bdle:supports-cours:spark [15/11/2018 17:31] – amine
+++ site:enseignement:master:bdle:supports-cours:spark [15/11/2018 18:12] (Version actuelle) – [Analyser du JSON en Spark SQL] amine
@@ Ligne 2: / Ligne 2: @@
 ===== Datasets utilisés =====
 ==== TPCH ====
-Copier dans votre espace perso puis désarchiver <code bash>/.../tpch-extrait.tgz</code>
+Désarchiver dans votre espace perso <code bash>/Infos/bd/spark/dataset/tpch/tpch-extrait.tgz</code>
+L'archive contient deux fichiers lineitem.tbl et  part.tbl, chacun ayant pour en-tete le schéma de la table qui porte son nom. Les fichiers sont en csv, voici un extrait de part.tbl
+<code>
+PARTKEY,NAME,MFGR,BRAND,TYPE,SIZE,CONTAINER,RETAILPRICE,COMMENT
+,goldenrod lace spring peru powder,Manufacturer#1,Brand#13,PROMO BURNISHED COPPER,7,JUMBO PKG,901.00,final deposits s
+,blush rosy metallic lemon navajo,Manufacturer#1,Brand#13,LARGE BRUSHED BRASS,1,LG CASE,902.00,final platelets hang f
+</code>
 En étant dans tpch-extrait, créer les données dans hdfs en tapant
 <code bash>
@@ Ligne 14: / Ligne 20: @@
 </code>
-===== Spark RDD =====
-Commencer par charger les données en RDD
+Les instructions suivantes sont communes aux deux sous-sections qui suivent et permette de charger les fichiers de l'archive dans des RDD.
 <code scala>
@@ Ligne 22: / Ligne 28: @@
 val part_t = tpch+"part.tbl"
 </code>
+===== Spark RDD =====
 Les instructions suivantes correspondent à la version Q17 simplifiée de TPCH suivante (attention, syntaxe incompatible avec certains compilateurs SQL)
@@ Ligne 70: / Ligne 80: @@
 val res = query.sum/7
 </code>
+Pour afficher le plan d'exécution en mode textuel, taper
+<code scala>print(query.toDebugString)
+</code>
+Pour visualiser le plan d'exécution en version graphique, aller sur [[ http://:4040]] puis sur l'onglet "Stages" (voir la [[https://spark.apache.org/docs/latest/monitoring.html|doc de Spark]] concernant le monitoring )
 ===== Spark SQL =====
+Le but ici est d'exprimer la requête Q17 modifiée en dataset. Pour ce faire, commencer par charger les données tout en inférant les types de chaque attribut.
+<code scala>
+import spark.implicits._
+val lineitem = spark.read.format("csv").option("header",true).option("inferSchema",true).load(lineitem_t).coalesce(6)
+val part = spark.read.format("csv").option("header",true).option("inferSchema",true).load(part_t).coalesce(1)
+</code>
+Les instructions suivantes expriment les sous-expression de la requête
+<code>
+val inner = lineitem.groupBy("PARTKEY").avg("QUANTITY").withColumnRenamed("avg(QUANTITY)","p_quantity")
+val outer = lineitem.join(part, "PARTKEY").select("PARTKEY", "QUANTITY", "EXTENDEDPRICE")
+val q17_simp = inner.join(outer, "PARTKEY").where("p_quantity<QUANTITY").agg(sum($"EXTENDEDPRICE")/7)
+q17_simp.show()
+</code>
+Pour examiner les plans logiques et physique utiliser le explain
+<code scala>
+q17_simp.explain(true)
+</code>
+Il est aussi possible de visualizer le plan physique et les Stages de l'exécution en utilisant l'interface graphique.
+===== Analyser du JSON en Spark SQL =====
+Les extrait du cours sont dans <code bash>/Infos/bd/spark/dataset/json/json_samples.tar</code>
+Chaque fichier de l'archive respecte le format [[http://jsonlines.org|Json lines]] et contient une collection d'objets JSON.
+L'instruction suivant permet de charger une collection depuis //fichier.json// dans un dataset //coll//
+<code scala>val coll = spark.read.json(fichier.json)</code>