大數據分析平台
===
**各服務連結如下**
* Hadoop叢集
* [Jupyter PC cluster](https://ba.cm.nsysu.edu.tw:9999/hub/login)
* [RStudio PC cluster](https://ba.cm.nsysu.edu.tw:8787/)
* 新 Hadoop 叢集 (2020年後申請)
* [Jupyter PC cluster](https://ba.cm.nsysu.edu.tw:9997/hub/login)
* [RStudio PC cluster](https://ba.cm.nsysu.edu.tw:8888/)
* GPU伺服器(**使用GPU環境必須要透過中山大學的ip位置才可以連線**)
* [Jupyter with GPU](https://ba.cm.nsysu.edu.tw:9998/hub/login)
* [RStudio with GPU](https://ba.cm.nsysu.edu.tw:8788/)
大數據分析平台的服務有兩項，分別是由**18台主機共有136個核心數和1.5TB記憶體組成的Hadoop的叢集(Hadoop cluster)** 以及 **備載GPU運算能力的伺服器。** 而本院提供的開發環境為RStudio和Jupyter，使用者可以透過R和Python兩種語言來撰寫程式。
在這個頁面我們提供幾項簡易的教學，分別是
* Hadoop連線設定
* Spark連線設定
* Spark實作巨量資料範例
* GreenPlum實作範例
* GPU伺服器的環境變數設定
# Hadoop
Hadoop是什麼呢？
簡單來講，想像如果有個檔案大小超過你的個人電腦可以儲存的容量，那絕對無法被放進你的電腦對吧？這時候我們就需要Hadoop了！
**Hadoop是一個能儲存並管理大量資料的雲端平台**，除了能儲存超過一個伺服器所能容納的檔案外，還**能夠同時儲存、處理、分析**幾千萬份這種超大的檔案，所以每當講到大數據，便會提到Hadoop這套技術。
這段影音及文字教學，目的是要讓使用者可以連線上管院伺服器上的Hadoop，並對HDFS(Hadoop File System)上的檔案做些簡單的操作。
## 影音教學
{%youtube 60K8oHsIzw8 %}
---
1. **連線設定**
- 在連線到Hadoop前，必須先設定環境變數。
- 請各位使用者直接複製底下兩行程式碼在程式的最一開始，如果沒有執行這兩行程式的話會無法連線上Hadoop。
``` R
Sys.setenv("HADOOP_CMD" = "/home/hadoop/hadoop/bin/hadoop")
Sys.setenv("HADOOP_STREAMING"="/home/hadoop/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar")
```
2. **載入packages**
- rmr2, plyrmr, rhdfs 這些packages提供許多R的函式，讓使用者可以直接對HDFS系統上的任何檔案執行些指令，像是存取或是做資料分析。
- **hdfs.init()** 這句的意思是連線HDFS系統。
```R
library(rmr2)
library(plyrmr)
library(rhdfs)
hdfs.init()
```
3. **與HDFS系統互動**
- **to.dfs( )**： 寫入檔案至HDFS。
- **from.dfs( )**：讀取HDFS上的檔案。
``` R
# 將mtcars這個dataframe上傳至hdfs檔案處理系統
to.dfs(mtcars, "/home/yourAccountName/mtcars.csv", format = "csv")
# 從hdfs檔案處理系統上讀取檔案
from.dfs("/home/yourAccountName/mtcars.csv", format = "csv")
```
- **hdfs.ls()**：列出HDFS上的所有檔案。
- **hdfs.del()**：刪除HDFS上的所有檔案。
``` R
hdfs.ls("/home/yourAccountName")
hdfs.del("/home/yourAccountName/mtcars.csv")
```
- 上述語法的 **/yourAccountName/** 部分，請使用者自行將其改成自己的目錄名稱。
**以上就是對於如何連線上Hadoop以及與HDFS互動的介紹。
當然，使用者可以透過"MapRudeuce"的方法去對Hadoop上的資料做更多操作。**
---
# Spark
既然處理大數據我們有了Hadoop這個強大的工具了，那為何還有Spark的出現呢？而Spark與Hadoop又有什麼不同呢？
Hadoop在執行MapReduce的運算時，會將中間產生的數據，存儲在硬碟中，也就說任何的資料存取都是在執行I/O，而I/O往往是效能的瓶頸，因此會有讀寫資料延遲的問題。但Spark比Hadoop晚4年問世，卻能以100倍快的速度執行MapReduce是為什麼呢？
**Spark是基於記憶體**內的運算框架，在運算時，會將中間產生的數據暫存在記憶體中，因此可以大大地加快運算速度，尤其是反覆執行越多次時，所需讀取的資料量就越大，越能看出Spark的效能。而Spark同時也與Hadoop相容，所以同樣可以透過HDFS存儲檔案。
## 影音教學
{%youtube FvBRkEtJZ98 %}
---
1. **載入所需的package並連線上HDFS**
- 該步驟與前面的Hadoop連線是一樣的，目的是要連線上HDFS。
```R
Sys.setenv("HADOOP_CMD" = "/home/hadoop/hadoop/bin/hadoop")
Sys.setenv("HADOOP_STREAMING"="/home/hadoop/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar")
library("rhdfs")
hdfs.init()
```
2. **設定Spark的連線資訊**
- 由於Spark是基於記憶體的運算，所以在連線前必須了解連線的伺服器提供多大的資源，並設定合理的資源消耗，例如使用多少的記憶體、核心數等等。
```R
# the following code are fixed setting
library(dplyr)
library(sparklyr)
Sys.setenv(SPARK_HOME="/usr/local/spark/spark-2.1.0-bin-hadoop2.7/")
config <- spark_config()
config$spark.executor.memory = "32G"
config$spark.cores.max = "50"
config$spark.driver.memory = "16G"
config$spark.yarn.executor.memoryOverhead = "4096"
# create a connection to Spark
sc <- spark_connect(master = "spark://hnamenode:7077", config = config)
```
執行完以上的程式後就可以連線上Spark了。
如果連線成功的話，會在RStudio的畫面右上角看到一個新的頁籤叫做"connection"。如果連線失敗則會在console的頁面跳出錯誤訊息。
3. **在HDFS上存取檔案**
- 先前提到過，Spark跟HDFS是相容的，所以連線上Spark時也可以對HDFS上的檔案做存取。
- 底下程式碼示範如何從HDFS上讀出檔案和把R的物件儲存至HDFS。
```R
hdfs.ls("/home/yourAccountName/")
mySDF = spark_read_csv(sc, name = "mtcars", path = "hdfs:/home/yourAccountName/mtcars.csv", header = T)
# you can also move R dataframe to Spark.
movies_sdf = copy_to(sc, df = ggplot2movies::movies, name = "movies",overwrite = T)
```
4. **中斷連線**
- 若使用者在執行完畢Spark的操作卻沒有中斷連線的話，會導致集群上環的運算資源被特定使用者佔用住，導致其他使用者無法使用群集上資源，所以，當使用完Spark時務必要養成斷線的好習慣。
```R
spark_disconnect(sc)
```
---
# 範例：如何在Spark上操作巨量資料
接下來的範例會示範如何在Spark上操作巨量資料。
範例中我們會用到 babynames 資料集，資料集紀錄一百八十多萬的新生兒姓名資料。選用這個資料集的目的是要讓使用者感受在操作巨量資料時，Spark的運算能力有多強大。
## 影音教學
{%youtube ZADM9UEjOaM %}
1. **設定連線資訊＆讀取資料**
- Spark 連線
```R
# the following code are fixed setting
Sys.setenv("HADOOP_CMD" = "/home/hadoop/hadoop/bin/hadoop")
Sys.setenv("HADOOP_STREAMING"="/home/hadoop/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar")
library("rhdfs")
hdfs.init()
library(dplyr)
library(sparklyr)
Sys.setenv(SPARK_HOME="/usr/local/spark/spark-2.1.0-bin-hadoop2.7/")
config <- spark_config()
config$spark.executor.memory = "32G"
config$spark.cores.max = "50"
config$spark.driver.memory = "16G"
config$spark.yarn.executor.memoryOverhead = "4096"
# create a connection to Spark
sc <- spark_connect(master = "spark://hnamenode:7077", config = config)
```
- 資料集讀取
- 上述的資料集已經放在叫做 **sample** 資料夾裡面了，透過底下的程式碼就可以將資料讀出來了。
- babynames是美國新生兒的姓名資料，資料筆數大約有 **一百八十多萬** 多筆。
```R
data_file_1 = "hdfs:/home/sample/babynames.csv"
# 透過spark_read_csv 至 hdfs上 讀取babynames 資料集
baby = spark_read_csv(sc, "babynames", data_file_1)
# babynames 資料集總共有一百八十多萬筆
baby %>% summarise(n = n())
```
2. **簡單查詢句：以 babynames 資料為例**
使用者可以想像當資料筆數超級多的時候，一句查詢句至少要搜尋過全部資料一次，那會需要花多少時間去執行這個查詢句，況且實務上我們不會只做單一條件的查詢句，也就是說我們的條件可能會很複雜包含不只一個變數，那表示一定會搜尋全部的資料不少次，可想而知，這必定是很耗資源的一段程式。但透過Spark，執行底下的程式最多只要花5~7秒的時間就可以完成查詢，這就是Spark強大的地方。
- 以babynames資料為例，底下查詢句用來查詢各欄位中 **不重複的資料** 有幾筆。
- 執行結果可以看出prop欄位的不重複資料有16萬多筆，卻能夠很快就完成查詢句。
```R
# 設定起始時間
start_time <- proc.time()
baby %>%
summarise(n_year = n_distinct(year),
n_sex = n_distinct(sex),
n_name = n_distinct(name),
n_n = n_distinct(n),
n_prop = n_distinct(prop)) %>%
data.frame
# n_year n_sex n_name n_n n_prop
# 136 2 95025 13604 162480
# 用程式執行完的時間減去起始時間
proc.time() - start_time
# user system elapsed
# 0.059 0.025 0.769
```
- 如果是直接在執行相同的查詢句，而不是透過spark做運算的話，其執行速度沒有辦法來得像spark這麼快。
```R
# 設定起始時間
start_time <- proc.time()
babynames::babynames %>%
summarise(n_year = n_distinct(year),
n_sex = n_distinct(sex),
n_name = n_distinct(name),
n_n = n_distinct(n),
n_prop = n_distinct(prop)) %>%
data.frame
# n_year n_sex n_name n_n n_prop
# 136 2 95025 13604 162480
proc.time() - start_time
# user system elapsed
# 0.578 0.013 0.658
```
3. **資料視覺化：以 babynames 這個資料集為範例**
babynames這個資料集紀錄從1880年開始，在美國每年出生的新生兒取哪些名字，每個名字總共被用了幾次等資訊，在資料集裡面共有5個columns，分別是年份、性別、姓名、總數、佔總出生人數的比重。
在範例中，寫了一個函式用來查詢特定一年中，哪些名字最常被使用來命名。
另外我們也附上[官方教學文件](https://beta.rstudioconnect.com/content/1813/babynames-dplyr.nb.html#)供使用者參考。
- 載入會用到的packages
```R
library(ggplot2) #The following are the tools for graphing
library(dygraphs)
library(rbokeh)
library(RColorBrewer)
library(plotly)
```
- 先找出1986以後且被用來命名過超過一千次的資料，列出姓名跟性別這個兩個變數，並以topNames這個變數儲存起來。
```R
topNames = baby %>%
filter(year > 1986) %>%
group_by(name, sex) %>%
summarize(count = sum(n)) %>%
filter(count > 1000) %>%
select(name, sex)
```
- 接著用原始資料對topNames做inner_join，並且group_by年份這個變數，表示出來的結果會是各年中最代表的姓名
```R
yearlyName = baby %>%
filter(year > 1986) %>%
inner_join(topNames) %>%
group_by(year, name, sex) %>%
summarize(count = sum(n)) %>%
sdf_copy_to(sc, ., "yearlyname", T, overwrite=T)
```
- 再來我們將上面做過的事情，寫成一個函式，以便未來想要做查詢的時候，不需要重複打這麼多程式碼，只要傳入年份變數就可以得到我們想要的結果，還可以把結果以圖形化的方式呈現出來。
```R
MostPopularNames <- function(year) {
topNames <- baby %>%
filter(year >= 1986) %>%
group_by(name, sex) %>%
summarize(count = sum(n)) %>%
filter(count > 1000) %>%
select(name, sex)
yearlyName <- baby %>%
filter(year >= 1986) %>%
inner_join(topNames) %>%
group_by(year, name, sex) %>%
summarize(count = sum(n)) %>%
sdf_copy_to(sc, ., "yearlyname", T, overwrite=T)
TopNm <- yearlyName %>%
filter(year == year) %>%
group_by(name,sex) %>%
summarize(count=sum(count)) %>%
group_by(sex) %>%
mutate(rank = min_rank(desc(count))) %>%
filter(rank < 5) %>%
arrange(sex, rank) %>%
select(name,sex,rank) %>%
sdf_copy_to(sc,.,"topNames",T,overwrite=TRUE)
topNamesYearly <- yearlyName %>%
inner_join(select(TopNm, sex, name)) %>%
collect
#兩種畫法可以選一種畫就好
#第一種圖
ggplot(topNamesYearly,
aes(year, count, color = name)) +
facet_grid(~sex) +
geom_line() +
ggtitle(paste0("Most Popular Names of ", year))
#第二種圖
# 拿出名字欄位之後要做factor化
names <- TopNm %>%
select(name) %>%
collect %>%
as.data.frame
names <- names[, 1, T]
topNamesYearly$name <- factor(topNamesYearly$name, levels = names, labels = names)
p = ggplot(topNamesYearly, aes(year, count, color=name)) +
theme_light() +
facet_wrap(~sex, nrow=2) +
geom_vline(xintercept = year, col='yellow', lwd=1.2) +
geom_line() +
ggtitle(sprintf('Most Popular Names of %d',year)) +
scale_colour_brewer(palette = "Paired")
plotly_build(p)
}
```
- 透過函式給定特定年份，就可以得到該年中最常被使用的姓名是哪個。
```R
MostPopularNames(2015)
MostPopularNames(2000)
```
- 將男生姓名及女生姓名在資料中的分佈狀況畫出來。
```R
sharedName = baby %>%
mutate(male=ifelse(sex == "M", n, 0),
female=ifelse(sex == "F", n, 0)) %>%
group_by(name) %>%
summarize(Male = sum(male),
Female = sum(female),
count = sum(n),
AvgYear = round(sum(year * n) / sum(n),0)) %>%
filter(Male > 10000 & Female > 10000) %>% collect
figure(width = NULL, height = NULL,
xlab = "Log10 Number of Males",
ylab = "Log10 Number of Females",
title = "Top shared names (1880 - 2014)") %>%
ly_points(log10(Male), log10(Female), data = sharedName,
color = AvgYear, size = scale(sqrt(count)),
hover = list(name, Male, Female, AvgYear), legend = FALSE)
```
4. **使用完Spark後，如果暫時沒有要再使用，務必要將其中斷連線**
```R
spark_disconnect(sc)
```
---
# Greenplum 實作範例
## 影音教學
{%youtube 7KDRd2W5fjM %}
Greenplum database是一種開源的分散式資料庫，它提供PB級別數據量的快速分析能力及對超大資料表做快速查詢的能力。
過去，當使用者要分析儲存在資料庫上的結構化資料的時候，必須先將資料表讀入分析工具中，例如將一個table讀進RStudio中，再進行資料分析、建立模型等等，但如果資料表很大的話，會造成在讀取資料的階段就耗盡了大量的運算資源。而現在有了Greenplum這個擁有資料分析能力的資料庫，使用者可以直接在資料庫中對資料表做資料分析、做查詢句甚至是訓練模型，並將結果直接輸出至我們的分析工具中，如此一來，就可以避免在讀取資料時大量消耗運算資源的問題，使用者可以直接對資料庫中的資料表做更快速、更彈性的操作。
底下的範例會教使用者如何用RStudio連線上資料庫(本院提供的資料庫為Greenplum)以及對資料表做些簡單的查詢句。
1. 載入packages
- PivotalR、DBI、RPostgreSQL都是與資料庫操作有關的packages，使用者可以根據自己的需求決定要載入哪些，範例中使用的語法都只有用到RPostgreSQL package裡面的function。
- 載入ggplot2 package是因為範例中會用到diamonds資料集。
```R
library(PivotalR)
library(ggplot2)
library(DBI)
library(RPostgreSQL)
```
2. 設定資料庫的連線資訊
- 為了方便起見，在申請帳號時本院會將**dbname**設定成使用者的帳號名稱。而**user**和**password**則是大數據分析平台的帳號和密碼。
- **host**為192.168.1.100。
```R
pgConn = dbConnect("PostgreSQL",
dbname = "帳號名稱",
user="帳號名稱",
password="密碼",
host = "192.168.1.100")
```
3. 常用基本語法
- dbListTables()：列出所有資料表
- dbWriteTable()：建立資料表
- dbReadTable()：讀取資料表
- dbRemoveTable()：刪除資料表
- dbListFields()：讀取資料表欄位
```R
##List tables in database
dbListTables(pgConn)
diamonds = as.data.frame(diamonds)
##create table
dbWriteTable(pgConn, "diamonds", diamonds)
##Read data in table
dbReadTable(pgConn, "diamonds")
##List column name of table
dbListFields(pgConn, "diamonds")
dbRemoveTable(pgConn, "diamonds")
```
4. 執行查詢句
- 第一種方式為dbSendQuery()，使用者下SQL去執行，執行完畢後產生一個resultset用來儲存結果，再透過fetch() function讀取resultset裡面儲存的資訊。
- 第二種方式為dbGetQuery()，直接取得使用者所下的SQL地執行結果。
```R
## send query to database and create resultset object
## use fetch() function to read the resultset
rs = dbSendQuery(pgConn, statement = "SELECT count(*) FROM diamonds")
fetch(rs)
dbClearResult(rs)
rm(rs)
df = dbGetQuery(pgConn, "SELECT color, avg(price) as AvgPrice FROM diamonds group by color")
# color variable of diamonds dataset says that from "J" to "D" represents worst to best
df$color = factor(df$color,
order = T,
levels = c("J","I","H","G","F","E","D"))
df[order(df$color), ]
```
**以上是連線上資料庫與簡易的資料庫操作範例，使用可以依照自己的需求去使用一開始提到的幾個package內的功能，在這邊只簡單示範了幾個基本語法而已**
---
# GPU環境變數設定
GPU的環境變數設定是很重要的步驟，因為在管院商業大數據平台上，運算資源是由中山大學管理學院的學生共同享有的，若沒有適當地設定GPU環境變數的話，可能會造成系統資源被特定使用者佔用，導致其他使用者無法共享平台上的資源。以下我們會分別教學在Python和R中要如何設定GPU的環境變數。
### Python
1. GPU 指定
- GPU指定的意思就是告訴電腦你要使用第幾張GPU。
- GPU的索引位置是從0開始並透過逗號分隔，也就是說如果要使用第一張和第三張GPU，則可以透過底下這段程式碼完成設定。
```python
import os
# use first and third GPU
os.environ["CUDA_VISIBLE_DEVICES"] = "0,2"
```
2. 限制GPU用量
- 一次只使用一張。
```python
# use any one GPU
import tensorflow as tf
config = tf.ConfigProto(device_count={'GPU': 1})
sess = tf.Session(config=config)
```
3. 限制GPU的記憶體使用量
- 限制使用者只能使用20%的記憶體
```python
# use 20% memory of GPU
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.2)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
# if using Keras
import tensorflow as tf
from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.2
set_session(tf.Session(config=config))
```
### R
1. GPU 指定
- GPU指定的意思就是告訴電腦你要使用第幾張GPU。
- GPU的索引位置是從0開始並透過逗號分隔，也就是說如果要使用第一張和第二張GPU，則可以透過底下這段程式碼完成設定。
```R
Sys.setenv(CUDA_HOME="/usr/local/cuda")
Sys.setenv(PATH=paste(Sys.getenv("PATH"), "/usr/local/cuda/bin", sep = ":"))
# Use both card #0 and #1
Sys.setenv(CUDA_VISIBLE_DEVICES="0,1")
```
2. 限制GPU用量
- 一次只使用一張。
```R
library(keras); library(tensorflow)
config = tf$ConfigProto(device_count={'GPU': 1})
sess = tf$Session(config=config)
# if using keras please add the following
k_set_session(sess)
```
3. 限制GPU的記憶體使用量
- 限制使用者只能使用20%的記憶體
```R
gpu_options=tf$GPUOptions(per_process_gpu_memory_fraction=0.2)
sess = tf$Session(config=tf$ConfigProto(gpu_options=gpu_options))
# if using keras please add the following
k_set_session(sess)
```
Sign in with Wallet
Connect another wallet