Spark : traitement de données

Introduction

• Présentation Spark
• Origine du projet
• Apports
• Principe de fonctionnement
• Langages supportés

Premiers pas

• Utilisation du shell Spark avec Scala ou Python
• Modes de fonctionnement
• Interprété, compilé
• Utilisation des outils de construction
• Gestion des versions de bibliothèques

Règles de développement

• Mise en pratique en Java, Scala et Python
• Notion de contexte Spark
• Différentes méthodes de création des RDD : depuis un fichier texte, un stockage externe
• Manipulations sur les RDD (Resilient Distributed Dataset)
• Fonctions, gestion de la persistence

Cluster

• Différents cluster managers : Spark en autonome, avec Mesos, avec Yarn, avec Amazon EC2
• Architecture : SparkContext, Cluster Manager, Executor sur chaque noeud
• Définitions : Driver program, Cluster manager, deploy mode, Executor, Task, Job
• Mise en oeuvre avec Spark et Amazon EC2
• Soumission de jobs, supervision depuis l’interface web

Traitements

• Lecture/écriture de données : Texte, JSon, Parquet, HDFS, fichiers séquentiels
• Jointures
• Filtrage de données, enrichissement
• Calculs distribués de base
• Introduction aux traitements de données avec map/reduce
• Travail sur les RDDs
• Transformations et actions
• Lazy execution
• Impact du shuffle sur les performances
• RDD de base, key-pair RDDs
• Variables partagées : accumulateurs et variables broadcast

Intégration hadoop

• Présentation de l’écosystème Hadoop de base : HDFS/Yarn
• Travaux pratiques avec YARN
• Création et exploitation d’un cluster Spark/YARN
• Intégration de données sqoop, kafka, flume vers une architecture Hadoop
• Intégration de données AWS S3

Support Cassandra

• Description rapide de l’architecture Cassandra
• Mise en oeuvre depuis Spark
• Exécution de travaux Spark s’appuyant sur une grappe Cassandra

DataFrames

• Spark et SQL
• Objectifs : traitement de données structurées
• L’API Dataset et DataFrames
• Optimisation des requêtes
• Mise en oeuvre des Dataframes et DataSet
• Comptabilité Hive
• Travaux pratiques: extraction, modification de données dans une base distribuée
• Collections de données distribuées
• Exemples.

Streaming

• Objectifs , principe de fonctionnement : stream processing
• Source de données : HDFS, Flume, Kafka, …
• Notion de StreamingContexte, DStreams, démonstrations
• Travaux pratiques : traitement de flux DStreams en Scala

Machine Learning

• Fonctionnalités : Machine Learning avec Spark, algorithmes standards, gestion de la persistence, statistiques
• Support de RDD
• Mise en oeuvre avec les DataFrames

Spark GraphX

• Fourniture d’algorithmes, d’opérateurs simples pour des calculs statistiques sur les graphes
• Travaux pratiques : exemples d’opérations sur les graphes