Apache Hadoop

Apache Hadoop
Apache Hadoop
Conceitos tericos e prticos, evoluo
e novas possibilidades
Daniel Cordeiro
Departamento de Cincia da Computao
Instituto de Matemtica e Estatstica
Universidade de So Paulo
Baseado no curso apresentado no CSBC12 pelos professores
Alfredo Goldman e Fabio Kon (USP);
Francisco Pereira Jr., Ivanilton Polato e Rosangela de Ftima Pereira (UTFPR)
ERAD/SP 25 de julho de 2012
Apache Hadoop
Introduo
Motivao
Uso potencial em aplicaes BigData
Conjuntos de dados na ordem de petabytes
Computao intensiva sobre os dados
Computao paralela no trivial
Diviso das subtarefas
Escalonamento das subtarefas
Balanceamento de carga
Daniel Cordeiro (IME/USP) danielc@ime.usp.br
2 / 88
Apache Hadoop
Introduo
Motivao
Apache Hadoop
Hadoop remove a complexidade da computao de alto
desempenho
Custo eficiente
Mquinas comuns
Rede comum
Tolerncia a falhas automtica
Poucos administradores
Facilidade de uso
Poucos programadores
3 / 88
Apache Hadoop
Introduo
Hadoop
Arcabouo para processamento e armazenamento de dados em

larga escala:
Cdigo aberto
Implementado em Java
Inspirado no GFS e MapReduce do Google
Projeto top-level da Fundao Apache
Tecnologia recente, porm j muito utilizada
4 / 88
Apache Hadoop
Introduo
Histrico
*
**
http://nutch.apache.org/
http://labs.google.com/papers/mapreduce.html
http://labs.google.com/papers/gfs.html
5 / 88
Apache Hadoop
Introduo
Origem (I)
2003 Google publica artigo do GFS (SOSP03)

2004 Google publica artigo do MapReduce (OSDI04)
2005 Doug Cutting cria uma verso do MapReduce para o
projeto Nutch
2006 Hadoop se torna um subprojeto do Apache Lucene
6 / 88
Apache Hadoop
Introduo
Origem (II)
2007 Yahoo! Inc. se torna o maior contribuidor e utilizador

do projeto (aglomerado com mais de 1.000 ns)
2008 Hadoop deixa a tutela do projeto Lucene e se
transforma em um projeto top-level da Apache
2010 Facebook anuncia o maior aglomerado Hadoop do
mundo (mais de 2.900 ns e 30 petabytes de dados)
2011 Apache disponibiliza a verso 1.0.0
7 / 88
Apache Hadoop
Introduo
Quem utiliza?
8 / 88
Apache Hadoop
Introduo
The New York Times
Published: May 2, 1892

Copyright The New York Times
http://open.blogs.nytimes.com/2007/11/01/self-service-prorated-super-computing-fun/
9 / 88
Apache Hadoop
Introduo
The New York Times

Em 2007, o jornal The New York Times converteu para PDF
todos seus os artigos publicados entre 1851 e 1980
Cada artigo composto por vrias imagens previamente
digitalizadas que precisavam ser posicionadas e
redimensionadas de forma coerente pra a criao do PDF
O Hadoop foi utilizado para converter 4 TB de imagens TIFF
em 11 milhes de arquivos PDF
100 instncias EC2 da Amazon foram utilizadas durante
24 horas para gerar 1,5 TB de arquivos PDF, a um custo de
aproximadamente US$ 240,00
9 / 88
Apache Hadoop
Introduo
Onde o Hadoop utilizado?
Soluo para:
Data warehouse
Business intelligence
Aplicaes analticas
Mdias sociais
10 / 88
Apache Hadoop
Introduo
Muitas possibilidades...
11 / 88
Apache Hadoop
Introduo
Vantagens
Por que usar Hadoop?

Cdigo aberto
Econmico
Robusto
Escalvel
Foco na regra de negcio
12 / 88
Apache Hadoop
Introduo
Vantagens
Vantagem I
Cdigo Aberto
Comunidade ativa
Apoio de grandes corporaes
Correes de erros frequentes
Constante evoluo do arcabouo
13 / 88
Apache Hadoop
Introduo
Vantagens
Vantagem II
Econmico
Software livre
Uso de mquinas e redes convencionais
Aluguel de servios disponveis na nuvem:
Amazon Elastic MapReduce
Google App Engine MapReduce
etc.
14 / 88
Apache Hadoop
Introduo
Vantagens
Vantagem III
Robusto
Se em 1 mquina h probabilidade de haver falhas...
Tempo mdio entre falhas para 1 n: 3 anos
Tempo mdio entre falhas para 1.000 ns: 1 dia
Estratgias
Replicao dos dados
Armazenamento de metadados
15 / 88
Apache Hadoop
Introduo
Vantagens
Vantagem IV
Escalvel
Permite facilmente adicionar mquinas ao aglomerado
Adio no implica na alterao do cdigo-fonte
Limitao apenas relacionada a quantidade de recursos
disponveis
16 / 88
Apache Hadoop
Introduo
Vantagens
Vantagem V
Foco na regra de negcio

Hadoop realiza todo o trabalho duro
Desenvolvedores podem focar apenas na abstrao do
problema
17 / 88
Apache Hadoop
Introduo
Desvantagens
Desvantagens
nico n mestre
Ponto nico de falha
Pode impedir o escalonamento
Dificuldade das aplicaes paralelas
Problemas no paralelizveis
Processamento de arquivos pequenos
Muito processamento em um pequeno conjunto de dados
18 / 88
Apache Hadoop
Suposies
Suposies do projeto (I)

Problemas
Os dados que sero processados no cabem em um n
Cada n composto por hardware comum
Falhas podem (e iro) acontecer
Ideias e solues do Apache Hadoop
Sistema de arquivos distribudo
Replicao interna
Recuperao de falhas automtica
19 / 88
Apache Hadoop
Suposies
Suposies do projeto (II)

Problemas
Mover dados caro (largura de banda pequena)
Mover computao barato
Programao paralela e distribuda difcil
Ideias e solues do Apache Hadoop
Mover a computao para onde esto os dados
Escrever programas que so fceis de se distribuir
Paralelismo de dados utilizando conceitos de linguagem
funcional
20 / 88
Apache Hadoop
O modelo MapReduce
O exemplo clssico: contagem de palavras

Word Count
Gerar uma lista de frequncia das palavras em um conjunto grande
de arquivos: ordem de terabytes!
Minicursos ERAD 2012
ERAD 2012 em Campinas
Word Count
Minicursos Hadoop ERAD 2012
ERAD 2012 Campinas SP
2012, 4
ERAD, 4
Campinas, 2
em, 1
Hadoop, 1
Minicursos, 2
SP, 1
21 / 88
Apache Hadoop
O modelo MapReduce
Em um mundo no paralelo
Assuma que a mquina tem memria suficiente (> 1 TB !)
word-count() {
for each document d {
for each word w in d {
w_count[w]++
}
}
save w_count to persistent storage
}
Fcil, mas provavelmente a execuo demorar um longo tempo,

pois a entrada da ordem de terabytes
22 / 88
Apache Hadoop
O modelo MapReduce
Em um mundo paralelo qualquer

Mutex lock; // protege w_count
word-count() {
for each document d in parallel {
for each word w in d {
lock.Lock();
w_count[w]++
lock.Unlock();
}
}
save w_count to persistent storage
}
Problemas:
utiliza uma estrutura de dados nica e global
recursos compartilhados: seo crtica!
23 / 88
Apache Hadoop
O modelo MapReduce
Google MapReduce
O modelo inicial proposto pelo Google apresentou conceitos
para simplificar alguns problemas
Paralelizao da computao em um aglomerado de mquinas
comuns (com centenas/milhares de CPUs)
Paralelizao e distribuio automtica de computao deveria
ser o mais simples possvel
O sistema de execuo se encarrega de:
particionar e distribuir os dados de entrada
escalonar as execues em um conjunto de mquinas
tratar as falhas
comunicao entre as mquinas
24 / 88
Apache Hadoop
O modelo MapReduce
Ideia bsica do MapReduce

O modelo de programao paralela MapReduce aborda os
problemas da seguinte forma:
1
Leia uma grande quantidade de dados
Aplique a funo MAP: extrai alguma informao de valor!
Fase intermediria: Shuffle & Sort
Aplique a funo REDUCE: rene, compila, filtra, transforma,

etc.
Grave os resultados
25 / 88
Apache Hadoop
O modelo MapReduce
MapReduce
A ideia do modelo de programao Map e Reduce no nova
Presente em linguagens funcionais h mais de 40 anos!
No Hadoop a parte do arcabouo responsvel pelo
processamento distribudo (paralelo) de grandes conjuntos de
dados
Usa padres j conhecidos:
cat
entrada
|
|
grep
map
|
|
sort
shuffle
|
|
uniq
reduce
>
>
arquivo
sada
26 / 88
Apache Hadoop
O modelo MapReduce
A natureza do Map
Map em programao funcional

map({1,2,3,4}, (2)) -> {2,4,6,8}
Todos os elementos so processados por um mtodo e os elementos
no afetam uns aos outros.
27 / 88
Apache Hadoop
O modelo MapReduce
A natureza do Reduce
Reduce em programao funcional

reduce({1,2,3,4}, ()) -> {24}
Todos os elementos da lista so processados juntos

Tanto em Map quanto em Reduce: a entrada fixa
(imutvel), e a sada uma nova lista (em geral)
28 / 88
Apache Hadoop
O modelo MapReduce
O modelo implementado
O modelo MapReduce adequado para trabalhar com grandes

quantidades de dados
Realiza computao sobre os dados (pouca movimentao de
dados)
Os dados so compartilhados atravs de um sistema de
arquivos distribudo
29 / 88
Apache Hadoop
O modelo MapReduce
MapReduce no Hadoop
A funo Map atua sobre um conjunto de entrada com chaves
e valores, produzindo uma lista de chaves e valores
A funo Reduce atua sobre os valores intermedirios
produzidos pelo Map para, normalmente, agrupar os valores e
produzir a sada
map
reduce
Entrada
<k1, v1>
<k2, lista(v2)>
Sada
lista(<k2, v2>)
lista(<k3, v3>)
30 / 88
Apache Hadoop
O modelo MapReduce
De volta ao exemplo do Word Count
L arquivos texto e conta a frequncia das palavras

Entrada: arquivos texto
Sada: arquivo texto
Cada linha: palavra, separador (tab), quantidade
Map: gera pares (palavra, quantidade)

Reduce: para cada palavra, soma as quantidades
31 / 88
Apache Hadoop
O modelo MapReduce
Word Count (pseudo-cdigo)

map(String key, String value):
// key: document name
// value: document contents
for each word w in value:
EmitIntermediate(w, "1");
reduce(String key, Iterator values):
// key: a word
// value: a list of counts
int result = 0;
for each v in values:
result += ParseInt(v);
Emit(key, AsString(result));
32 / 88
Apache Hadoop
O modelo MapReduce
Execuo do Word Count
Entrada
entrada1.txt
Minicursos ERAD
2012 ERAD 2012
em Campinas
entrada2.txt
Minicursos
Hadoop ERAD
2012 ERAD 2012
Campinas SP
Mapper
(Minicursos, 1)
(ERAD, 2)
(2012, 2)
(em, 1)
(Campinas, 1)
(Minicursos, 1)
(Hadoop, 1)
(ERAD, 2)
(2012,2)
(Campinas, 1)
(SP, 1)
Shuffle
Reducer
(2012, [2,2])
(Campinas, [1,1])
(em,[1,0])
(ERAD, [2,2])
(Hadoop, [0,1])
(Minicursos, [1,1])
(SP, [0,1])
(2012, 4)
(Campinas, 2)
(em, 1)
(ERAD, 4)
(Hadoop,1)
(Minicursos, 2)
(SP, 1)
Sada
2012, 4
Campinas, 2
em, 1
ERAD, 4
Hadoop,1
Minicursos, 2
SP, 1
33 / 88
Apache Hadoop
O modelo MapReduce
Outros exemplos: Grep
Procura nos arquivos de entrada por um dado padro

Map: emite uma linha se um padro encontrado
Reduce: copia os resultados para a sada
34 / 88
Apache Hadoop
O modelo MapReduce
Ilustrando o Grep
cat
entrada
|
|
grep
map
|
|
sort
shuffle
|
|
uniq
reduce
>
>
arquivo
sada
35 / 88
Apache Hadoop
O modelo MapReduce
Outros exemplos: ndice Invertido
Gerar o ndice invertido das palavras de um conjunto de

arquivos dado
Map: faz a anlise dos documentos e gera pares de (palavra,
docId)
Reduce: recebe todos os pares de uma palavra, organiza os
valores docId, e gera um par (palavra, lista(docId))
36 / 88
Apache Hadoop
O modelo MapReduce
Ilustrando o ndice Invertido

hamlet.txt
to be or
not to be
12th.txt
be not afraid
of greatness
to, hamlet.txt
be, hamlet.txt
or, hamlet.txt
not, hamlet.txt
be, 12th.txt
not, 12th.txt
afraid, 12th.txt
of, 12th.txt
greatness, 12th.txt
sada.txt
afraid, (12th.txt)
be, (12th.txt, hamlet.txt)
greatness, (12th.txt)
not, (12th.txt, hamlet.txt)
of, (12th.txt)
or, (hamlet.txt)
to, (hamlet.txt)
37 / 88
Apache Hadoop
Subprojetos do Hadoop
Hadoop Common
Hadoop MapReduce
Hadoop Distributed File System (HDFS)
38 / 88
Apache Hadoop
O Hadoop Common
O Hadoop Common oculta o que os usurios comuns no precisam
saber!
Paralelizao automtica
Balanceamento de carga
Otimizao nas transferncias de disco e rede
Tratamento de falhas
Robustez
Escalabilidade
39 / 88
Apache Hadoop
Outros projetos Apache relacionados

Avro seriao de dados e chamada a procedimentos
remotos (Remote Procedure Call )
Cassandra banco de dados NoSQL, tuplas <chave,valor>
Chukwa monitoramento e coleta de dados de sistemas
distribudos
HBase banco de dados no-relacional distribudo e escalvel
(baseado no Google Bigtable)
Hive infraestrutura de data warehouse (relacional,
SQL-like)
Mahout biblioteca para machine learning e data mining
Pig plataforma de anlise de dados e linguagem de fluxo
de dados (Pig Latin)
ZooKeeper coordenao de servios distribudos (configuraes,
nomes, sincronizao, etc.)
40 / 88
Apache Hadoop
A pilha de software do Hadoop
41 / 88
Apache Hadoop
Componentes do Hadoop
N Mestre
NameNode
SecondaryNameNode
JobTracker
Ns Escravos
DataNode
TaskTracker
42 / 88
Apache Hadoop
NameNode
Gerencia os metadados dos arquivos

FSImage (checkpointing ) e EditLog (lista das operaes)
Controla a localizao das rplicas

Encaminha os blocos aos ns escravos
Mantm as informaes em memria
43 / 88
Apache Hadoop
DataNode
Realiza o armazenamento dos dados

Permite armazenar diversos blocos
Deve se comunicar com o NameNode
44 / 88
Apache Hadoop
SecondaryNameNode
N auxiliar do HDFS
Realiza pontos de checagem em intervalos pr-definidos
Permite manter o nvel de desempenho do NameNode
45 / 88
Apache Hadoop
JobTracker
Gerencia o plano de execuo de tarefas MapReduce

Designa as tarefas aos ns escravos
Monitora a execuo das tarefas para agir em caso de falhas
46 / 88
Apache Hadoop
TaskTracker
Realiza o processamento das tarefas MapReduce

Cada n escravo possui uma nica instncia
47 / 88
Apache Hadoop
Resumindo...
48 / 88
Apache Hadoop
NameNode e DataNodes no HDFS
Fonte: Evert Lammers (SARA.nl)
NameNode (NN)
Gerencia o namespace do sistema
de arquivos
Mapeia nomes de arquivos para
blocos
Mapeia blocos para DataNodes
Gerencia replicao
DataNode (DN)
Armazena dados no sistema
de arquivos local
Mantm informaes para
checar integridade dos
blocos (CRC )
49 / 88
Apache Hadoop
JobTracker e TaskTrackers no MapReduce
Fonte: Evert Lammers (SARA.nl)
JobTracker (JT)
TaskTrackers (TT)
Controla os metadados
status de um job
status de tasks
nos TTs
Decide como ser o
escalonamento
Solicita trabalho no JT
busca cdigo para executar do DFS
aplica configuraes especficas nos
jobs
Comunicam-se com o JT nas tasks
enviam sadas, sinais, atualizaes ...
50 / 88
Apache Hadoop
Rodando o Hadoop
Formas de execuo
Local
Pseudo-distribuda
Completamente distribuda
51 / 88
Apache Hadoop
Rodando o Hadoop
Formas de execuo
Execuo local:
Configurao padro
Recomendvel para a fase de desenvolvimento e testes
Aplicao executada na mquina local
52 / 88
Apache Hadoop
Rodando o Hadoop
Formas de execuo
Execuo pseudo-distribuda:
Cluster de uma mquina s
Configurao similar do processamento em um cluster...
... porm, o processamento continua sendo executado na
mquina local
53 / 88
Apache Hadoop
Rodando o Hadoop
Formas de execuo
Execuo completamente distribuda:

Processamento real de uma aplicao Hadoop
Deve indicar quais mquinas iro efetivamente executar os
componentes Hadoop
54 / 88
Apache Hadoop
Rodando o Hadoop
Execuo de tarefas MapReduce no Hadoop
55 / 88
Apache Hadoop
Rodando o Hadoop
Demo
Demo do Word Count
56 / 88
Apache Hadoop
HDFS
HDFS
Caractersticas
Sistema de arquivos distribudo
Arquitetura Mestre/Escravo
Inspirado no Google FileSystem (GFS)
57 / 88
Apache Hadoop
HDFS
Caractersticas
Implementado em Java
Armazenamento de grandes volumes de dados
Recuperao de dados transparente para o usurio
58 / 88
Apache Hadoop
HDFS
Diviso em blocos
Disco rgido pode no suportar o tamanho de um arquivo

principalmente em solues BigData
HDFS divide os arquivos em blocos de mesmo tamanho

64 MB por padro
59 / 88
Apache Hadoop
HDFS
Replicao de dados
3 rplicas (em geral) para cada bloco

aumento de segurana e disponibilidade
Cada rplica em um n diferente

2 em um mesmo rack de rede e 1 em um rack diferente
Re-replicao
para o caso de uma rplica se tornar corrompida
60 / 88
Apache Hadoop
HDFS
Exemplo
61 / 88
Apache Hadoop
Apache Pig
Apache Pig
62 / 88
Apache Hadoop
Apache Pig
O que o Apache Pig?
O Apache Pig uma plataforma para a anlise de grandes

quantidades de dados composta por:
uma linguagem de alto-nvel para expressar programas de
anlise de dados (Pig Latin)
e uma infra-estrutura para a execuo desses programas
A plataforma gera, otimiza e compila automaticamente

programas MapReduce em tempo de execuo
63 / 88
Apache Hadoop
Apache Pig
Motivao com um exemplo

Ler usurios
Filtrar por idade
Problema:
Suponha que voc tenha dados
dos seus usurios em um arquivo,
logs de acesso a sites em outro, e
voc quer saber quais so os 5
sites mais visitados por usurios
com idades entre 18 e 25 anos.
Ler pginas
Juno por nome
Agrupar por URL
Contar visitas
Ordenar por nmero

de visitas
Pegar as 5 primeiras
64 / 88
Apache Hadoop
Apache Pig
Cdigo em MapReduce
65 / 88
Apache Hadoop
Apache Pig
Mesmo cdigo em Pig Latin

Users = load users as (name, age);
Fltrd = filter Users by
age >= 18 and age <= 25;
Pages = load pages as (user, url);
Jnd = join Fltrd by name, Pages by user;
Grpd = group Jnd by url;
Smmd = foreach Grpd generate group,
COUNT(Jnd) as clicks;
Srtd = order Smmd by clicks desc;
Top5 = limit Srtd 5;
store Top5 into top5sites;
66 / 88
Apache Hadoop
Apache Pig
Execuo
Ao executar o script Pig, a plataforma se encarrega de:
fazer o parse do arquivo
verificar erros de sintaxe
otimizar o cdigo do script
criar um plano de execuo quais tarefas Map e Reduce
sero necessrias e qual a melhor ordem para execut-las?
enviar todos os arquivos necessrios para o HDFS
monitorar os processos em execuo
67 / 88
Apache Hadoop
Apache Pig
Pig vs. Hive
Por que no usar SQL em vez do Pig?
Pig
Hive
Processamento iterativo
Ferramentas de Business
Intelligence
Pesquisa
Anlise a posteriori
Pipelines
68 / 88
Apache Hadoop
Apache Pig
Destaques do Pig
Funes definidas pelo usurio (UDFs) so elementos de
primeira ordem da linguagem. Podem ser escritos para
transformaes em colunas (toUpper()) ou agregao
(sum())
Quatro tipo de joins diferentes: hash, fragment-replicate,
merge e skewed
Multi-query : Pig ir combinar certos tipos de operaes em
um nico pipeline para reduzir o nmero de vezes que um
mesmo dado precisa ser analisado
Order by prov ordem total entre os reducers
Piggybank, uma coleo de funes UDF disponibilizadas pela
comunidade de usurios
69 / 88
Apache Hadoop
Apache Pig
Funes algbricas e de acumulao
Eval functions:
AVG
CONCAT
COUNT
COUNT_STAR
DIFF
IsEmpty
MAX
MIN
SIZE
SUM
TOKENIZE
70 / 88
Apache Hadoop
Apache Pig
Funes matemticas
ABS
ACOS
ASIN
ATAN
CBRT
CEIL
COS
COSH
EXP
FLOOR
LOG
LOG10
RANDOM
ROUND
SIN
SINH
SQRT
TAN
TANH
71 / 88
Apache Hadoop
Apache Pig
Quem usa o Pig?

Em 2010, tarefas MapReduce geradas pelo Pig correspondiam
a 70% das tarefas executadas no Yahoo!
O Pig tambm usado pelo Twitter, LinkedIn, Ebay, AOL, etc.
Usos comuns:
Processamento de logs de servidores web
Construo de modelos de predio de comportamento de
usurios
Processamento de imagens
Construo de ndices de pginas da web
Pesquisa em conjuntos de dados brutos
72 / 88
Apache Hadoop
Apache Pig
Leitura dos arquivos
A leitura dos arquivos pode ser feita utilizando:

a classe PigStorage, que fornece um modo conveniente de ler
arquivos com entradas separadas por um delimitador
especificado com uma expresso regular, ou
uma classe Java personalizada
73 / 88
Apache Hadoop
Apache Pig
Acessando o Pig
Modos de execuo
Grunt Shell: modo iterativo, comandos so digitados
manualmente usando um shell iterativo
Arquivo de script: os comandos so definidos em um arquivo
de script
Modo embutido: os comandos do Pig podem ser executados
de dentro de um outro programa
Modos de distribuio
Modo local, as tarefas MapReduce so executadas na mquina
local
Modo Hadoop (MapReduce): a plataforma executa as tarefas
MapReduce em uma instalao do Hadoop e do HDFS remota
74 / 88
Apache Hadoop
Apache Pig
Um script em PIG simples
Script
A = load passwd using PigStorage(:);
B = foreach A generate $0 as id;
dump B;
store B into id.out;
75 / 88
Apache Hadoop
Apache Pig
Um script em PIG simples

Modo embutido
public class idlocal{
public static void main(String[] args) {
try {
PigServer pigServ = new PigServer("mapreduce");
runIdQuery(pigServer, "passwd");
} catch(Exception e) {}
}
public static void runIdQuery(PigServer pigServ, String inputFile)
throws IOException {
pigServ.registerQuery("A = load " + inputFile + " using PigStorage(:);");
pigServ.registerQuery("B = foreach A generate $0 as id;");
pigServ.store("B", "id.out");
}
}
76 / 88
Apache Hadoop
Apache Pig
Pig Demo
Pig Demo
77 / 88
Apache Hadoop
Apache Mahout
Apache Mahout
78 / 88
Apache Hadoop
Apache Mahout
Apache Mahout
uma biblioteca de algoritmos de aprendizado de mquina

um projeto da Fundao Apache
Software livre (licena Apache)
Principal objetivo: ser escalvel para manipular grandes
volumes de dados
79 / 88
Apache Hadoop
Apache Mahout
Onde usar o Mahout?

O Mahout utilizado quando se preciso trabalhar com:
Matrizes e vetores
Estruturas esparsas e densas
Agrupamento
Cobertura
K-Means
Anlise de densidade de funes
Filtragem colaborativa
Mahout + Hadoop
Opcional, mas se utilizado com o Hadoop o Mahout pode explorar
a escalabilidade do modelo MapReduce para processar os dados
80 / 88
Apache Hadoop
Apache Mahout
Quem usa o Mahout?
Adobe Adobe Media Player usa o Mahout para gerar

recomendaes de vdeos para seus usurios
Amazon Amazons Personalization Platform
AOL recomendaes de compras
Foursquare sistema de recomendaes de lugares
Mendeley sistema de recomendaes de artigos cientficos
Twitter modelagem de interesses de usurios
etc.
81 / 88
Apache Hadoop
Apache Mahout
Gerando recomendaes
Exemplo: Large-scale Parallel Collaborative Filtering for the Netflix
Prize (AAIM08 Zhou et al., HP Labs)
Constri uma matriz de co-ocorrncia
Computa o nmero de vezes que cada par de itens aparecem
juntos na lista de preferncias de algum usurio
Se existem 9 usurios que expressam preferncia pelo itens X e
Y, ento X e Y co-ocorrem 9 vezes
Co-ocorrncia como similaridade, quanto mais dois itens
aparecerem juntos, mais provvel que sejam similares
82 / 88
Apache Hadoop
Apache Mahout
Gerando recomendaes
101
102
103
104
105
106
107
101
5
3
4
4
2
2
1
102
3
3
3
2
1
1
0
103
4
3
4
3
1
2
0
104
4
2
3
4
2
2
1
105
2
1
1
2
2
1
1
106
2
1
2
2
1
2
0
107
1
0
0
1
1
0
1
83 / 88
Apache Hadoop
Apache Mahout
Gerando recomendaes
Computando o vetor de cada usurio:
Um vetor para cada usurio
Com n itens na base de dados, o vetor de preferncias ter n
dimenses
Se o usurio no exprime nenhuma preferncia por um
determinado item, o valor correspondente no vetor ser zero
Neste exemplo, o vetor do usurio trs [2.0, 0.0, 0.0, 4.0,
4.5, 0.0, 5.0]
84 / 88
Apache Hadoop
Apache Mahout
Gerando recomendaes
101
102
103
104
105
106
107
101
5
3
4
4
2
2
1
102
3
3
3
2
1
1
0
103
4
3
4
3
1
2
0
104
4
2
3
4
2
2
1
105
2
1
1
2
2
1
1
106
2
1
2
2
1
2
0
107
1
0
0
1
1
0
1
U3
2.0
0.0
0.0
4.0
4.5
0.0
5.0
R
40.0
18.5
24.5
40.0
26.0
16.5
15.5
Multiplicando a matriz de co-ocorrncia com o vetor de preferncias do

usurio trs para chegar ao vetor que nos leva s recomendaes.
85 / 88
Apache Hadoop
Apache Mahout
Gerando recomendaes
Intuitivamente, olhando para a linha 3 da tabela, se o item desta

linha co-ocorre com muitos itens que o usurio 3 expressou sua
preferncia, ento provvel que seja algo de que o usurio 3 goste.
86 / 88
Apache Hadoop
Apache Mahout
Demo
Recomendao de filmes usando o conjunto de dados MovieLens

da Universidade de Minnesota
Entrada: UserID::MovieID::Rating::Timestamp
Sada: UserID [MovieID:Recommendation,...]
6040 [1941:5.0,1904:5.0,2859:5.0,3811:5.0,...]
Veja o exemplo completo em:

cwiki.apache.org/MAHOUT/recommendationexamples.html
87 / 88
Apache Hadoop
Referncias
Referncias
Livros
Hadoop: The Definitive Guide (Tom White, Yahoo Press)
Hadoop in Action (Chuck Lam, Manning Publications)
Web
http://wiki.apache.org/hadoop/
http://developer.yahoo.com/hadoop/tutorial/
http://pig.apache.org/
http://mahout.apache.org/
Material extra
Profa. Luciana Arantes (LIP6, Paris)
88 / 88

Apache Hadoop

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apache Hadoop

Caricato da

Copyright:

Formati disponibili

Apache Hadoop

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Arcabouo para processamento e armazenamento de dados em

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

2003 Google publica artigo do GFS (SOSP03)

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

2007 Yahoo! Inc. se torna o maior contribuidor e utilizador

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

The New York Times

Published: May 2, 1892

ERAD/SP 25 de julho de 2012

The New York Times

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Onde o Hadoop utilizado?

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Por que usar Hadoop?

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Foco na regra de negcio

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Suposies do projeto (I)

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Suposies do projeto (II)

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

O exemplo clssico: contagem de palavras

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Fcil, mas provavelmente a execuo demorar um longo tempo,

ERAD/SP 25 de julho de 2012

Em um mundo paralelo qualquer

ERAD/SP 25 de julho de 2012

Daniel Cordeiro (IME/USP) danielc@ime.usp.br

ERAD/SP 25 de julho de 2012

Ideia bsica do MapReduce

Leia uma grande quantidade de dados

Aplique a funo MAP: extrai alguma informao de valor!