目次 †
はじめに †
このページにかぎらないのですが、だれでも編集可能です。
間違っていたら修正をお願いします。
注意点、更新時には、「spamではない場合はチェック」を入れないと、修正は破棄するように改造しています。
sparkってなに †
一言でいうならば、分散処理のRDDという考え方を実装したフレームワーク。
メリットは多段処理が必要な演算の記述が簡潔にできる。
採用実績 †
CONVIVA ビデオ配信
Yahoo 台湾 分析をsparkが行っている
RDDってなに †
たとえば、プログラマーは分散処理の流れを書くとsparkは分散処理の種類に応じて処理をスケジュールしてくれる。これには、多段処理の依存性を２種類に区別して、同一サーバ内で処理できるものと、他サーバでの処理結果を待つものに分けてスケジュールすることで、ネットワークの通信を最小にして高速化を図る。
また、演算が何らかの理由で失敗したとしても、スケジュールの系譜を逆算して、途中の成功している演算結果を利用する仕組みが備わっている。それは再帰的に行われる。
このように分散処理を多段にわけ、２種類に区別することで、系譜を作りスケジュールを行う考え方をRDDと読んでいるようだ。
これは、障害に強い分散処理とでも言えばいいのだろうか。
sparkという名称よりRDD分散処理フレームワークとしたほうが、実態を表した名前に近いのになぁと思った。
遅延実行 †
その他の特徴に、遅延実行がある。 アクションと呼ばれるトリガーが呼ばれるまで、なにもしない。
Scalaの学習に最適 †
ソースコードがJavaのプログラマーが理解できるようにコメントがしっかりしていて、
Akkaをつかって、リモートで実行させる記述など、勉強になることが多い。
コードについて †
version0.6でだいたいできていて、１万行でversion1.0では、５万行、でも内容は大差なく、機能がプラグイン形式になったり、コメントが豊富になったりしている。
コミッターについて †
１００人規模になっているが、メインは４人
チューニング †
メモリを使うモード、ストレージを使うモードなどなど、 処理に合わせて、チューニングできるようになっている。 ソースコードを見るとわかる。
デバック †
デバックに癖があるとのこと
URL †
ダウンロード †
spark.apache.org/downloads.html
Scalaのサンプルが書いてあるので
scalaがインストールされている前提。
YARN †
任意の分散処理フレームワークやアプリケーションの作成を容易にする新しいフレームワークのことです。MapReduce?のバージョン2とも呼ばれています。
JobTracker?の代替えです。
Yet-Another-Resource-Negotiatorの頭文字をとっています。
[Mesos]Hadoop YARNとApache Mesosの違いって何？ †
http://d.hatena.ne.jp/kimutansk/20131104/1383496192
http://blog.livedoor.jp/sonots/archives/35421955.html
その他きになること †
Googleのオメガは、リソース管理やってて、参考にするのか、そのあたりどうなるか。。。
scala †
http://www.scala-lang.org/download/
ドキュメントリンク †
Typesafe Activator †
Typesafe Activatorとは、Scala/Java向けのWebアプリケーションフレームワーク「Akka」などに向けたアプリケーション開発ツールです。
Hadoop上にWebアプリを構築する方法を表示する「Play Framework + HBase」や「Reactive Mongo + Knockout」などがあります。
エコシステム(Sparkを使った特定用途のフレームワーク) †
Spark Streaming Shark (SQLが使える)
以下略
勉強会 †
hadoopの勉強会で、紹介されてました。
twitterで#hadoopreading で検索するとヒットするはず。
NTT DATAの豊洲の人々と、Treasure DATAの人が盛り上げていました。
