Session des Journées SQL Server 2014 - David Joubert --- Intégré par défaut sur la plateforme Hadoop, Hive est lien manquant entre SQL et Big Data dans l’éco-système. Langage, stockage, exécution, cet entrepôt de données Big Data s’est toujours inspiré de ses équivalents relationnels dans son évolution. Cette session sera l’occasion de faire le tour de la technologie et de démontrer cette convergence.

1. #JSS2014
Les journées
SQL Server 2014
Un événement organisé par GUSS

2. #JSS2014
Les journées
SQL Server 2014
Un événement organisé par GUSS
Hive ou la convergence entre
datawarehouse et Big Data
Julien Buret
David Joubert

3. #JSS2014
Merci à nos sponsors

4. #JSS2014
Speakers
Julien Buret
Directeur technique
@julienburet
David Joubert
Consultant Data & Analytics
@Dj_Uber
www.djuber.net

5. #JSS2014
On va parler de
• Un peu d’Hadoop
• Beaucoup de Hive
– Historique
– Moteurs d’exécution
– Stockage
– Optimisation de requêtes
• Pas mal de démos
On ne vas pas en parler
• De tout le reste
Autres sessions Big Data
• APS, l’appliance Big Data, Lundi
à 15h30
• Big Data et Real Time, Mardi à
14h
Agenda

6. #JSS2014
• Framework aidant au développement
d’application distribué et scalable
• Projet débuté en 2005
– Basé sur 2 papiers de Google (GFS & MapReduce)
• Projet Apache depuis 2009
Hadoop : un peu d’histoire

7. #JSS2014
Map Reduce
class CompositeKeyWritableRSJ implements Writable,
WritableComparable<CompositeKeyWritableRSJ> {
// Data members
private String joinKey;// EmployeeID
private int sourceIndex;// 1=Employee data; 2=Salary (current) data; 3=Salary historical data
public CompositeKeyWritableRSJ() {
}
public CompositeKeyWritableRSJ(String joinKey, int sourceIndex) {
this.joinKey = joinKey;
this.sourceIndex = sourceIndex;
}
@Override
public String toString() {
return (new StringBuilder().append(joinKey).append("t").append(sourceIndex)).toString();
}
public void readFields(DataInput dataInput) throws IOException {
joinKey = WritableUtils.readString(dataInput);
sourceIndex = WritableUtils.readVInt(dataInput);
}
public void write(DataOutput dataOutput) throws IOException {
WritableUtils.writeString(dataOutput, joinKey);
WritableUtils.writeVInt(dataOutput, sourceIndex);
}
public int compareTo(CompositeKeyWritableRSJ objKeyPair) {
int result = joinKey.compareTo(objKeyPair.joinKey);
if (0 == result) {
result = Double.compare(sourceIndex, objKeyPair.sourceIndex);
}
return result;
}
public String getjoinKey() {
return joinKey;
}
public void setjoinKey(String joinKey) {
this.joinKey = joinKey;
}
public int getsourceIndex() {
return sourceIndex;
}
public void setsourceIndex(int sourceIndex) {
this.sourceIndex = sourceIndex;
}
}
public class MapperRSJ extends
Mapper<LongWritable, Text, CompositeKeyWritableRSJ, Text> {
CompositeKeyWritableRSJ ckwKey = new CompositeKeyWritableRSJ();
Text txtValue = new Text("");
int intSrcIndex = 0;
StringBuilder strMapValueBuilder = new StringBuilder("");
List<Integer> lstRequiredAttribList = new ArrayList<Integer>();
@Override
protected void setup(Context context) throws IOException,
InterruptedException {
// {{
// Get the source index; (employee = 1, salary = 2)
// Added as configuration in driver
FileSplit fsFileSplit = (FileSplit) context.getInputSplit();
intSrcIndex = Integer.parseInt(context.getConfiguration().get(
fsFileSplit.getPath().getName()));
// }}
// {{
// Initialize the list of fields to emit as output based on
// intSrcIndex (1=employee, 2=current salary, 3=historical salary)
if (intSrcIndex == 1) // employee
{
lstRequiredAttribList.add(2); // FName
lstRequiredAttribList.add(3); // LName
lstRequiredAttribList.add(4); // Gender
lstRequiredAttribList.add(6); // DeptNo
} else // salary
{
lstRequiredAttribList.add(1); // Salary
lstRequiredAttribList.add(3); // Effective-to-date (Value of
// 9999-01-01 indicates current
// salary)
}
// }}
}
public class ReducerRSJ extends
Reducer<CompositeKeyWritableRSJ, Text, NullWritable, Text> {
StringBuilder reduceValueBuilder = new StringBuilder("");
NullWritable nullWritableKey = NullWritable.get();
Text reduceOutputValue = new Text("");
String strSeparator = ",";
private MapFile.Reader deptMapReader = null;
Text txtMapFileLookupKey = new Text("");
Text txtMapFileLookupValue = new Text("");
@Override
protected void setup(Context context) throws IOException,
InterruptedException {
// {{
// Get side data from the distributed cache
Path[] cacheFilesLocal = DistributedCache.getLocalCacheArchives(context
.getConfiguration());
for (Path eachPath : cacheFilesLocal) {
if (eachPath.getName().toString().trim()
.equals("departments_map.tar.gz")) {
URI uriUncompressedFile = new File(eachPath.toString()
+ "/departments_map").toURI();
initializeDepartmentsMap(uriUncompressedFile, context);
}
}
// }}
}

8. #JSS2014
• Projet interne Facebook lancé en
2007
• Opensourcé en 2009
• Aujourd’hui le standard de fait
pour exécuter du SQL sur Hadoop
• Disponible sur toute les
distributions populaires
Hive : un peu d’histoire

9. #JSS2014
Hive fonctionnement globale
Block n
Block n
Block n
Block n
foo/foo1.tx
t
Hive METASTORE
FOO -> /dw/foo
select id, count(0)
from FOO group
by id
1. Créer des
jobs en se
servant des
metadonnées
2. Génère et soumet le
traitement au cluster
task
task
task
task
Hive DRIVER

10. #JSS2014
Interprétation SQL par Hive
Parser
Analyse
Sémantique
Générateur
plan
d’éxecution
logique
Générateur
plan
d’éxecution
physique
HiveQL
AST
QB
Operator
Tree
Task Tree

11. #JSS2014
M/R comme moteur d’exécution SQL
M
M
M
M
M
R
R
R
HDFS
HDFS
M
M
R HDFS M R HDFS
IO
IO
IO

12. #JSS2014
Hive

13. #JSS2014
Hive Quelle usage ?
Base de donneés Hive
Langage SQL HiveQL (SQL-92)
Update Oui Non
Delete Oui Non
Transactions Oui Non
Index Extensive Non / Limité
Latence Très faible Elevée
Volume de données To Po
Gestion des
données
Validation à
l’ecriture, contrainte
« schema on read »

14. #JSS2014
Hive Quelle usage ?
PAS DE REQUÊTES
INTERACTIVES
Datwarehouse
DB
Log
DB
SQL/NoSQL
Réseaux
sociaux

15. #JSS2014
Requête interactive sur Hadoop
STINGER

16. #JSS2014
La fin de M/R pour le sql sur Hadoop
hive> set hive.execution.engine=tez
Et bientôt
hive> set hive.execution.engine=spark

17. #JSS2014
• MPP
• Requête SQL « interactive » sur Hadoop
• Compatible Hive
– Même API
– Partage le metastore
Impala

18. #JSS2014
Spark

19. #JSS2014
• Nouveau moteur d’exécution pour Hadoop
– Supporte M/R + Join
– Permet de construire des plans d’exécution plus
complexe que M/R
• Pipelining
• Utilisation de la mémoire à la place du disque
• Multiple Reduce Stage
Tez

20. #JSS2014
Traitement complexe M/R
M
M
M
M
M
R
R
R
HDFS
HDFS
M
M
R HDFS M R HDFS
IO
IO
IOIO
IO
IO IO

21. #JSS2014
Traitement complexe M/R
M
M
M
M
M
R
R
R
HDFS
HDFS
M
M
R HDFS M R HDFS
IO
IO
IO

22. #JSS2014
Même traitement avec Tez
M
M
M
M
M
R
R
R
R
R HDFS
R

23. #JSS2014
Comparaison de performances entre
Hive en mode MapReduce et Hive en
mode Tez

24. #JSS2014
• Hive peut analyser des formats textuels
(CSV, texte brut avec RegEx, Json, …)
– Permet de travailler sur de la donnée brut (log, export
d’API, …)
• Parsing couteux
• Problème de la compression
Hive sur donnée brut

25. #JSS2014
• SequenceFile, Avro, …
– Parsing moins couteux
• Compression par bloc de données
• Stockage adapté pour M/R
Format Binaire

26. #JSS2014
Format orienté colonne
a b c
a1 b1 c1
a2 b2 c2
a3 b3 c3
a4 b4 c4
a5 b5 c5
a1 b1 c1 a2 b2 c2 a3 b3 c3
a1 a2 a3 b1 b2 b3 c1 c2 c3
Représentation logique
des données
Stockage ligne
Stockage colonne
Metadata + Encoding +
Compression

27. #JSS2014
• ORC et Parquet
• Permet un stockage des données en
colonnes
• Améliore les performances en lecture,
écriture et traitement
• Optimisation du stockage grâce à la
compression induite par le format
Format orienté colonne

28. #JSS2014
Comparaison de performances entre
stockage natif et stockage colonne

29. #JSS2014
• Hive traite les données ligne à ligne
– Inefficace notamment pour des agrégations
• Mais résolue dans le monde « SQL » par la
Vectorization
• Contribution hortonwork + microsoft sur Hive
– Modification du Query Engine pour traiter des « vecteurs
de colonnes »
– Meilleur utilisation du CPU et des caches
Vectorisation

30. #JSS2014
• Optimisation de l’arbre d’exécution
– Peu d’optimisations
• Partition pruning
• Projection pruning
• Filter push down
• Pas d’optimisation lié à la donnée
– Ordre des tables dans les jointures importants
– Pas de hint
Hive < 0.14 : RBO

31. #JSS2014
• Hive 0.14 with Apache Optiq
• Impala 2.0
CBO

32. #JSS2014
• Première optimisation
– Join reordering
Hive 0.14
SQL
parser
Semantic
Analyser
Logical
Optimizer
Physical
Optimizer
Map
Reduce
Translate
Optiq
AST optimisé

33. #JSS2014
• Même problématique que pour une base
SQL
– Les statistiques doivent être calculé et représentative
des données
Hive : Calcul des statistiques

34. #JSS2014
Vectorization + CBO

35. #JSS2014
SQL
Langage de requêtes SQL
Traitement en mode batch
Format orienté colonne
(columnstore index, moteur
vertipaq)
Moteur d’exécution basé sur
des statistiques
Hive
Langage de requêtes HiveQL
Vectorisation
Format ORC (oriented row
columnar)
Query planner
Pourquoi parler de convergence ?

36. #JSS2014
• SQL-20XX
– Supporté les fonctions analytics
– WINDOWS, ROOLUP, CUBE
• Transaction
• LLAP
• Materialized Views
• Requête multi-datasource
– Prestodb (Facebook)
– APS PolyBase
– Oracle Bigdata
Le futur du SQL sur Hadoop

37. #JSS2014
Questions

38. #JSS2014#JSS2014