빅데이터
AWS EMR - sparklyr
xwMOOC
Tidyverse Korea2019-01-09
1 AWS 아파치 스파크 클러스터 1 2 3
로컬에 스파크 클러스터를 만드는 경우 Spark Executor가 로컬 컴퓨터에 위치하게 되고, 그외의 경우 Cluster Manager를 Spark Standalone, Yarn, Kubernetes로 두게 되고 쿠버네티즈는 확장성을 위해서 클라이언트와 드라이버가 분리되는 아키텍처를 취하게 된다.
2 로컬(local) 스파크 클러스터
로컬 스파크 설치 - PC/노트북, EC2 원격 컴퓨터를 참조하여 로컬(local) 스파크를 설치한다. sparklyr 팩키지 spark_home_dir(), spark_installed_versions() 함수를 사용해서 R에서 스파크 설정에 관련된 정보를 파악하고 스파크 클러스터를 생성한 후 spark_version()을 확인한다.
# 1. 라이브러리
library(sparklyr)
library(tidyverse)
## 설치된 SPARK 버젼확인 설정
# Sys.getenv("SPARK_HOME")
# spark_home_dir()
# spark_installed_versions()
# 2. 스파크 클러스터 연결
sc <- spark_connect(master="local")
## 2.1. 스파크 버젼 확인
spark_version(sc=sc)[1] '2.3.0'3 스파크 시운전(dryrun)
빅데이터를 스파크 클러스터에서 처리하는 것은 기술적으로도 난이도가 PC 로컬에서 작업하는 것보다 높은 것은 사실이지만 비용도 만만치 않게 많이 들 수 있다. 이런 문제로 인해서 로컬 컴퓨터에 스파크 클러스터를 생성하여 1% 랜덤 추출할 데이터를 집어넣어 다양한 분석과 모형개발작업을 수행한 뒤에 AWS 클라우드에 올려 본작업을 수행하는 것이 일반적인 작업흐름이다.
3.1 백만곡(One Million Song) 데이터셋 4 5
백만곡(One Million Song) 데이터셋 데이터셋은 300GB 로 대용량 데이터셋이라 1% 임의 추출하여 크기를 대폭줄인 1.8GB MILLION SONG SUBSET도 존재한다. UCI Machine Learning Repository, “YearPredictionMSD Data Set” 데이터셋도 크기가 작아 분석을 시작하기에 적합하다. YearPredictionMSD 데이터를 다운로드 받으면 YearPredictionMSD.txt.zip 파일이 생성되고 크기는 약 200 MB정도 된다. 압축을 풀게되면 438MB 정도로 크기가 커진다.
3.2 로컬 스파크 데이터 분석
YearPredictionMSD.txt.zip 파일을 download.file() 함수로 YearPredictionMSD.txt.zip 파일로 다운로드 받아 저장하고 unzip()으로 압축을 푼다.
스파크 클러스터로 데이터를 가져오기 위해서 먼저 spark_read_csv() 함수로 다운로드받은 데이터를 가져온다. 그리고 나서 class() 함수로 자료형을 확인한다. “tbl_spark”로 확인 되었으니 dplyr 동사를 활용하여 자유로이 데이터 분석을 수행한다. 우선 표본 1%를 뽑아 백만곡이 출시된 연도를 뽑아서 히스토그램을 그려본다. 스파크 RDD를 collect() 함수로 로컬 컴퓨터로 데이터프레임으로 가져온 후 ggplot() 함수로 시각화한다.
## 데이터 다운로드
# download.file("http://archive.ics.uci.edu/ml/machine-learning-databases/00203/YearPredictionMSD.txt.zip", destfile ="data/YearPredictionMSD.txt.zip")
# unzip("data/YearPredictionMSD.txt.zip")
## 데이터 스파크 클러스터로 불러오기
msd_rdd <- spark_read_csv(sc, "msd", "data/YearPredictionMSD.txt", repartition = 0, memory = TRUE, overwrite = TRUE, header = FALSE)
## 자료형 확인
class(msd_rdd)[1] "tbl_spark" "tbl_sql" "tbl_lazy" "tbl" ## 스파크 RDD를 데이터프레임으로 변환시킨 후에 `ggplot()`으로 시각화
library(extrafont)
loadfonts()
msd_rdd %>%
sample_frac(0.01) %>%
select(V1) %>%
collect() %>%
ggplot(aes(x=V1)) +
geom_histogram(binwidth = 1) +
theme_minimal(base_family = "NanumGothic") +
labs(x="", y="발매곡수", title="연도별 발매곡수", subtitle="출처: UCI 백만곡 표본추출 데이터")