Usando o Cloudera Hadoop

Uma das lacunas que existe na plataforma de software Hadoop, que também existe em outros softwares livres, está relacionada ao serviço de suporte e manutenção. A medida que as empresas passam a utilizar um software livre, muitas destas não dispõem de pessoas com competências técnicas para suportar este tipo de software e precisam de respostas rápidas para possíveis problemas que aconteçam no seu uso diário. De uma forma geral estas empresas não podem basear o suporte aos seus serviços em mensagens trocadas em grupos de usuários, o que pode representar um sério risco. Uma outra lacuna que também existe na plataforma Hadoop está relacionada às ferramentas para gerenciamento do ambiente como um todo.



A partir destas necessidades do mercado, algumas empresas começaram a trabalhar a partir da distribuição Hadoop da Apache Foundation para gerar as suas próprias distribuições, com suporte e atualizações pagas, assim como também desenvolvendo ferramentas de administração que facilitam o gerenciamento do ambiente Hadoop.

Uma das distribuições do Hadoop existentes no mercado é a da empresa Cloudera (www.cloudera.com), que além de fornecer a sua distribuição do software Apache Hadoop, chamada Cloudera Hadoop, fornece também suporte, treinamento e serviços profissionais.

Para aqueles que desejam aprender Hadoop, MapReduce, Hive, Hbase, fazer o download da versão de demo Cloudera QuickStart VM é uma das opções mais rápidas. O link para o download da versão é http://www.cloudera.com/content/support/en/downloads/download-components/download-products.html?productID=F6mO278Rvo . Neste pacote estão disponíveis o CentOS 6.2, o CDH4.3 (Cloudera Hadoop), o Cloudera Manager 4.6, o Cloudera Impala 1.0.1 e o Cloudera Search .9 Beta.



Após instalar o ambiente de máquina virtual ( VMWARE, KVM ou Virtual Box ) em seu Windows, basta importar rapidamente a VM e iniciar a utilização.



 
Um dos diferenciais da distribuição da Cloudera é o Cloudera Manager. Com o Cloudera Manager é possível administrar facilmente via interface web todo o ambiente Hadoop. Os diversos pacotes (MapReduce, Hive, HBASE, Impala, etc) podem ser iniciados e parados usando um console web bastante simples.




 
Outra vantagem de utilizar uma versão com suporte pago é o acesso a atualizações do produto. No caso da Cloudera, normalmente a cada 4 meses são lançadas correções para bugs e novas features para os usuários.

O pacote Cloudera Quickstart VM Demo traz um ambiente de desenvolvimento pronto, incluindo a ferramenta Eclipse, o que torna o aprendizado do Hadoop, MapReduce, Hive, etc mais rápido e evita que o desenvolvedor tenha que focar em configurações de arquivos e variáveis de ambiente.



Após a instalação da VM e configuração dos diretórios compartilhados, em menos de 1 hora é possível ver o resultado de um Job MapReduce. 



  Bem, até o próximo post !!!

Comentários

Postar um comentário

Postagens mais visitadas deste blog

Hive, o que é ?

Imagem
Após uma semana voltada para a Jornada Mundial da Juventude no Rio de Janeiro, que foi bastante recompensadora, voltamos ao nosso dia a dia no mundo da tecnologia e falamos sobre o Hive.  O Hive é um framework para soluções de Data Warehousing, que executa no ambiente do Hadoop, construído inicialmente pelo time de desenvolvimento do Facebook em 2007.   Ele nasceu a partir da necessidade de gerenciar, analisar e aprender sobre o comportamento dos usuários a partir dos imensos volumes de dados gerados a cada dia no Facebook.  A escolha pelo Hadoop foi incentivada pelo baixo custo, escalabilidade e evitar a dependência sobre custos de licenças e manutenção anual que são comuns nos bancos de dados do mercado.  Outro ponto também que levou ao desenvolvimento do Hive foi o baixo desempenho das soluções de mercado para realizar operações de Full Scan em grandes volumes de dados.  O Hive foi criado também visando aproveitar os "skills" de uso do SQL dos analistas e de
Leia mais

O que é o HBASE ?

Imagem
   O HBASE é um banco de dados do tipo NoSQL, não aderente ao modelo relacional, que não provê acesso SQL aos dados armazenados. Os bancos de dados que estão sob este rótulo NoSQL não podem exigir esquemas de tabela fixa e, geralmente, não suportam instruções e operações de junção SQL, assim como não dispõem de colunas com tipos de dados definidos, triggers, etc. Como exemplos de NoSQL, além do HBASE, temos o MongoDB, o Amazon SimpleDB e o Oracle NoSQL.    O HBASE é orientado a colunas, sendo muitas vezes chamado de “Hadoop Database”, permitindo operações CRUD em tempo real. Em 2010 deixou de ser um sub-projeto do Hadoop, tornando-se um projeto independente (http://hbase.apache.org/). Assim como o Hadoop, roda em plataforma clusterizada e foi projetado para suportar tabelas com bilhões de linhas.    Sua melhor aplicabilidade é quando temos uma quantidade de dados muito grande, aproveitando assim o potencial do cluster Hadoop / HDFS. Com bases de dados
Leia mais

O que é o HDFS ?

Imagem
O HDFS (Hadoop Distributed File System) é um sistema de arquivos distribuído, projetado para armazenar arquivos muito grandes,  com padrão de acesso aos dados streaming , utilizando clusters de servidores facilmente encontrados no mercado e de baixo ou médio custo.  Não deve ser utilizado para aplicações que precisem de acesso rápido a um determinado registro e sim para aplicações nas quais é necessário ler uma quantidade muito grande de dados.  Outra questão que deve ser observada é que não deve ser utilizado para ler muitos arquivos pequenos, tendo em vista o overhead de memória envolvido. O HDFS possui o conceito de blocos, tal como no Unix, mas seus blocos normalmente têm tamanho de 64MB.  Um arquivo muito grande pode ter blocos armazenados em mais de um servidor.   Com este conceito de blocos de tamanho fixo fica mais fácil calcular as necessidades de armazenamento. O HDFS tem 2 tipos de Nós :  Master (ou Namenode) e Worker (ou Datanode).  O Master armazena informações da
Leia mais