Changes between Initial Version and Version 1 of cs/Hadoop

Timestamp:

Mar 11, 2014, 1:05:17 PM (8 years ago)

Author:

xkocinc

Comment:

--

cs/Hadoop

@@ +1 @@
+= Hadoop = #Hadoop
+Tento manuál popisuje jednoduché použití systému Hadoop v CZPJ. Správa tohoto systému je popsána [[#service|níže #service|níže]].
+
+== Manuál == #manual
+=== Začátek === #top
+{{{
+export PATH="$PATH:/packages/run.64/hadoop-0.20.2-cdh3u1/bin"
+export HADOOP_HOME="/packages/run.64/hadoop-0.20.2-cdh3u1"
+export HADOOP_CONF_DIR="/home/hadoopnlp/conf"
+}}}
+Je potřeba být ve skupině `hadoopnlp` (viz příkaz `groups`). Jsou tam všichni členové CZPJ.
+
+==== Jak udržet nymfy přes noc v chodu ==== #nightrun
+musí na nich být někdo aktivně přihlášený, což zajistí příkaz
+
+[http://nlp.fi.muni.cz/cs/Hadoop# Přepnout zobrazení čísel řádků]
+
+{{{
+cssh nymfe{01..86}
+}}}
+(nechat spuštěné cssh kolem 22:00 h zabrání automatickému vypnutí)
+
+To samé platí v pátek kolem 20:00h, ale pokud chceme nechat úlohu běžet přes víkend, je potřeba to napsat na [mailto:unix@fi.muni.cz] a cssh musí běžet i v sobotu a v neděli kolem 22:00.
+
+V pracovní dny by měly výpočty skončit do 7:00, nejpozději do 7:30.
+
+=== Webová rozhraní === #web
+ * [http://alba:50070/ http://alba:50070] - web démonu !NameNode (spravujícího HDFS)
+
+ * [http://alba:50030/ http://alba:50030] - web démonu !JobTracker (spravujícího úlohy)
+
+=== Nahrání dat do HDFS === #loadhdfs
+{{{
+hadoop dfs -put /corpora/vert/bnc/bnc.vert my_bnc.vert
+}}}
+Vytvoří v HDFS adresář `/user/<tvuj_login>` a uloží soubor `bnc.vert` jako `/user/<tvuj_login>/my_bnc.vert`. Viz příkaz:
+
+{{{
+hadoop dfs -ls my_bnc.vert
+}}}
+=== Spouštění úloh typu roura === #pipe
+Pomocí nadstavby [http://hadoop.apache.org/docs/r1.2.1/streaming.html Hadoop Streaming] a frontendu `/corpora/programy/hadpipe.sh`.
+
+[http://cs.wikipedia.org/wiki/Roura_%28Unix%29 Roura]  musí být jeden soubor. Ten je zkopírován na všechny uzly clusteru a  spuštěn. Pokud volá další programy, musí tyto fungovat na všech uzlech  clusteru.
+
+Aby se zpracoval dokument jako celek, je  nutné spustit `hadpipe.sh` s parametrem `-d '<doc'`, nebo `-t '</doc>'`. Při použití `-t '</doc>'` je třeba dát na začátek roury `sed 's/<doc /<\/doc>\n<doc /'`.
+
+==== Desamb ==== #desamb
+{{{
+# Nakopirujeme nejaka data do HDFS
+cut -f1 /corpora/vert/czes/czes10M.vert | hadoop dfs -put - czes10M.vert
+# a spustime desamb
+/corpora/programy/hadpipe.sh -d '<doc' -s 4 /home/hadoopnlp/stat/desamb.utf8.sh czes10M.vert czes10M.tagged
+}}}
+Desamb spouštějte s parametry `-d '<doc' -s 4`  (vyzkoušeno na !CzTenTenu2). Znamenají, že po 4 KiB bude na nejbližším  '<doc' začínat nový split. Na některých datech totiž výpočet  nedoběhne do konce, takže je dobré dávat malé vstupy, aby (po  nevyhnutelném násilném ukončení výpočtu) byly co nejmenší ztráty.
+
+==== Set ==== #Set
+{{{
+/corpora/programy/hadpipe.sh -d '<doc' /home/hadoopnlp/bin/setmarx.sh czes10M.tagged czes10M.set
+}}}
+==== Počet pozic v korpusu ==== #sumcorpus
+{{{
+echo -e '#!/bin/sh\ngrep -cv "^<"' > /tmp/token_count.sh
+echo -e '#!/bin/sh\npaste -sd+ | bc' > /tmp/sum.sh
+/corpora/programy/hadpipe.sh -r /tmp/sum.sh /tmp/token_count.sh  czes10M.vert tcount
+hadoop dfs -cat tcount/part-*
+}}}
+==== Četnosti pozic v korpusu ==== #freqcorpus
+{{{
+echo -e '#!/bin/sh\ngrep -v "^<"' > /tmp/tokens.sh
+echo -e '#!/bin/sh\nuniq -c' > /tmp/uniqc.sh
+/corpora/programy/hadpipe.sh -c 0.95 -r /tmp/uniqc.sh /tmp/tokens.sh  czes10M.vert counts
+hadoop dfs -cat counts/part-*
+}}}
+Parametr `-c 0.95` nastavuje počet reducerů 0.95 * <počet jader>.
+
+Hadoop Streaming odděluje mezi Map a Reduce klíč a hodnotu na znaku  <TAB>. Např. při sčítání bigramů rozdělených znakem <TAB> je  potřeba zadat `hadpipe.sh` s parametrem `-k 2`.
+
+=== Výstupní data === #output
+Jsou v HDFS v souborech `<vystupni_adresar>/part-<cislo>`. Pro jejich kopírování slouží:
+
+{{{
+hadoop dfs -getmerge czes10M.tagged /tmp/czes10M.tagged
+}}}
+nebo
+
+{{{
+hadoop dfs -cat my_czes.tagged/part-* | less
+}}}
+=== Zabití úlohy === #kill
+{{{
+hadoop job -kill <job-id>
+#Napriklad
+hadoop dfs -kill job_201212191726_0001
+}}}
+`<job-id>` najdete na [http://alba:50030/ webu JobTrackeru].
+
+=== Řešení problémů === #problems
+Logy démonů jsou v `/tmp/hadoop-logs` na všech strojích, logy úloh v `/tmp/hadoop-logs/userlogs`.
+
+=== Přístupová práva === #rights
+Adresář `/user/<tvuj_login>` má přístupová práva `drwxrwxr-x`. Pokud nechceš, aby ostatní mohli přepisovat Tvá data, zadej:
+
+{{{
+[http://nlp.fi.muni.cz/cs/Hadoop#CA-4b494de2cc18ef7cf4c8be33147ceec930af60d0_1 1] hadoop dfs -chmod g-w /user/<tvuj_login>
+}}}
+Právo čtení pro všechny se hodí při prohlížení [http://alba:50070/nn_browsedfscontent.jsp HDFS na webu].
+
+== Správa systému == #service
+=== Konfigurace === #konfig
+Adresář s konfiguračními soubory: `/home/hadoopnlp/conf`. 
+
+Seznam podřízených uzlů: `/home/hadoopnlp/conf/slaves`. 
+
+==== Restart clusteru ==== #restart
+jako uživatel `hadoopnlp`. 
+
+{{{
+[http://nlp.fi.muni.cz/cs/HadoopAdmin#CA-8fdd76c399cc467ea734def3e4e0cc49086f82f3_1 1] stop-all.sh && start-all.sh
+}}}
+
+==== Restart clusteru s vymazáním dat a logů ==== #restart2
+Jako uživatel `hadoopnlp`. 
+
+{{{
+[http://nlp.fi.muni.cz/cs/HadoopAdmin#CA-b1be983b52128b49db09a69809ac2dad488ca631_1 1] reset_hadoop.sh
+}}}
+
+==== Restart clusteru s mazáním a novou konfigurací ==== #restart3
+
+{{{
+[http://nlp.fi.muni.cz/cs/HadoopAdmin#CA-b05e0bda1a14a99cd401b350cd50abe1e774f8f9_1 1] # 14 uzlu z B130, kde neni nkdo prihlaseny
+[http://nlp.fi.muni.cz/cs/HadoopAdmin#CA-b05e0bda1a14a99cd401b350cd50abe1e774f8f9_2 2] stop-all.sh && available_nymfes.sh -bf | head -14 > ~/conf/slaves && echo y | reset_hadoop.sh
+}}}
+