EMR上でPython3系でpysparkする話

事前に出していた内容と違くてすみません！
とりあえず環境用意しようとしてたら時間かかってしまって。。
申し訳程度にmllibのコード書いてるのでご容赦ください。

自己紹介

• 名前：柴田 （@uryyyyyyy）
• 所属：株式会社オプト 開発１部

• 仕事内容：

  • React/Play2でのWebアプリ開発
  • Sparkでの分散処理開発
  • mllibでのリコメンドエンジン開発←New

• spark系記事まとめ

• 理系出身ですが、統計や情報系のことほとんどわからない。。

• 型＆IDEがないとコード書けない。（TypeScript/Scala. JetBrains大好き）

• Pokemon Go飽きた。。

前置き

筆者は主にアプリケーションエンジニアで、データ分析＆pythonは目下独学で学び中です。
そのへんは温かい目で見ていただけると嬉しいです。

逆にscala/spark/AWSはある程度やってるので、何かあれば聞いてください！
（モデルをS3にバイナリで保存しておく方法とか云々）

概要

• 機械学習・データサイエンスといえばpython（numpy/iPython/scikit-learn）なのでpythonで書いていきたい。

• しかし、仕事柄大規模なデータを扱うことになるので、分散できるsparkのAPIで取り扱いたい。

• ということで（EMR）クラスタ上でpysparkを動かしてみます。

• 今からpython学ぶなら３系だろうということで３系（Anaconda）で動かす。

• https://spark.apache.org/releases/spark-release-1-4-0.html

手順

基本的にこちらの記事を参考にしました。丁寧に書かれていて素晴らしいです。

Spark + IPython環境をAmazon EMR上で構築し、簡単なData解析を動かして見る (第1回：環境構築編)

• スクリプト準備
• EMRクラスタ立ち上げ
• iPython Notebook起動
• 動作確認

（スライドだと見づらいのでQiitaの記事として見て頂ければ。）

スクリプト準備

以下の２つのshellを用意します。

• EMRのbootstrap時に全ノードにanaconda3を入れるためのスクリプト

#Environments
ANACONDA_VERSION=3-4.0.0

PYENV=~/.pyenv
PYENV_BIN=$PYENV/bin


##Install git and Anaconda
sudo yum -y install git
git clone https://github.com/yyuu/pyenv.git $PYENV

echo -e "\nexport PYENV_ROOT=$PYENV" | tee -a ~/.bash_profile  >> /dev/null
echo -e "\nexport PATH=$PYENV_BIN:$PATH" | tee -a ~/.bash_profile  >> /dev/null
echo -e "\neval '$($PYENV_BIN/pyenv init -)'" | tee -a ~/.bash_profile  >> /dev/null
source ~/.bash_profile

pyenv install anaconda$ANACONDA_VERSION
pyenv rehash
pyenv global anaconda$ANACONDA_VERSION

echo -e "\nexport PATH='$PYENV/versions/anaconda$ANACONDA_VERSION/bin/:$PATH'" | tee -a ~/.bash_profile  >> /dev/null
source ~/.bash_profile
conda update --yes conda

##Install addtional python libraries
conda install --yes seaborn

• MasterNodeでiPyhtonの設定を行うスクリプト

#Environments
SPARK_PACKAGES=com.databricks:spark-avro_2.10:2.0.1,com.databricks:spark-csv_2.10:1.4.0
ANACONDA_VERSION=3-4.0.0
JUPYTER_LOG=/home/hadoop/.jupyter/jupyter.log

PYENV=~/.pyenv
PYENV_BIN=$PYENV/bin

##Configure Jupyter
jupyter notebook --generate-config

JUPYTER_NOTEBOOK_CONFIG=/home/hadoop/.jupyter/jupyter_notebook_config.py
sed -i -e "3a c.NotebookApp.ip = '*'" $JUPYTER_NOTEBOOK_CONFIG
sed -i -e "3a c.NotebookApp.open_browser =False" $JUPYTER_NOTEBOOK_CONFIG
sed -i -e "3a c.NotebookApp.port = 8080" $JUPYTER_NOTEBOOK_CONFIG
sed -i -e "3a c = get_config()" $JUPYTER_NOTEBOOK_CONFIG

IPYTHON_KERNEL_CONFIG=/home/hadoop/.ipython/profile_default/ipython_kernel_config.py
ipython profile create
sed -i -e "3a c.InteractiveShellApp.matplotlib = 'inline'" $IPYTHON_KERNEL_CONFIG


##Launch Jupyter by executing "pyspark"
JUPYTER_PYSPARK_BIN=/home/hadoop/.jupyter/start-jupyter-pyspark.sh

cat << EOF > $JUPYTER_PYSPARK_BIN
export SPARK_HOME=/usr/lib/spark/
export PYSPARK_PYTHON=$PYENV/versions/anaconda$ANACONDA_VERSION/bin/python
export PYSPARK_DRIVER_PYTHON=ipython
export PYSPARK_DRIVER_PYTHON_OPTS='notebook'
export SPARK_PACKAGES=$SPARK_PACKAGES
nohup pyspark --packages $SPARK_PACKAGES > $JUPYTER_LOG 2>&1 &
EOF

chmod +x $JUPYTER_PYSPARK_BIN

EMRクラスタ立ち上げ

基本は上記参考記事のままなのですが、

• BootStrapActionで上記のanaconda3-bootstrap.shを読ませる。
• とりあえず使うときはSpot Instanceを使うと安いよ。
• Security-Groupは、とりあえず自分のマシンからMasterNodeにsshログインさえできればOK。
  • 実運用ではEMRを外に晒したくないので踏み台とか経由すると思います
  • が、ちょいと面倒なので、とりあえずKeyがないとsshできなくて、他のportが空いてなければいいかなと。
  • CoreNodeはとりあえずEmrManagedSlaveSecurityGroupを使っとけば大丈夫。

設定例の全体はこんな感じ。

aws emr create-cluster --applications Name=Hadoop Name=Spark Name=Ganglia --bootstrap-actions '[{"Path":"s3://<bucket>/anaconda3-bootstrap.sh","Name":"Custom action"}]' --ec2-attributes '{"KeyName":"","AdditionalSlaveSecurityGroups":[],"InstanceProfile":"EMR_EC2_DefaultRole","SubnetId":"","EmrManagedSlaveSecurityGroup":"","EmrManagedMasterSecurityGroup":""}' --service-role EMR_DefaultRole --enable-debugging --release-label emr-4.7.2 --log-uri '' --name 'jupyter pyspark' --instance-groups '[{"InstanceCount":1,"BidPrice":"0.1","EbsConfiguration":{"EbsBlockDeviceConfigs":[{"VolumeSpecification":{"SizeInGB":32,"VolumeType":"gp2"},"VolumesPerInstance":1}]},"InstanceGroupType":"MASTER","InstanceType":"m4.large","Name":"Master instance group - 1"},{"InstanceCount":2,"BidPrice":"0.1","EbsConfiguration":{"EbsBlockDeviceConfigs":[{"VolumeSpecification":{"SizeInGB":32,"VolumeType":"gp2"},"VolumesPerInstance":1}]},"InstanceGroupType":"CORE","InstanceType":"m4.large","Name":"Core instance group - 2"}]' --configurations '[{"Classification":"spark","Properties":{"maximizeResourceAllocation":"true"},"Configurations":[]}]' --region ap-northeast-1

iPython Notebook起動

立ち上げた後、MasterNodeにSSHして、上記のsetup-iPython.shを流し、

$JUPYTER_PYSPARK_BINを実行すればiPython notebookが立ち上がります。

後は自分のマシンから
ssh -i ~/.ssh/my.pem -ND 8157 hadoop@ec2-XXXX.comのようにsshトンネリングを行い、ブラウザにproxyを立てればOK（やり方はEMRに書いてある）

ブラウザからhttp://ec2-XXXX.com:8080に繋げたら設定完了。

動作確認

こんな感じになりました。試しにscikit-learnと比較してみました。

まとめ

• EMR使うとクラスタ上でのpyspark環境が楽に用意できますよ。
• ただ、sparkＣontext張りっぱなしなので一度に複数のNOTEBOOKは操作できないかも。
• iPyhtonで試して、上手く行ったらそれをそのままScalaに直して実運用！とかできそう。
• EC2はデフォでpython2系なので注意。
  • MasterNodeにもWorkerNodeにもPython３系が必要です

（逆）質問

• みなさん、機械学習・データ解析するならどの言語を使っていますか？
  • Python
  • 王道感。可視化ツールやライブラリが充実してる感。速度も速いっぽい
  • R
  • 分析・統計系では一番情報が揃ってる？ちょっとした検証用？プログラム書ける？
  • Java/Scala
  • そろそろイケるのでは？ND4JとかDeepLearning4Jとかあるし。型欲しいですよね？
  • Julia
  • 使ってみたいけど未知。Rの強化版なイメージ

• どういうところでsparkを使いたいですか？
  • リコメンドエンジン？
  • ユーザー数とプロダクト数が増えると欲しくなる。ウチでも使ってる。
  • その他
  • 普通はモデルの生成にはそこまでデータ要らないのでは？
  • 作ったモデルを大量のデータに適用したい時には使えそう。

• オススメのSaaS/PaaSとか
  • Azure ML
  • 一番王道？GUI系充実してるし、デプロイ楽そうだし
  • Amazon ML
  • 用途が限られるけど、分類には使えそう？
  • Clouderaさんよく知らないです。。すみません。。。

ありがとうございました

ちなみに、オプトではエンジニアを積極採用中なので、ご興味があればお声がけください。（雑）