MacでSparkを使ってログの集計するサンプルアプリを作成してみた

ログを集計する方法としてSparkを使ってみる。

前準備

Spark本体のダウンロードとビルド


ここに書いてある通りまずはsparkのビルドをする
mavenはbrew install mavenしとておく事

mavenのバージョンとか

$ mvn -v
Apache Maven 3.1.1 (0728685237757ffbf44136acec0402957f723d9a; 2013-09-18 00:22:22+0900)
Maven home: /usr/local/Cellar/maven/3.1.1/libexec
Java version: 1.6.0_65, vendor: Apple Inc.
Java home: /System/Library/Java/JavaVirtualMachines/1.6.0.jdk/Contents/Home
Default locale: ja_JP, platform encoding: SJIS
OS name: "mac os x", version: "10.9.2", arch: "x86_64", family: "mac"

※ 自分のsparkのバージョンは1.1系

clone後にビルド

$ git clone git://github.com/apache/spark.git
$ cd spark
$ mvn -DskipTests clean package

この時OutOfMemoryがでたので調整して再度ビルド

mavenのメモリ調整

$ export MAVEN_OPTS="-Xmx1024m -XX:MaxPermSize=512m"
$ mvn -DskipTests clean package

ひたすら待って，いつのまにかビルドが正常に終了している事を確認する。

spark-shellに入れるか確認

$ ./bin/spark-shell
scala> sc.parallelize(1 to 1000).count()
scala> :quit

Errorがでずになんか動いてればおk（ぁ

Sampleのログデータの準備

/path/to/logs/以下にタブ区切りのデータを用意

test.txt

2015-01-01 10:00	user1	http://spark.apache.org/releases/spark-release-1-2-1.html
2015-01-01 10:00	user1	https://github.com/apache/spark/releases
2015-01-02 11:00	user3	http://spark.apache.org/releases/spark-release-1-2-1.html
2015-01-01 11:00	user3	http://spark-project.org/download/
2015-01-01 11:00	user3	http://spark-project.org/download/
2015-01-01 11:00	user2	http://spark.apache.org/docs/latest/

ログの集計

ログを集計するアプリを作成する。
プロジェクトの場所: /path/to/spark-sample

sbtの設定。sparkのライブラリをインストールしておく事。
（プロジェクトの構成とかはIntellijまかせ）

build.sbt

name := "spark-sample"

version := "1.0"

scalaVersion := "2.10.4"

libraryDependencies += "org.apache.spark" %% "spark-core" % "1.1.1"

プログラムの本体

SimpleApp

/* SimpleApp.scala */

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf


object SimpleApp {
  def main(args: Array[String]) {
    val logFile = "/path/to/logs/test.txt"
    val conf = new SparkConf().setAppName("Simple Application")
    val sc = new SparkContext(conf)
    val logData = sc.textFile(logFile)      // sparkからログの取得
    val counts = logData.filter(_.nonEmpty) // 空の行は集計しない
      .map(line => line .split("\t")(1))    // タブ区切りの1つ目をkeyにする(user)
      .map(word => (word, 1))               // keyに対してvalueを1にする
      .reduceByKey(_ + _)                   // valueを足す集計処理

    // valueの値が高い順にソート
    val sortCount = counts.collect.toSeq.sortBy(_._2).toSeq.reverse

    // 出力
    for (i <- sortCount.take(30))
      println(i)

    // 集計した値をさらにsumというkeyで集計（ユニーク数となる）
    val countSum = counts.map(word => ("sum", 1))
      .reduceByKey(_ + _)

    for (i <- countSum.take(10))
      println("unique_sum: " + i)

  }
}

sbt packageでビルド。
その後，スパークで実際に動かしてみる。

$ /path/to/spark/bin/spark-submit --class "SimpleApp" target/scala-2.10/spark-sample_2.10-1.0.jar

最初にビルドしたsparkのディレクトリとtarget以下は適宜修正。

集計結果

xxxxx
(user3,3)
(user1,2)
(user2,1)
xxxx
unique_sum: (sum,3)

まとめ

• scalaが初心者のためそこがつらかった。
• 今後はより実践的なログ集計のプログラムを作る。
• 突っ込み，要望，感想募集中ー。