ストリーム処理で文章内にある単語の出現頻度をカウントする(Apache Apex) - 駄文型より
元ネタ
Webinar: Building Your First Apache Apex Application - YouTube
必要なもの
- git
- Java SDK
- Apache Maven
- Hadoop
環境
OS
$ cat /etc/lsb-release
DISTRIB_ID=Ubuntu
DISTRIB_RELEASE=16.04
DISTRIB_CODENAME=xenial
DISTRIB_DESCRIPTION="Ubuntu 16.04.1 LTS"
Java
$ java -version
openjdk version "1.8.0_131"
OpenJDK Runtime Environment (build 1.8.0_131-8u131-b11-0ubuntu1.16.04.2-b11)
OpenJDK 64-Bit Server VM (build 25.131-b11, mixed mode)
$ javac -version
javac 1.8.0_131
git
$ git version
git version 2.7.4
Maven
$ mvn --version
Apache Maven 3.3.9
Maven home: /usr/share/maven
Java version: 1.8.0_131, vendor: Oracle Corporation
Java home: /usr/lib/jvm/java-8-openjdk-amd64/jre
Default locale: en_US, platform encoding: ISO-8859-1
OS name: "linux", version: "4.4.0-57-generic", arch: "amd64", family: "unix"
Hadoop
$ hadoop version
Hadoop 2.8.0
Subversion https://git-wip-us.apache.org/repos/asf/hadoop.git -r 91f2b7a13d1e97be65db92ddabc627cc29ac0009
Compiled by jdu on 2017-03-17T04:12Z
Compiled with protoc 2.5.0
From source with checksum 60125541c2b3e266cbf3becc5bda666
This command was run using /usr/local/hadoop/share/hadoop/common/hadoop-common-2.8.0.jar
git clone
まずは必要なリポジトリをクローンする。使用するのは apex-core , apex-malhar , DataTorrent/examples の3つ。ホームに apex ディレクトリを作ってそこで作業する。
$ mkdir apex
$ cd apex
$ git clone git@github.com:apache/apex-core.git
$ git clone git@github.com:apache/apex-malhar.git
$ git clone git@github.com:DataTorrent/examples.git
Apex インストール
maven で apex-core と apex-malhar をビルド･インストールします。 -DskipTests でテストの実行をスキップすれば(少し)早く完了する。時間がかかるので、しばらく待つ 
$ ls
apex-core apex-malhar examples
$ cd apex-core
$ mvn clean install -DskipTests
$ cd apex-malhar
$ mvn clean install -DskipTests
便利ツール
ビルドの完了を待っている間、ツールを準備しておく。 DataTorrent/examples の中に aliases というスクリプトがあるので、それを読み込んで使えるようにする。
$ source examples/tutorials/topnwords/scripts/aliases
aliases の中身は以下の通り。
# bash aliases and functions useful for working on input and out directories
#
# input and output directories
in=/tmp/test/input-dir out=/tmp/test/output-dir
# list files in input directory
alias ls-input="hdfs dfs -ls $in"
# list files in output directory
alias ls-output="hdfs dfs -ls $out"
# clean input directory
alias clean-input="hdfs dfs -rm $in/*"
# clean output directory
alias clean-output="hdfs dfs -rm $out/*"
# convenient alias to run dtcli from code repository
alias dtcli3="$HOME/src/incubator-apex-core/engine/src/main/scripts/dtcli"
# copy local file (argument) to input directory
function put-file ( ) {
hdfs dfs -put "$1" "$in"
}
# make local copy of output file (argument) from output directory
function get-file ( ) {
hdfs dfs -get "$out/$1" "$1".out
}
newapp も ~/apex にコピー呼び出しやすくしておく。
$ cp examples/tutorials/topnwords/scripts/newapp .
中身はただの mvn コマンドで、必要に応じて myapexapp のところを書き換えて使うことができる。
#!/bin/bash
# script to create a new project
# change project name and archetype version as needed
name=myapexapp
version=3.3.0-incubating
mvn -B archetype:generate \
-DarchetypeGroupId=org.apache.apex \
-DarchetypeArtifactId=apex-app-archetype \
-DarchetypeVersion=$version \
-DgroupId=com.example \
-Dpackage=com.example.$name \
-DartifactId=$name \
-Dversion=1.0-SNAPSHOT
プロジェクト作成
newapp を実行してプロジェクトを作成。 Y: : が出てきたら、そこでエンター(ッターン！)。
$ bash newapp
[INFO] Scanning for projects...
[INFO]
[INFO] ------------------------------------------------------------------------
[INFO] Building Maven Stub Project (No POM) 1
[INFO] ------------------------------------------------------------------------
[INFO]
...
$ ls
apex-core apex-malhar examples myapexapp newapp
$ cd myapexapp
プロジェクトの作成が完了したら、ソースコードを確認する。
$ find src -name "*.java"
src/main/java/com/example/myapexapp/Application.java
src/main/java/com/example/myapexapp/RandomNumberGenerator.java
src/test/java/com/example/myapexapp/ApplicationTest.java
今回ユニットテストは不要なのでポイしておく。こうすることでビルド時に -DskipTests を忘れても、テストが実行されない。今回は /tmp に退避させたが、もちろん削除してもいい。
$ mv src/test/java/com/example/myapexapp/ApplicationTest.java /tmp
サンプルコードを導入
DataTorrent/examples のコードを導入する。まずはソースのディレクトリに移動する。
$ cd src/main/java/com/example/myapexapp
tutorial/topnwords のソースコードを持ってくる。入力された文章内にある各単語の出現頻度を出力する。詳細は割愛。
$ ls
Application.java RandomNumberGenerator.java
$ ls ~/apex/examples/tutorials/topnwords/webinar/
ApplicationWordCount.java WCPair.java WordReader.java
FileWordCount.java WindowWordCount.java properties-SortedWordCount.xml
LineReader.java WordCountWriter.java
$ cp ~/apex/examples/tutorials/topnwords/webinar/*.java .
$ ls
Application.java LineReader.java WindowWordCount.java
ApplicationWordCount.java RandomNumberGenerator.java WordCountWriter.java
FileWordCount.java WCPair.java WordReader.java
プロパティファイルも必要なので、それも resources にコピーする。
$ cd ../../../../resources/META-INF
$ cp ~/apex/examples/tutorials/topnwords/webinar/properties-SortedWordCount.xml .
$ ls
properties-SortedWordCount.xml properties.xml
アプリケーションのビルド
アプリケーションのトップディレクトリに移動してビルドする。ビルド後、 target ディレクトリに myapexapp-1.0-SNAPSHOT.apa が作成される。
$ cd ~/apex/myapexapp
$ mvn clean package -DskipTests
$ ls target
antrun generated-resources maven-archiver site
archive-tmp generated-sources maven-status test-classes
classes generated-test-sources myapexapp-1.0-SNAPSHOT.apa
deps javadoc-bundle-options myapexapp-1.0-SNAPSHOT.jar
アプリケーションの実行
ビルドしたアプリケーションの実行には Apex の CLI ツール を使う。 apex-core の下のあるので、 myapexapp ディレクトリ内で実行する。
$ ../apex-core/engine/src/main/scripts/apex
Apex CLI 3.7.0-SNAPSHOT 02.06.2017 @ 09:02:30 JST rev: 22feeed branch: master
apex>
そこで launch target/myapexapp-1.0-SNAPSHOT.apa と打つと実行される。 MyFirstApplication と SortedWordCount のどちらを実行するか聞かれるので、2を選ぶとアプリケーションが実行され、 appId が発行される。
apex> launch target/myapexapp-1.0-SNAPSHOT.apa
1. MyFirstApplication
2. SortedWordCount
Choose application: 2
{"appId": "application_1496704660177_0001"}
apex (application_1496704660177_0001) >
動作確認
まず hdfs dfs で入出力ディレクトリを作成する。
$ hdfs dfs -mkdir -p /tmp/test/input-dir
$ hdfs dfs -mkdir -p /tmp/test/output-dir
この時点ではまだなにもない。
$ ls-input
... 何も表示されない
$ ls-output
... 何も表示されない
aliaces で定義されている put-file を使って入力ディレクトリにテキストファイルを put する。今回は https://www.dummytextgenerator.com で英文を作成して dummy.txt として保存した。
$ ls -lh ~/*.txt
/home/user/dummy.txt
$ put-file ~/dummy.txt
ls-input すると、先ほどのテキストファイルと同じものがみつかる。
$ ls-input
Found 1 items
-rw-r--r-- 1 vagrant supergroup 15167 2017-06-06 04:34 /tmp/test/input-dir/dummy.txt
ls-output すると、出力ファイルができているので、中身を確認する。
$ ls-output
Found 1 items
-rwxrwxrwx 1 vagrant supergroup 3028 2017-06-06 04:34 /tmp/test/output-dir/dummy.txt
$ hdfs dfs -cat /tmp/test/output-dir/dummy.txt | head
t : 75
you : 43
re : 29
sixth : 22
seasons : 22
creature : 22
every : 22
moved : 20
together : 20
subdue : 20
ちゃんと単語の出現頻度が出力されました！