Caso práctico con Hadoop: Un buscador vertical escalable

Iván de Prado Alonso, Cofundador de Datasalt Twitter: @ivanprado

Contenidos

§  El problema §  La solución obvia §  Cuando la solución obvia falla… §  … Hadoop viene al rescate §  Ventajas y Desventajas §  Mejoras

¿Qué es un buscador vertical?

Buscador Vertical

Proveedor 1

Proveedor 2

Feed

Feed

Búsquedas

Búsquedas

Algunos de ellos

Arquitectura “obvia”

Base de Datos

Feed

Indice Lucene/Solr

Search Page

Descargar y Procesar

Existe?Ha cambiado?

Inserta/actualiza

Inserta/actualiza

Lo primero que llega a la cabeza

Funcionamiento

§  Descarga del feed §  Para cada registro en el feed

•  Comprobar si ya lo tenemos en la BD •  Si ya existe y ha cambiado, actualizar

ª la BD ª El índice

•  Si no existe, insertar en ª la BD ª el índice

Funcionamiento (II)

§  La BD proporciona •  Un sistema para comprobar la existencia o no

de un registro (evitar duplicados) •  Gestión de los datos vía SQL

§  Lucene/Solr proporciona •  Alta velocidad de búsqueda •  Búsquedas por campos estructurados •  Búsquedas textuales •  Faceting

Pero si todo va bien…

Feed

Feed

Feed

Feed

Feed

Feed

Feed

Feed Feed

Feed

Feed

Feed

FeedFeed

Feed

Feed

Feed

FeedFeed

Feed

Feed

Feed

Feed

Feed

Feed

Feed

Feed

Feed

Feed

Feed

FeedFeed

Feed

Feed

Feed

Atasco Monumental

“Swiss army knife of the 21st century”

Media Guardian Innovation Awards

http://www.guardian.co.uk/technology/2011/mar/25/media-guardian-innovation-awards-apache-hadoop

Hadoop

“The Apache Hadoop software library is a

framework that allows for the distributed processing

of large data sets across clusters of computers using

a simple programming model”

De la página de Hadoop

Sistema de Ficheros

§  Sistema de ficheros distribuido (HDFS) •  Bloques grandes: 64 Mb •  Tolerante a Fallos (replicación) •  Habitualmente ristras de pares [clave,

valor]

MapReduce

§  Dos funciones (Map y Reduce) •  Map(k, v) : [z,w]* •  Reduce(k, v*) : [z, w]*

§  Ejemplo: contar palabras •  Map([documento, null]) -> [palabra, 1]* •  Reduce(palabra, 1*) -> [palabra, total]

§  MapReduce y SQL •  SELECT palabra, count(*) GROUP BY palabra

§  Ejecución distribuida en un cluster con escalabilidad horizontal

Vale, mola mucho, pero… ¿cómo soluciona esto mi

problema?

Y es que…

§ Hadoop no es una DB § Hadoop “aparentemente” sólo

procesa datos § Hadoop no permite “lookups”

Hadoop supone un cambio de paradigma que cuesta asimilar

Arquitectura

Filosofía

§  Reprocesarlo todo siempre. ¡TODO! §  ¿Por qué?

•  Más tolerante a fallos •  Más flexible •  Más eficiente. Ej:

ª  Con un HD de 7200 RPM –  Random IOPS – 100 –  Lectura secuencial – 40 MB/s –  Tamaño de registro: 5 Kb

ª  … con que un 1,25% de los registros cambien, es más rápido reescribirlo todo que hacer accesos aleatorios de actualización.

–  100 MB, 20.000 registros »  Lectura secuencial: 2,5 sg »  Lectura aleatoria: 200 sg

Fetcher

§  MapReduce •  Input: [feed_url, null]* •  Mapper: identidad •  Reducer(feed_url,

null*) ª Descargar el feed y

subirlo a un directorio en el HDFS

Reducer Task

Reducer Task

Reducer Task

HDFS

Se descarga los feeds y los almacena en el HDFS

Processor

§  MapReduce •  Input: [ruta_feed, null]* •  Map(ruta_feed, null) : [id, documento]*

ª Parsea el feed y lo convierte en una serie de documentos

•  Reducer(id, [documento]*): [id, documento] ª Recibe una lista de documentos y se queda con el

más reciente (deduplicación) ª Necesidad de un identificador único global

(idProveedor + idInterno) •  Output: [id, documento]*

Parsea los feeds, los convierte en documentos y los deduplica

Processor (II)

§  Posible problema: •  Feeds de tamaño muy grande

ª No escala, pues no se puede dividir el trabajo

§  Solución •  Escribir un InputFormat que sea capaz de

dividir cada feed en cachos procesables más pequeños

Serialización

§  Writables •  Serialización nativa de Hadoop •  De muy bajo nivel •  Tipos básicos: IntWritable, Text, etc.

§  Otras •  Thrift, Avro, Protostuff •  Compatibilidad hacia atrás.

Indexer

Solr en producción

Reducer Task

Reducer Task

Reducer Task

Indice - Shard 1

Indice - Shard 2

Indice - Shard 3

Indice - Shard 1

Indice - Shard 2

Indice - Shard 3

Despliegue en

caliente

Despliegue en

caliente

Despliegue en

caliente

Servidor Web

Servidor Web

Indexer (II)

§  SOLR-1301 •  https://issues.apache.org/jira/browse/SOLR-1301 •  SolrOutputFormat •  1 índice por cada reducer •  Se usa el Partitioner para controlar dónde colocar

cada documento §  Otra opción

•  Escribir tu propio código de indexación ª Creando un nuevo output format ª  Indexado a nivel de reducer. En cada llamada al reducer:

–  Abres un índice –  Escribes todos los registros recibidos –  Cierras el índice

Búsqueda y Particionado

§  Posible particionado •  Horizontal

ª Las búsquedas implican todos los shards •  Vertical: por tipo de anuncio, país, etc.

ª Las búsquedas se pueden restringir al shard implicado

§  Solr para servir los índices. Posibilidades ª Solr no federado

–  En caso de particionamiento vertical ª Distributed Solr ª Solr Cloud

Reconciliado

§  ¿Cómo registrar cambios? •  Cambios en el precio, características, etc

§  Reconciliando. •  MapReduce:

ª  Input: [id, documento]* –  De la anterior ejecución –  De la ejecución actual

ª  Map: identidad ª  Reduce(id, [documento]*) : [id, documento]

–  Te llegan todos los documentos con el mismo ID –  Comparas los registros nuevos con los viejos –  Almacenas en el nuevo objeto la información relevante (ej, si ha subido o bajado el precio) –  Emites un solo documento.

§  Esto es el patrón más parecido a una BD que se puede ver en Hadoop

Del Fetcher Reconciliado

Documentos reconciliados

Fichero de la última ejecución

Siguientespasos

Ventajas de la arquitectura

§  Escala horizontalmente •  Si se programa adecuadamente

§  Alta tolerancia a fallos y bugs •  Siempre se reprocesa todo

§  Flexible •  Por su alto desacople, es fácil hacer grandes cambios

§  Alto desacople •  Los índices son la única interacción entre los

servidores web y el back-end •  Los servidores web pueden continuar funcionando

aún en el caso de que el back-end esté roto.

Desventajas

§  Procesamiento por Lotes (batch oriented) •  No es real-time ni “near” real-time •  Ciclos de actualización de horas

§  Paradigma de programación completamente diferente •  Alta curva de aprendizaje

Mejoras

§  Sistema para las imágenes §  Detección difusa de duplicados §  Plasam:

•  Combinación de esta arquitectura con un sistema que actúe como by-pass para proveer actualizaciones “near real-time” ª  Implementando un by-pass sobre los Solrs ª Sistema para mantener la coherencia de los datos

–  Sin saltos hacia atrás en el tiempo

•  Combina las ventajas de esta arquitectura, pero le dota de real-time

•  En Datasalt tenemos un prototipo que realiza esta función.

Gracias

Ivan de Prado, ivan@datasalt.com @ivanprado