使用S3和EMR進(jìn)行簡(jiǎn)單的云計(jì)算
很少有流行語像大數(shù)據(jù)那樣引起人們的關(guān)注，這是有充分的理由的：全球經(jīng)濟(jì)依靠信息，而我們每天都在成倍地增加它。"云計(jì)算"也被廣泛使用。
但這還不是全部，您對(duì)坐在前面的投資者說。我們的數(shù)據(jù)-很大。有人揚(yáng)眉。您會(huì)聽到咳嗽聲。它在云端。房間立即鼓掌。
通常，這就是硅谷風(fēng)投會(huì)議的進(jìn)行方式，或者我聽說。
但是，大事令人生畏，我只是一個(gè)擁有Jupyter筆記本和夢(mèng)想的人。但是我記得："我們都處于困境之中，但是我們當(dāng)中有些人正在看云"。奧斯卡·王爾德可能是這樣寫的。
因此，我開始了一個(gè)向上的旅程：谷歌搜索"如何云"，然后谷歌搜索我的許多錯(cuò)誤消息，直到發(fā)現(xiàn)類似連貫的設(shè)置過程的東西，我將在此處詳細(xì)介紹，以便您也可以將頭放在云中 。
云到底是什么？
云計(jì)算使用互聯(lián)網(wǎng)（傳輸數(shù)據(jù)的"云"）來告訴其他計(jì)算機(jī)該怎么做，而不是在您的計(jì)算機(jī)上本地執(zhí)行。當(dāng)公司談?wù)?云存儲(chǔ)"時(shí)，它們就是通過Internet /云將數(shù)據(jù)發(fā)送到其他一些要存儲(chǔ)的計(jì)算機(jī)。
這個(gè)短語有點(diǎn)誤導(dǎo)：您不會(huì)將數(shù)據(jù)發(fā)送到中間層來回浮動(dòng)，直到再次需要它為止。沒有所謂的"無形存儲(chǔ)"：無論是在磁盤，內(nèi)存還是寄存器中，所有現(xiàn)有字節(jié)都寫在某個(gè)地方的晶體管中。量子計(jì)算可能會(huì)改變這一點(diǎn)，但是現(xiàn)在讓我們避免談?wù)撨@個(gè)令人痛苦的復(fù)雜主題。
因此，要通過云計(jì)算大數(shù)據(jù)，我們需要一臺(tái)以上的計(jì)算機(jī)來運(yùn)行流程。幸運(yùn)的是，對(duì)于像我這樣的用戶，他們沒有硬件或現(xiàn)金來建立我們自己的服務(wù)器集群，有很多大型科技公司會(huì)以合理的價(jià)格租用處理能力（我的90 GB二氧化硫分析價(jià)格約為50美分）。您需要為所用的東西付費(fèi)，因此可以輕松進(jìn)行存儲(chǔ)和計(jì)算。
對(duì)于大數(shù)據(jù)評(píng)估，我們需要：
· 數(shù)據(jù)
· 存放它的地方
· 在某個(gè)地方緊縮
我將列出從零到云的所有步驟。我使用MySQL來加載數(shù)據(jù)，使用Amazon Web Services進(jìn)行存儲(chǔ)和集群設(shè)置，并使用Jupyter筆記本中的Spark進(jìn)行實(shí)際計(jì)算。在此過程中，我將鏈接到多個(gè)設(shè)置教程，所有這些都很好地完成了 解釋"我點(diǎn)擊要執(zhí)行此操作的那一點(diǎn)"，否則這將是一個(gè)相當(dāng)棘手的問題。
獲取一些數(shù)據(jù)
獲得大量數(shù)據(jù)非常容易。如果您不想自己做，這里是可公開獲得的大數(shù)據(jù)集列表。我在一個(gè)MySQL服務(wù)器（也托管在AWS上）上有多年的NASA大氣讀數(shù)，因此我將其導(dǎo)出到本地計(jì)算機(jī)上的一個(gè)巨大的.csv文件中。這花了5個(gè)小時(shí)，但大型計(jì)算機(jī)的價(jià)格也是如此。
得到了您的數(shù)據(jù)？好。那是容易的部分。
信息桶
亞馬遜的簡(jiǎn)單存儲(chǔ)服務(wù)（S3）是遠(yuǎn)程數(shù)據(jù)存儲(chǔ)的行業(yè)標(biāo)準(zhǔn)。簡(jiǎn)單，靈活且便宜。您創(chuàng)建"存儲(chǔ)桶"并將數(shù)據(jù)放入其中。然后，您可以將這些存儲(chǔ)桶中的數(shù)據(jù)與其他AWS功能結(jié)合使用，就像我們稍后將介紹的那樣。
設(shè)置您的AWS亞馬遜帳戶可能是整個(gè)過程中最困難的部分。我遵循了公司的指南，該指南將指導(dǎo)您完成基本步驟；經(jīng)過五分鐘的困惑點(diǎn)擊后，我盯著自己的數(shù)字存儲(chǔ)桶。
我使用AWS Command Line Interface將數(shù)據(jù)倒入存儲(chǔ)桶；這是一種腳本和自動(dòng)化數(shù)據(jù)管道以進(jìn)行云集成的好方法。
# after pip installation & inputting the user keys you just created
# copy a file in working directory to designated bucket
$ aws s3 cp data.csv s3://big-data-bucket/
除此之外，您還可以僅在AWS網(wǎng)站控制臺(tái)上單擊存儲(chǔ)桶，然后單擊上載文件并從計(jì)算機(jī)中進(jìn)行選擇。
云計(jì)算機(jī)
我想做的實(shí)際分析涉及Spark。這是一種出色的分布式處理引擎，可以有效地組織集群中的多個(gè)節(jié)點(diǎn)來完成同一任務(wù)。我使用Docker在本地測(cè)試了Python API PySpark，因?yàn)樵跊]有虛擬環(huán)境的情況下安裝Spark就像在雷雨中放牧貓。它運(yùn)行良好，但是要在云中進(jìn)行實(shí)際計(jì)算，我需要建立一個(gè)節(jié)點(diǎn)集群-物理 機(jī)器或虛擬分區(qū)來處理我輸入的數(shù)字。
輸入Amazon Elastic MapReduce，這是一項(xiàng)便捷的服務(wù)，可讓您在其龐大的服務(wù)器組中輕松創(chuàng)建集群。我們需要一個(gè)EC2安全密鑰對(duì)，因此請(qǐng)轉(zhuǎn)到其指南，并查看Windows或Linux / Mac設(shè)置。
要設(shè)置其余的EMR，我遵循了官方指南。唯一棘手的部分是配置引導(dǎo)腳本以安裝我們將在Jupyter中使用的庫。有一些官方示例，但我喜歡Brent Lemiux設(shè)置中的示例：制作一個(gè)名為boot.sh的文本文件，然后粘貼此腳本，然后在所需的庫中進(jìn)行編輯：
#!/bin/bashsudo pip install -U \
numpy \
scikit-learn
# list all the libraries you need following this format
將文件上傳到您的S3存儲(chǔ)桶。從AWS控制臺(tái)開始創(chuàng)建新集群，然后單擊高級(jí)選項(xiàng)。進(jìn)行時(shí)，請(qǐng)確保：
· 在"軟件配置"中：選中復(fù)選框以啟用Spark
· 在"常規(guī)選項(xiàng)"中：為集群命名并選擇其存儲(chǔ)桶
· 在"硬件選項(xiàng)"中：自定義節(jié)點(diǎn)的數(shù)量和復(fù)雜性。定價(jià)會(huì)相應(yīng)調(diào)整，因此我堅(jiān)持使用最便宜的m4.large
· 在"其他選項(xiàng)"中：添加自定義引導(dǎo)操作，然后選擇您之前創(chuàng)建的boot.sh
· 在"安全選項(xiàng)"中：選擇您之前創(chuàng)建的EC2密鑰，這樣就不會(huì)有人竊取您的集群
集群完成安裝所需的時(shí)間不到半小時(shí)。
歡迎來到云端
集群?jiǎn)?dòng)后，我們可以創(chuàng)建Jupyter筆記本并開始滾動(dòng)。在EMR控制臺(tái)網(wǎng)站上，單擊左側(cè)的筆記本，然后創(chuàng)建筆記本，選擇剛初始化的集群，然后將其打開。恭喜，您已成功上云。
當(dāng)您打開該群集的筆記本時(shí)，它將實(shí)例化一個(gè)SparkSession對(duì)象作為spark，我們可以使用該對(duì)象加載數(shù)據(jù)：
# spark's native read() method handles bucket loading
df = spark.read().csv("s3://big_data.csv")
# in .csv() specify your desired s3 bucket url
現(xiàn)在，我們有了一個(gè)并行化的彈性分布式數(shù)據(jù)框，它與我們從熊貓那里知道的普通數(shù)據(jù)框等效。出于多種原因，它們非常適合并行分布式處理，但是下一次我們將繼續(xù)討論。如果您想立即開始，這里有一個(gè)PySpark教程。
請(qǐng)記?。耗谠贫恕?duì)您內(nèi)心的內(nèi)容進(jìn)行復(fù)雜的轉(zhuǎn)換，因?yàn)閬嗰R遜正在做所有艱苦的工作，并且會(huì)按時(shí)收費(fèi)。完成操作后，請(qǐng)確保停止筆記本和群集，以免他們沒錢。
您現(xiàn)在是大數(shù)據(jù)的一部分，因此可以做一些有趣的事情。
下次，我將使用Spark在EMR上分析NASA的SO2數(shù)據(jù)集。
(本文翻譯自Mark Cleverley的文章《Big Data: Spark, AWS & SQL》，參考：https://medium.com/@
mark.s.cleverley/big-data-spark-aws-sql-3dd6f2a9abe)
