Formation - Big Data - Mise en oeuvre de traitements avec Spark

1 - Introduction

• Présentation de Spark
• Origine du projet
• Apports et principes de fonctionnement
• Langages supportés
• Mise en oeuvre sur une architecture distribuée
• Architecture : clusterManager, driver, worker, ...

2 - Premiers pas

• Utilisation du Shell Spark avec Scala ou Python
• Modes de fonctionnement
• Interprété, compilé
• Utilisation des outils de construction
• Gestion des versions de bibliothèques
• Mise en pratique en Java, Scala et Python
• Notion de contexte Spark
• Extension aux sessions Spark

3 - Règles de développement

• Mise en pratique en Java, Scala et Python
• Notion de contexte Spark
• Différentes méthodes de création des RDD : depuis un fichier texte, un stockage externe
• Manipulations sur les RDD (Resilient Distributed Dataset)
• Fonctions, gestion de la persistance

4 - Cluster

• Différents cluster managers : Spark interne, avec Mesos, avec Yarn, avec Amazon EC2
• Architecture : SparkContext, SparkSession, Cluster Manager, Executor sur chaque noeud
• Définitions : Driver program, Cluster manager, deploy mode, Executor, Task, Job
• Mise en oeuvre avec Spark et Amazon EC2
• Soumission de jobs, supervision depuis l'interface web

5 - Traitements

• Lecture/écriture de données : texte, JSon, Parquet, HDFS, fichiers séquentiels
• Jointures
• Filtrage de données, enrichissement
• Calculs distribués de base
• Introduction aux traitements de données avec map/reduce

6 - Support Cassandra

• Description rapide de l'architecture Cassandra
• Mise en oeuvre depuis Spark
• Exécution de travaux Spark s'appuyant sur une grappe Cassandra

7 - DataFrames

• Spark et SQL
• Objectifs : traitement de données structurées
• L'API Dataset et DataFrames
• Optimisation des requêtes
• Mise en oeuvre des Dataframes et DataSet
• Comptabilité Hive
• Travaux pratiques : extraction, modification de données dans une base distribuée
• Collections de données distribuées
• Exemples

8 - Streaming

• Objectifs , principe de fonctionnement : stream processing
• Source de données : HDFS, Flume, Kafka, ...
• Notion de Streaming
• Contexte, DStreams, démonstrations
• Travaux pratiques : traitement de flux DStreams en Scala
• Watermarking
• Gestion des micro-batches
• Travaux pratiques : mise en oeuvre d'une chaîne de gestion de données en flux tendu (IoT, Kafka, SparkStreaming, Spark)
• Analyse des données au fil de l'eau

9 - Intégration Hadoop

• Rappels sur l'écosystème Hadoop de base : HDFS/Yarn
• Création et exploitation d'un cluster Spark/YARN
• Intégration de données sqoop, kafka, flume vers une architecture Hadoop et traitements par Spark
• Intégration de données AWS S3

10 - Machine Learning

• Fonctionnalités : Machine Learning avec Spark, algorithmes standards, gestion de la persistance, statistiques
• Mise en oeuvre avec les DataFrames

11 - Spark GraphX

• Fourniture d'algorithmes, d'opérateurs simples pour des calculs statistiques sur les graphes
• Travaux pratiques : exemples d'opérations sur les graphes