Storytelling with Data
132 subscribers
9 photos
2 links
Download Telegram
Cluster Managers turlari:
1. Local[n]
2.YARN
3.Kubernetes
4.Mesos
5.Standalone

Execution Modes:
1. Client
2. Cluster


Execution tools:
1.IDE, Notebook
2. Submit
Spark DataFrame o‘zgarmas (immutable) malumotlar tuzilmasi.
Immutable -> ozgarmas degani
biz ozgarish qilganda eskisidan foydalanib yangi dataframe yaratamiz!
Biz driver ga qanaqa ozgartirish qilmoqchi ekanligimizni yokida dataframe (df )dan nima olmoqchi ekanligimizni aytamiz bular transformations deb ataladi.
Va ushbu transformatsiyalar oddiy SQL operatsiyalari kabi bo‘lishi mumkin. yokida Pyspark orqali ikki xil yoli mavjud.
example:
select(), filter(), va groupBy().
Xop Spark ozi aslida qanaqa tartibda ishlaydi.

Biz malumotlarni store qilganda 10 ta cluster ga yuklab qoymoqdamiz lekin aslida dataframe miz ni ozi 100 ta bolaklarga bolinib store boladi.
va bularni har biri kichik dataframe shaklida qabul qilsak boladi.

Endi biz transformatsiya qilganimizda ham har bir df ni alohida transformatsiya qilish imkonimiz bor.
Bularning barchasi bitta SparkSession obyektida ketadi.
Aslida biz SparkSession ni bosqichma bosqich yaratish uchun builder patterndan foydalanamiz.
keyin esa hammasini bir biriga boglamasdan oraliq ozgaruvchilarga olib bosqichlarga bolib transformatsiya qilishimiz mumkin alohida dataframe larga!
❤1
SPARK malumotlarini qayta ishlash asosan operatsiyalarin DAG (Directed Acyclic Graph) yaratish haqida.

Spark dasturlarida asosan dag yaratamiz.
Transformations and Actions

Transformations bitta dataframe ni boshqasiga ozgartirish uchun ishlatiladi va asl dataframe ozgarmaydi.
example: where() transformatsiyasi bunda u kirish df da ishlaydi va chiqish df yaratadi.
birinchi df ozgarishsiz qoladi.
shuning uchun spark da df ozgarishsiz qoladi.


endi Transformations ozi ham ikkiga bolinadi:
1.Narrow dependency transformation(Tor boglikdagi transformatsiya)
2.Wide dependency transformation(keng boglikdagi transformatsiya)


1.Narrow dependency transformation ->Agarda biz transformatsiyani alohida bolak yani partition ustida bajarilsa va natijaga tasir qilmasa bu Narrow dependency transformation hisoblanadi.
example: where() transformatsiyasi tor boglikdagi transformatsiya hisoblanadi.


2.Wide dependency transformation -> Agar transformatsiya boshqa bolaklardan malumotlarni talab qilsa, bu keng boglikdagi transformatsiya hisoblanadi.
example: groupBy() transformatsiyasi.

endi deylik hozir group nega bogliq mustaqil deb oyladingiz men ham birinchi marta shunaqa oylaganman 😁😁

keling misol koramiz:

Ikki df ni bolaklarga boldik va biz groupBy() transformatsiyasini qolladik va ichidagi yozuvlar sonini aniqladik.Spark nima qiladi har bir alohida bolakga groupBy() qiladi va yangi df yaratishi mumkin.

Ammo natijalar birlashganda nima boladi umumiylik yoqoladi va togri umumiy natija chiqmaydi.

Demak, groupBy() bolaklarning mustaqilligini buzadi.

shuning uchun ham groupBy() keng bogliqlikdagi transformatsiya hisoblanadi.
xop qanaqa qilamiz unda desak:


REPARTITIONING orqali tuzatish mumkin.

Yani barcha bolaklarni birlashtirib, malum guruhlarning barcha yozuvlarini bir xil bolakka joylashtiramiz.

Bu Jarayon esa Shuffle va sort operatsiyalari deyiladi.

keyin esa biz count() orqali sanab qoyamiz.boldi!
Please open Telegram to view this post
VIEW IN TELEGRAM
Endi Sparkning eng muhim jihatlaridan biri – kechiktirilgan baholashga (Lazy Evaluation) haqida gaplashamiz! 😲


Kechiktirilgan baholash – bu funksional dasturlash texnikasi.
Bu Spark dasturlari uchun nimani anglatadi?
Oddiy!
Dasturchilar ushbu transformatsiyalarni individual kod qatorlari sifatida ko‘radi,
ya’ni qadam-baqadam bajariladi deb o‘ylaydi.


Lekin Spark bunday ishlamaydi.
Nega?
Chunki biz DAG yaratmoqdamiz.

Barcha transformatsiyalar drayverga boradi,
drayver ularni optimallashtirib, bajarish rejasini yaratadi,
va ushbu reja bajaruvchilar tomonidan bajariladi.

Harakatlar (Actions) DAG’ni ishga tushiradi.

Masalan, show(), collect(), write(), read().

Barcha transformatsiyalar bajarilganidan keyin natijani olish uchun biz show() yoki collect() kabi harakatlarni bajarishimiz kerak.

Shuning uchun, transformatsiyalar kechiktirilgan (lazy),
ammo harakatlar darhol bajariladi.
Please open Telegram to view this post
VIEW IN TELEGRAM
df = df.repartition(n)

DataFrame n taga partitsiyaga ajraladi
Dataframe ga malumot yuklash bu ACTION.
va har bir spark action bir spark job ga masul bo'ladi.
har bir job kamida bitta stage ga ega bolishi kerak
va har bir stage kamida bitta task ga ega bolishi shart.

Har bir Stage ozining ichki operatsiyalarining DAG(Directeg Acyclic Graph) ni hosil qiladi.
RDD - Resilient Distributed Dataset
• RDD → Moslashuvchan, lekin murakkab va sekin
• DataFrame API→ Tezroq va optimallashtirilgan (Spark SQL bilan ishlaydi)
• Dataset API→ Tiplangan va samarali, lekin faqat Scala/Java uchun
Catalyst Optimizer – bu Apache Spark SQL Engine ning ichki optimizatsiya tizimi bo‘lib,
DataFrame API va Spark SQL da yozilgan kodni samarali bajarilishini taminlaydi

✔ Catalyst Optimizer – bu Spark SQL va DataFrame API kodlarini optimallashtirish uchun mo‘ljallangan
✔ Ma’lumotlarni tezroq va samaraliroq qayta ishlashga yordam beradi
✔ RDD lar Catalyst Optimizer bilan ishlamaydi, shuning uchun DataFrame API ishlatish yaxshiroq
✔ SQL so‘rovlarini va DataFrame transformatsiyalarini avtomatik optimallashtiradi
✔ Barcha Spark ilovalari Catalyst Optimizer orqali samarali ishlaydi
RDD – bu Resilient Distributed Dataset degan ma’noni anglatadi.

RDD – bu oddiygina ma’lumotlar to‘plami.
Bu malumotlarni saqlash va qayta ishlash uchun malum bir tuzilma.

RDD DataFrame ga o‘xshaydi,
chunki DataFrame ham RDD ustida qurilgan.


Biroq, RDD va DataFrame o‘rtasidagi asosiy farq:
1.RDD – oddiy obyektlar to‘plami (strukturaga ega emas)
2.DataFrame – qator/ustun tuzilmasi va sxemaga ega

qisqaroq qilib, RDD – bu Scala, Java yoki Python kolleksiyalariga juda o‘xshash.


Ammo RDD ichki jihatdan partitsiyalarga ajratiladi va parallel ishlash uchun executor yadro (core) lariga tarqatiladi.


RDD ning Asosiy Xususiyatlari:


Taqsimlangan (Distributed) ->
• RDD partitsiyalarga bo‘linadi
• Executor yadrolari orasida tarqatiladi
• Shu sababli, RDD parallel ishlaydi

Qayta tiklanadigan (Resilient) ->
• RDD lar xatolarga bardoshli
• Har bir RDD qayta tiklash uchun metama’lumotlarni saqlaydi
• Agar executor ishdan chiqsa, boshqa executor xuddi shu RDD partitsiyasini qayta yaratib, bajarishni davom ettiradi


RDD API larining Cheklovlari

1. RDD lar qolda boshqarilishi kerak
• Ma’lumotlar strukturasi yo‘q
• Qolda optimallashtirish kerak
• Ma’lumotlarni qo‘lda siqish va tezlashtirish kerak

2.Spark RDD’ning ichki tuzilishini tushunmaydi
• RDD faqatgina oddiy obyektlar jamlanmasi
• Catalyst Optimizer bu obyektlarning tuzilmasini bilmaydi
• Spark optimallashtirish imkoniyatlarini yo‘qotadi

3. DataFrame API lari RDD larni to‘liq almashtiradi
• DataFrame API lar avtomatik optimallashtirilgan
• SQL funksiyalari bilan ishlash mumkin
• RDD API’larga nisbatan ancha qulay
Hozirgi vaqtda, RDD API lar eskirgan va tavsiya etilmaydi
Data Pipeline larda malumotlarni tekshirish (validatsiya qilish) juda muhim bolib, u pipeline jarayonining turli bosqichlarida amalga oshiriladi.

data analyst lar uchun pipeline larda validatsiya odatda ma'lumotlarni olish (ingestion, extract-load) bosqichidan keyin va malumotlarni modellashtirish (transform) jarayonidan song amalga oshiriladi.
ML pipeline larida esa, yuklab olingan malumotlarni validatsiya qilish ayniqsa muhim. Bu bosqichda notogri yoki sifatsiz malumotlarni aniqlash va yoq qilish amalga oshiriladi.
Muhimi, malumot validatsiyasini ML modelning validatsiyasi bilan aralashtirmaslik kerak. Malumot validatsiyasi kiruvchi malumotlarning sifatini tekshirishga qaratilgan bolsa, ML model validatsiyasi esa modelning ishlash samaradorligini baholash jarayonidir.
import configparser
import pymysql
import csv
import boto3

# Config faylini oqish
parser = configparser.ConfigParser()
parser.read("pipeline.conf")

# MySQL ulanish malumotlarini olish
hostname = parser.get("mysql_config", "hostname")
port = parser.get("mysql_config", "port")
username = parser.get("mysql_config", "username")
dbname = parser.get("mysql_config", "database")
password = parser.get("mysql_config", "password")

# MySQL bazasiga ulanish
conn = pymysql.connect(
host=hostname,
user=username,
password=password,
db=dbname,
port=int(port)
)

if conn is None:
print("Error connecting to the MySQL database")
else:
print("MySQL connection established!")

# Orders jadvalidan malumotlarni olish va CSV faylga yozish
m_query = "SELECT * FROM Orders;"
local_filename = "order_extract.csv"
m_cursor = conn.cursor()
m_cursor.execute(m_query)
results = m_cursor.fetchall()

with open(local_filename, 'w') as fp:
csv_w = csv.writer(fp, delimiter='|')
csv_w.writerows(results)

fp.close()
m_cursor.close()
conn.close()

# S3 ga yuklash uchun AWS credentials malumotlarini olish
parser = configparser.ConfigParser()
parser.read("pipeline.conf")

access_key = parser.get("aws_boto_credentials", "access_key")
secret_key = parser.get("aws_boto_credentials", "secret_key")
bucket_name = parser.get("aws_boto_credentials", "bucket_name")

# S3 bilan ulanish
s3 = boto3.client(
's3',
aws_access_key_id=access_key,
aws_secret_access_key=secret_key
)

# CSV faylni S3 ga yuklash
s3_file = local_filename
s3.upload_file(local_filename, bucket_name, s3_file)
❤1
Bu kod MySQL malumotlar bazasidan "Orders" jadvalini toliq yuklab, uni CSV ga yozadi va songra Amazon S3 ga yuklaydi.
import configparser
import psycopg2

# Config faylini oqish
parser = configparser.ConfigParser()
parser.read("pipeline.conf")

# Redshift ulanish malumotlarini olish
dbname = parser.get("aws_creds", "database")
user = parser.get("aws_creds", "username")
password = parser.get("aws_creds", "password")
host = parser.get("aws_creds", "host")
port = parser.get("aws_creds", "port")

# Redshiftga ulanish
rs_conn = psycopg2.connect(
"dbname=" + dbname
+ " user=" + user
+ " password=" + password
+ " host=" + host
+ " port=" + port
)

# Orders jadvalidagi songgi yangilangan sanani olish
rs_sql = """SELECT COALESCE(MAX(LastUpdated), '1900-01-01') FROM Orders;"""

rs_cursor = rs_conn.cursor()
rs_cursor.execute(rs_sql)
result = rs_cursor.fetchone()

# Natijani olish
last_updated_warehouse = result[0]

# Kursorni yopish
rs_cursor.close()
👍1
Bu kod hozirgi yuklagan Orders jadvalidagi songi yangilanish sanasini olish uchun kerak. ETL (Extract, Transform, Load) jarayonida u juda muhim , kodning qanday ishlashini va nega kerakligini tushuntiramiz.xosh:

1. Delta Load (faqat yangi malumotlarni olish)
Agar biz har safar butun Orders jadvalini qayta yuklasak, bu kop vaqt va resurs talab qiladi. Shuning uchun biz faqat oxirgi marta yangilangan qatorlarni yuklash ni xohlaymiz.

Misol:
Agar last_updated_warehouse = '2024-02-10' bo‘lsa, biz 2024-02-10 sanasidan keyingi yangi buyurtmalarni yuklaymiz.

ETL kodimiz shunday yozilishi mumkin:

SELECT * FROM Orders WHERE LastUpdated > '2024-02-10';


Bu esa malumotlarni qayta yuklamaslik va tezlikga imkon beradi.


2. Malumotlarni sinxronizatsiya qilish
Agar biz malumotlarni boshqa tizimga yuklayotgan bo‘lsak (masalan, Redshift → Data Warehouse), biz songgi LastUpdated vaqtini tekshirib, faqat ozgargan malumotlarni yangilashimiz mumkin.
Bu har safar butun jadvalni qayta ishlashdan saqlaydi va tezroq ishlov berish imkonini beradi.


3. Malumotlar togri yuklanganini tekshirish
Agar ETL jarayonida xatolik yuz bersa, biz LastUpdated vaqtni tekshirib, songgi marta qaysi malumotlar yuklanganini bilib olamiz.
Bu qayta yuklash yoki debugging uchun foydali boladi.
Normalization – bu jadvallarni togri tashkil qilish va ortiqcha malumotlarni bolmasligini taminlash jarayoni. Maqsad – malumotlar bazasining samaradorligini oshirish va tahlil jarayonini tezlashtirish.
👍3