Skip to content

README.md

Latest commit

 

History

History
72 lines (45 loc) · 2.74 KB

README.md

File metadata and controls

72 lines (45 loc) · 2.74 KB

Validação do algoritimo

Testes locais antes da automação na CLOUD.

Antes de automatizar em alguma solução para CLOUD, eu preferi executar localmente todo o processo.
Assim deixei automatizado com Docker e Docker-compose.

Para fins de teste eu não adicionei um cluster Hadoop para ter um HDFS.

Requerimentos

  • Docker
  • Docker-compose

No meu ambiente estou rodando com as seguintes versões

  • Docker Version: 19.03.13
  • Docker-compose
    • docker-compose version 1.26.2, build eefe0d31
    • docker-py version: 4.2.2
    • CPython version: 3.7.7
    • OpenSSL version: OpenSSL 1.1.0l 10 Sep 2019

Portas e URL

  • Porta do Cluster Spark UI: 8080
  • URL do Cluster Spark para acesso dento da network criada pelo docker-compose: spark://spark:7077
  • Porta do JupyterNotebook: 8888

Rodando com docker-compose

Utilizando o comando docker-compose up no diretório local_execution você terá acesso ao cluster spark e ao container rodando o jupyter notebook. A url de acesso e o token estarão disponiveis no log do docker-compose.

Rodando utilizando o devcontainer do VSCode

Utilizando a opção devcontainer do VSCode o mesmo irá executar o docker-compose. Porém ele não irá executar o Jupyter Notebook devido o dockerfile estar usando a diretiva CMD ao inves do ENTRYPOINT.

Os laboratórios locais foram desenvolvidos utilizando os notebooks do jupyter.

Para executar o jupyter notebook no container basta executar o script:

bash entrypoint-jupyter.sh

VOLUMES do projeto

No arquivo docker-compose.yml foram definidos três volumes de referencia no service python3.

  • /config para o arquivo types_mapping.json que define o mapeamento de conversão de dados.
  • /data para os arqivos do desafio ficarem isolados
  • /workspace/project para ter uma visão do projeto como todo

Documentações que foram importantes

TODO

Durante a execução local eu não iniciei um cluster Hadoop para ter hdfs para ser utilizado.

Na documentação é explicito que o path tem que ser uma estrutura que suporta Hadoop file system.

path – the path in any Hadoop supported file system

Devido a este fato eu uso o pandas para carregar o csv e apartir dele eu crio o objeto no pyspark.

Para salvar o arquivo eu estava fazendo o metodo de tranformar para um dataframe pandas e dele salvar no S.O. Porém neste metodo existe uma perda de informação na conversão dos dados para o timestamp. Como o meu objetivo é a execução em Cloud, vou deixar este TODO neste projeto.