====== Laboratorium 5  ======

===== 1. Konfiguracja Dockera =====

Naszym celem jest zbudowanie konfiguracji jak na rysunku: cztery kontenery połączone wspólną siecią
  * master - obraz spark-python
  * worker-1 - obraz spark-python
  * worker-2 - obraz spark-python
  * driver (tu akurat affectionate_liskov) - obraz spark-jupyter

{{ :ed:docker-spark-network.png?direct&400 |}}

Załóżmy, że pliki są rozmieszczone w katalogach, jak na poniższym diagramie

<code>

|-spark-python--+
|               | Dockerfile
|
|-spark-jupyter +
|               | Dockerfile
|
| -cluster------+
|               | docker-compose.yml
                |
                | data ---------+
                                | owid-energy-data.csv.gz

</code>


**Pobierz pliki konfiguracyjne i zbiór danych: {{ :ed:spark-jdk17.zip |}}. Następnie rozpakuj w dowolnym katalogu roboczym.**
==== Utwórz sieć spark-network ====

<code>
docker network create -d bridge --subnet=172.22.0.0/16 --gateway=172.22.0.1 spark-network
</code>

==== 1.1. Zbuduj obraz spark-python ====

Przejdź do katalogu ''spark-python''. Powinien w nim znajdować się plik Dockerfile z następującą zawartością:

<code>
# image: spark-python

FROM spark:3.5.0-scala2.12-java17-ubuntu

USER root

RUN set -ex; \
    apt-get update; \
    apt-get install -y sudo python3 python3-pip; \
    pip3 cache purge; \
    pip3 install pyspark; \
    rm -rf /var/lib/apt/lists/*
# RUN echo "spark ALL=(ALL) NOPASSWD: ALL" >> /etc/sudoers
ENV JAVA_HOME /opt/java/openjdk
RUN export JAVA_HOME

USER spark

</code>

Wydaj komendę:

<code>
docker build -f Dockerfile --tag spark-python .
</code>


==== 1.2 Zbuduj obraz spark-jupyter ====

Przejdź do katalogu ''spark-jupyter''. Powinien w nim znajdować się plik Dockerfile z następującą zawartością:

<code>
# image: spark-jupyter

FROM spark:3.5.0-scala2.12-java17-ubuntu

USER root

RUN set -ex; \
    apt-get update; \
    apt-get install -y sudo python3 python3-pip; \
    pip3 cache purge; \
    pip3 install pyspark numpy scikit-learn pandas matplotlib plotly jupyterlab; \
    apt-get install -y pandoc; \
    apt-get install -y texlive-xetex texlive-fonts-recommended texlive-plain-generic; \
    apt-get install -y texlive-latex-extra texlive-fonts-extra texlive-lang-all; \
    rm -rf /var/lib/apt/lists/*


RUN echo "spark ALL=(ALL) NOPASSWD: ALL" >> /etc/sudoers
ENV JAVA_HOME /opt/java/openjdk
RUN export JAVA_HOME

USER spark
</code>

Wydaj komendę:

<code>
docker build -f Dockerfile --tag spark-jupyter .
</code>

Obraz zawiera zbiór bibliotek ogólnego zastosowania języka Python do eksploracji danych, wizualizacji i uczenie maszynowego:
  * bibliotekę pyspark
  * typowe biblioteki uczenia maszynowego (ale bez tensorflow)
  * jupyter-lab (wsparcie dla notatników)
  * poandoc i instalację latexa (po załadowaniu notatnika możliwy jest wydruk w formacjie PDF z zawijaniem długich linii 

Jak uruchomić -  [[https://home.agh.edu.pl/~pszwed/wiki/doku.php?id=ed:lab_05#uruchomienie_jupyter-lab|opis w sekcji 3.1]]

==== 1.3 Uruchomienie klastra ====

W katalogu cluster powinien znaleźć się plik ''docker-compose.yml'' z następującą zawartością

<code>
services:
 spark-master:
  image: spark-python
  command: /opt/spark/bin/spark-class org.apache.spark.deploy.master.Master
  networks:
    spark-network:
      ipv4_address: 172.22.0.2
#  volumes:
#  - ".:/opt/spark/work-dir"
  ports:
  - "9090:8080"
  - "7077:7077"
  #- "4040:4040"
  #environment:
   #SPARK_DAEMON_MEMORY: 4g


 spark-worker-1:
  image: spark-python                                     

  command: /opt/spark/bin/spark-class org.apache.spark.deploy.worker.Worker spark://spark-master:7077
  depends_on:
  - spark-master
  networks:
    spark-network:
  ports:
  - "9091:8081"
#      ipv4_address: 172.22.0.3
  volumes:
  - ".:/opt/spark/work-dir"
  environment:
   SPARK_MODE: worker
   SPARK_WORKER_CORES: 4
   #SPARK_WORKER_MEMORY: 4g
   SPARK_MASTER_URL: spark://spark-master:7077
 
 spark-worker-2:
  image: spark-python
  command: /opt/spark/bin/spark-class org.apache.spark.deploy.worker.Worker spark://spark-master:7077
  depends_on:
  - spark-master
  networks:
    spark-network:
#      ipv4_address: 172.22.0.4
  ports:
  - "9092:8081"

  volumes:
  - ".:/opt/spark/work-dir"
  environment:
   SPARK_MODE: worker
   SPARK_WORKER_CORES: 4
   #SPARK_WORKER_MEMORY: 4g
   SPARK_MASTER_URL: spark://spark-master:7077

networks:
  spark-network:
   external: true
   ipam:
     config:
     - subnet: 172.22.0.0/16
</code>

  * Klaster zawiera trzy węzły: ''master'' i dwa węzły obliczeniowe ''worker'' połączone wspólną siecią spark-network 
  * Dla węzłów ''worker'' zamontowany jest lokalny katalog
  * Udostępnione są porty, za pomocą których można monitorować stan węzłów (WebUI)

Przejdź do katalogu ''cluster'' i wydaj komendę:

<code>
docker-compose up
</code>

W tym momencie węzły obliczeniowe powinny uruchomić się. Po kilkudziesięciu sekundach dostępne będą ich interfejsy webowe:
  * MasterUI [[http://localhost:9090/]]
  * WorkerUI (worker-1) [[http://localhost:9091/]]
  * WorkerUI (worker-1) [[http://localhost:9092/]]

==== 1.4 Uruchomienie węzła spark-jupyter ====

Kontener będzie uruchamiany za pomocą polecenia:

<code>
docker run -it --rm -v ".:/opt/spark/work-dir"  -p 4040:4040  -p 8888:8888 --network spark-network spark-jupyter /bin/bash
</code>

  * Kontener jest dołączony do sieci ''spark-network''. Dzięki temu będzie mógł komunikować się z węzłami obliczeniowymi
  * Mapowanie portów 4040:4040 pozwoli na dostęp do WebUI 
  * Porty 8888:8888 zostaną wykorzystane przez jupyter-lab
  * Montowany jest bieżący katalog
  * W momencie uruchomienia wołany jest shell

===== 2 Java =====

==== 2.1 PiComputeApp ====

**1.** Dodaj kod klasy do projektu i wprowadź odpowiednie wywołanie w funkcji ''Main.main()''

<code java>
public class PiComputeApp implements Serializable {
  private static long counter = 0;

  public static void main(String[] args) {
    int slices=100;
    int n = 1000_000 * slices;
    System.out.printf("Table of %d elements will be divided into %d partitions.\n" +
            "Each partition will be processed as separate task\n",n,slices);

    long t0 = System.currentTimeMillis();
    SparkSession spark = SparkSession
            .builder()
            .appName("Spark Pi")
        .master("local[*]")
            .getOrCreate();
    SparkContext sparkContext = spark.sparkContext();
    JavaSparkContext ctx = new JavaSparkContext(sparkContext);

    long t1 = System.currentTimeMillis();
    System.out.println("Session initialized in " + (t1 - t0) + " ms");

    List<Integer> l = new ArrayList<>(n);
    for (int i = 0; i < n; i++) {
      l.add(i);
    }

    JavaRDD<Integer> dataSet = ctx.parallelize(l, slices);
    long t2 = System.currentTimeMillis();
    System.out.println("Initial dataframe built in " + (t2 - t1) + " ms");

    final int count = dataSet.map(integer -> {
      double x = Math.random() * 2 - 1;
      double y = Math.random() * 2 - 1;
      return (x * x + y * y < 1) ? 1 : 0;
    }).reduce((a, b) -> a + b);

    long t3 = System.currentTimeMillis();
    System.out.println("Map-reduce time " + (t3 - t2) + " ms");
    System.out.println("Pi is roughly " + 4.0 * count / n);
    spark.stop();

  }

}

</code>

Aplikacja tworzy listę 100_000_000 liczb całkowitych i rozdziela je na 100 partycji. Partycje te są przetwarzane równolegle przez lokalnie działające wątki. Podczas operacji map losowane są dwie liczby x oraz y i zwracany wynik 
  * 1 - jeżeli (x,y) mieści się w ćwiartce okręgu 
  * 0 w przeciwnym przypadku. 

Po zsumowaniu i podzieleniu przez liczbę punktów otrzymamy przybliżenie liczby $pi$.

**2.**  Dodaj artefakt. Na przykład będzie miał nazwę pi_compute.jar

W InteliJ:
  * Wybierz://Project Structure->Artifacts->JAR from module with dependencies//
  * Nie kopiuj bibliotek do pliku wyjściowego ''*.jar''. W zakładce //Output Layout// zaznacz wszystkie biblioteki Mavena i usuń je zostawiając sam artefakt. W ten sposób unikniesz przesyłania do serwera Fat JAR/Uber JAR
  * Manipulując opcjami można ustawić katalog wyjściowy i nazwę pliku *.jar. 
  * Zbuduj artefakt

**3.** W tym przypadku możesz przejść do katalogu wyjściowego, gdzie pojawił się artefakt i uruchomić kontener ''spark-jupyter''

<code>
docker run -it --rm -v ".:/opt/spark/work-dir"  -p 4040:4040  -p 8888:8888 --network spark-network spark-jupyter /bin/bash
</code>

Po uruchomieniu kontenera pojawi się znak zachęty ''bash''. Wydaj komendę ''ls''. Artefakt powinien być widoczny

**3.** Aplikacja zostanie uruchomiona poprzez przesłanie artefaktu do środowiska spark, za pomocą polecenia ''spark-submit'' (wewnątrz bash na dockerze):

<code>
/opt/spark/bin/spark-submit --driver-memory 4g --executor-memory 4g --class org.example.Main --master spark://172.22.0.2:7077 pi_compute.jar
</code>

**4.** W tym momencie rozpocznie się wykonywanie aplikacji. Wyznaczona wartość będzie wypisana na konsoli. Możliwe jest także monitorowanie przebiegu aplikacji pod adresem [[http://localhost:4040]]

  * Job (zadanie) - wysokopoziomowe obliczenie uruchomione w wyniku takiej akcji, jak ''map()'' lub ''reduce()''. Podczas wykonania akcji Spark uruchamia job.
  * Stage (etap) - jest kolekcją podzadań, które mogą być wykonywane równolegle, wszystkie przeprowadzają to samo obliczenie, ale na innej partycji danych. Czyli etap stage reprezentuje krok w planie wykonania zadania. Etapy są tworzone na podstawie transformacji danych, a zwłaszcza zależnościa związanymi z przesyłaniem danych pomiędzy węzłami obliczeniowymi.
  * Executor (wykonawca) - w tym przypadku jednym wykonawcą jest driver.

**5.** Umieść w spawozdaniu fragmenty zrzutów ekranu pokazujące działanie wykonawcy Sparka (konsoli i DriverUI)
  
==== 2.2 PiComputeAppDistributed ====

**1.** Wprowadź minimalną zmianę w kodzie aplikacji. Różnicą jest wskazanie adresu węzła Master. 

<code java>
    SparkSession spark = SparkSession
            .builder()
            .appName("Spark Pi Distributed")
            .master("spark://172.22.0.2:7077")
            .getOrCreate();

</code>

**2.** Zadbaj, aby kod był wywoływany z Main.main(), zbuduj artefakt

**3.** Prześlij do wykonania z a pomocą ''spark-submit'' (w bash w konsoli kontenera spark-jupyter)

**4.** Zamieść w spawozdaniu zrzuty WebUI węzłów Master i Worker(ów) wskazujących, że aplikacja była przez nie wykonywana. Możesz też dodać wykres Gantta z wykonywanych zadań (z DriverUI - port 4040, opcja timeline). 

==== 2.3 LoadDistributedDataset ====

Załadujemy zbiór danych do Sparka. Musi być on dostępny dla węzłów
  * Driver
  * Worker

W przemysłowym zastosowaniu byłby widoczny np. na rozproszonym systemie plików. W naszym przypadku skorzystamy z montowanych wolumenów Dockera (czyli będzie widoczny lokalnie).

**Kontener wykonujący program węzła driver (''spark-jupyter'') będzie uruchamiany z katalogu ''cluster'' (zawierającym podkatalog ''data'').**

**1.** Dodaj kod klasy dla nowej aplikacji oraz wywołaj ją w Main.main()

<code java>
public class LoadDistributedDataset {

        public static void main(String[] args) {
        SparkSession spark = SparkSession.builder()
                .appName("LoadDatasetDistributed")
                .master("spark://172.22.0.2:7077")
                .getOrCreate();

        Dataset<Row> df = spark.read().format("csv")
                .option("header", "true")
                .option("inferschema","true")
                .load("data/owid-energy-data.csv.gz");

        df.show(5); // To raczej zakomentuj...
        df=df.select("country","year","population","electricity_demand").where("country like \'Po%\' AND year >= 2000");
        df.show(5);
        df.printSchema();


    }
}

</code>

**2.** Skonfiguruj i zbuduj nowy artefakt (np. ''distributed_dataset.jar'')

**3.** Przekopiuj **ręcznie** artefakt do katalogu ''cluster''

**4.** Przejdź do katalogu ''cluster'' i uruchom tam kontener

<code>
docker run -it --rm -v ".:/opt/spark/work-dir"  -p 4040:4040  -p 8888:8888 --network spark-network spark-jupyter /bin/bash 
</code>

Następnie sprawdź, czy artefakt i podkatalog ''data'' są widoczne

**5.** Wykonaj ''spark-submit'', aby rozpocząć wykonywanie aplikacji

<code>
/opt/spark/bin/spark-submit --driver-memory 4g --executor-memory 4g --class org.example.Main --master spark://172.22.0.2:7077 distributed-dataset.jar

</code>


**6.** Oczekiwany efekt: 
  * widoczna uruchomiona lub wykonana aplikacja w WebUI węzłów Master i Worker
  * Wydrukowana ramka na konsoli (węzła driver w Dockerze)

<code>
+-------+----+----------+------------------+
|country|year|population|electricity_demand|
+-------+----+----------+------------------+
| Poland|2000|  38504432|            136.81|
| Poland|2001|  38662860|            136.99|
| Poland|2002|  38647476|            135.42|
| Poland|2003|  38621536|            139.85|
| Poland|2004|  38596040|            142.97|
+-------+----+----------+------------------+
only showing top 5 rows

root
 |-- country: string (nullable = true)
 |-- year: integer (nullable = true)
 |-- population: long (nullable = true)
 |-- electricity_demand: double (nullable = true)

</code>


===== 3 PySpark + Jupyter =====

Spróbujemy powtórzyć te kroki w środowisku Jupyter korzystając z biblioteki PySpark.

PySpark zapewnia interfejs w języku Python do platformy Spark. Aby go użyć - biblioteka PySpark musi być zainstalowana na wszystkich węzałach (co było uwzględnione przy budowie obrazów). Wewnętrznie korzysta z biblioteki [[https://www.py4j.org/|Py4J]] pozwalającej na dostęp do obiektów Java (w maszynie wirtualnej JVM) z poziomu kodu w języku Python.


==== 3.1 Uruchomienie jupyter-lab ====

**1.** Uruchom obraz ''spark-jupyter'' w katalogu cluster

<code>
docker run -it --rm -v ".:/opt/spark/work-dir"  -p 4040:4040  -p 8888:8888 --network spark-network spark-jupyter /bin/bash
</code>


**2.** Wydaj polecenie

<code>
sudo --preserve-env jupyter-lab  --ip=0.0.0.0 --allow-root --IdentityProvider.token='pyspark'
</code>


**3.** W przeglądarce otwórz  link ''http://localhost:8888/?token=pyspark'' (albo bez parametru token i wpisz pyspark w formularzu)

Obraz ''spark-jupyter'' zawiera podstawowe biblioteki do realizacji zadań uczenia maszynowego. Można go wykorzystać na innych zajęciach.


==== 3.2 Wyznaczanie liczby PI ====

**1.** Utwórz notatnik ''PiCompute'' i wprowadź w nim kod aplikacji (komórki) do wyznaczania liczby $\pi$

<code python>
import pyspark
from random import random
from operator import add

from pyspark.sql import SparkSession
</code>  

<code python>
spark = SparkSession.builder.appName("PiCompute").master("spark://172.22.0.2:7077").getOrCreate()
</code>

Tu otwórz [[http://localhost:4040| WebUI modułu driver na localhost]]

<code python>
partitions = 100
n = 1_000_000 * partitions

def f(_: int) -> float:
    x = random() * 2 - 1
    y = random() * 2 - 1
    return 1 if x ** 2 + y ** 2 <= 1 else 0

count = spark.sparkContext.parallelize(range(1, n + 1), partitions).map(f).reduce(add)
print("Pi is roughly %f" % (4.0 * count / n))
</code>

<code python>
spark.stop()
</code>

**2.** Możesz uruchamiać interaktywnie kolejne komórki i monitorować działanie aplikacji w WebUI. Do momentu jawnego zakończenia sesji, będzie ona aktywna.

==== 3.3 LoadEnergyDataset ====

**1.** Utwórz notatnik i wprowadź w nim kod:

<code python>
import pyspark
from random import random
from operator import add

from pyspark.sql import SparkSession
</code>

<code python>
spark = SparkSession.builder.appName("LoadEnergyDataset").master("spark://172.22.0.2:7077").getOrCreate()
</code>

**2.** załaduj dane

<code python>
df = spark.read.format("csv").option("header", "true").option("inferschema","true").load("data/owid-energy-data.csv.gz")
</code>

Możesz spróbować je wyświetlić
<code python>
df.show(5,70)
</code>
... ale raczej skasuj wyjście komórki

**3.** Wybierzemy dane do wyświetlenia 
<code python>
df2 = df.select("country","year","population","electricity_demand").where("country like \'Po%\' AND year >= 2000")
</code>

I wyświetlimy je:

<code python>
df2.show(5)
df2.printSchema()
</code>

Zauważ, że ze względu na //lazy evaluation// dopiero ta komórka powoduje aktywność Sparka


**3.** Wybierzmy podzbiór danych z Polski z interesującymi nas niepustymi wartościami 

<code python>
df_pl = df.select('year','population','electricity_demand').where(("country == 'Poland' AND electricity_demand IS NOT NULL"))
df_pl.show()
</code>

=== Wykresy===
Przekonwertujemy dane do postaci list

<code python>
import matplotlib.pyplot as plt
df_pl = df_pl.orderBy('year')
y = df_pl.select('year').rdd.flatMap(lambda x: x).collect()
pop = df_pl.select('population').rdd.flatMap(lambda x: x).collect()
dem = df_pl.select('electricity_demand').rdd.flatMap(lambda x: x).collect()
</code>

oraz wyświetlimy je...
<code python>
plt.plot(y,pop)
plt.xlabel('year')
plt.ylabel('population')
plt.title('Population vs. year')
plt.show()
</code>

<code python>
plt.plot(y,dem,label='demand')
plt.xlabel('year')
plt.ylabel('demand')
plt.title('Demand vs. year')
plt.show()
</code>

<code python>
plt.scatter(pop,dem)
plt.xlabel('population')
plt.ylabel('demand')
plt.title('Demand vs. population')
plt.show()
</code>

=== Regresja liniowa===
Dla których zależności można zastosować regresję?

**1.** Dodaj kod:

<code python>
from pyspark.ml.regression import LinearRegression
from pyspark.ml.feature import VectorAssembler

va=VectorAssembler().setInputCols(["year"]).setOutputCol("features")
df_plf = va.transform(df_pl)
df_plf.show(5)

lr = LinearRegression()\
  .setMaxIter(10)\
  .setRegParam(3.0)\
  .setElasticNetParam(0.5)\
  .setFeaturesCol("features")\
  .setLabelCol("electricity_demand")
model = lr.fit(df_plf)
</code>

**2.** Wyświetl metryki oraz równanie regresji

<code python>
print(f'RMSE: {model.summary.rootMeanSquaredError}')
print(f'r2: {model.summary.r2}')
print(f'iterations: {model.summary.totalIterations}')
print(f'demand = {model.coefficients}*year {"+" if model.intercept > 0 else ""} {model.intercept}')
</code>

**3.** Wyświetl wykresy 

<code python>
import numpy as np
# from pyspark.sql.types import StructType, StructField, DoubleType
from pyspark.ml.linalg import Vectors

xmin = np.min(y)
xmax = np.max(y)
xx = np.linspace(xmin-1,xmax+1,100)

yy = [model.predict(Vectors.dense([x])) for x in xx]

plt.scatter(y,dem,label='demand')
plt.plot(xx,yy,label='fitted function',c='orange')
plt.legend()
plt.title('Electric energy demand in years')
plt.show()
</code>

**4.** Zakończ sesję

Przed zakończeniem sesji obejrzyj DriverUI (localhost:4040) a zwłaszcza diagramy pokazujące konstrukcję i statystyki kwerend w zakładce //SQL / Dataframe// -- otwórz linki do kwerend.
 
<code python>
spark.stop()
</code>

==== 3.4 TODO - regresja dla Chin ====

Przeprowadź taką samą analizę dla Chin, ale spróbuj znaleźć zależność pomiędzy liczbą ludności, a zapotrzebowaniem na energię (która w przypadku Chin jest raczej widoczna).

**Zapisz notatnik jako PDF i prześlij razem ze sprawozdaniem**