Learn Spark using PySpark

• Đây là đống code dùng để tiếp thu thứ kiến thức kỳ quái mang tên Spark
• Spark được viết bằng Java, PySpark là giao diện Python của nó
• Spark dùng để handle các file data có kích thước lớn. Nó tính toán trên RAM nên mọi thứ khá nhanh

Các công cụ sử dụng

• Spark
• PySpark
• Pandas (đụng tới chút xíu)
• pymssql
• SQL Server

Cài Spark và PySpark (cho MacOS)

• Có thể làm theo hướng dẫn trong đường link này
• Máy tui sử dụng MacOS và 3 version Java (nên có 3 con path cho java)
• Configure path in file ~/.zshrc cho terminal ZSH hoặc ~/.bashrc cho bash thông thường

  # >>> setup java_home >>>
  export JAVA_16_HOME=/usr/local/opt/java/libexec/openjdk.jdk/Contents/Home
  export JAVA_HOME=/usr/local/opt/java11/libexec/openjdk.jdk/Contents/Home
  export JAVA_8_HOME=$(/usr/libexec/java_home -v1.8)
  
  alias java8='export JAVA_HOME=$JAVA_8_HOME'
  alias java11='export JAVA_HOME=$JAVA_11_HOME'
  alias java16='export JAVA_HOME=$JAVA_16_HOME'
  
  # default: java8 for running pyspark without any error
  java8
  
  # <<< setup java_home <<<
  
  export SPARK_HOME=/usr/local/Cellar/apache-spark/3.1.2/libexec
  export PATH=/usr/local/Cellar/apache-spark/3.1.2/bin:$PATH
  #export PYSPARK_SUBMIT_ARGS="--master local[2] pyspark-shell"
  #export PYSPARK_PYTHON=jupyter
  #export PYSPARK_DRIVER_PYTHON='notebook'

Cài PyMssql (cho MacOS)

• Có thể tham khảo tại đường link này

• Cần phải cài freetds trước khi cài pymssql

  brew install 

• Sau đó cài Pymssql được kéo trực tiếp từ github về

  pip3 install git+https://github.com/pymssql/pymssql.git 
  

• Cầu nguyện cho mọi thứ work với nhau

2 folders bên trên

• ./Learn PySpark: Có thể đọc về các sử dụng cơ bản của PySpark ở đây
• ./ETL: Demo quá trình ETL dữ liệu từ source về data warehouse sẽ trông như thế nào. Có thể đọc cuốn Buiding A Data Warehouse with Example (Vincent Rainardi) để hiểu các khái niệm cơ bản, về quy trình ETL dữ liệu hay build 1 data warehouse sẽ diễn ra như thế nào
  • ./ETL/Raw Data: Chứa 1 file data với gần 10.000 dòng dữ liệu giao dịch (Chính là file SuperStore trong dữ liệu demo của Tableau). Data từ 1 file chính (customer_order.csv) được cắt ra thành 5 file bằng nhau, mỗi file chứa khoảng 1998 dòng
  • ./ETL/SQL: Chứa các schema databases của Source data, meta database, data warehouse
  • ./ETL/src: Chứa source code mô phỏng quá trình source system thay đổi theo thời gian, và code mô phỏng quá trình handle các update, new creation trong source