Tutoriel Windows Azure : Web Tracker

Pour ouvrir la solution, il est possible d'utiliser Visual Studio 2013 et le Windows Azure SDK pour .NET 2.2. Quelques informations complémentaires sont disponibles à http://www.windowsazure.com/en-us/develop/visual-studio-2013/?fb=fr-fr.

N.B. Différentes versions de Visual Studio 2013 sont téléchargeables à http://www.microsoft.com/visualstudio/fra/downloads. Le code a été développé sur Visual Studio 2013 Ultimate, mais il doit pouvoir s'ouvrir également avec Visual Studio 2013 Express pour le Web.

Une version antérieure de cette solution a été publiée à http://code.msdn.microsoft.com/Big-Data-Tracker-From-a-91b6e806. On l'adapte entre autres pour

• la passer en Visual Studio 2013 ;
• ajouter la compression GZip qui fait partie du .NET Framework 4.5 et qui est nativement comprise par Hadoop et donc HDInsight ;
• y ajouter le traitement par HDInsight 2.1 qui est disponible en version GA (General Availability) depuis le 28 octobre 2013 ;
• y ajouter la récupération dans Excel 2013, avec les versions GA de Power Query, PowerPivot (PowerPivot est intégré à Excel 2013) et Power View.

Le code source est disponible avec cet article.

• Doc contient ce document et le résultat de la visualisation.
• Scripts contient les scripts PowerShell et Hive.
• AppenderRole et TrackReceiverRole contiennent le code des deux roles Windows Azure. Ils font tous les deux appel à une bibliothèque commune.
• BigDataTrackLib est cette bibliothèque commune qui contient entre autres le code d'accumulation des données.
• TrackerBackend est le projet de déploiement en Cloud Service de Windows Azure.
• SimpleTests est la console qui contient l'injection des données de test.

Pour déployer les deux roles, on doit tout d'abord créer un service de cloud, et un compte de stockage. Dans ce compte de stockage, on initialise les éléments nécessaires.

Après avoir installé et configuré le module PowerShell pour Windows Azure (voir en annexes le paragraphe qui rappelle comment faire), il suffit d'utiliser le code suivant :

import-module Azure

#region change with your own values
$subscription = 'Azure bengui'
$suffix = "131104a"
#endregion

$serviceName = "bigdatatrack${suffix}"
$storageName = "bigdatatrack${suffix}"
$region = "North Europe"

Select-AzureSubscription -Default $subscription

# cloud service
New-AzureService -ServiceName $serviceName -Location $region

# storage account
New-AzureStorageAccount -StorageAccountName $storageName -Location $region
Set-AzureStorageAccount -StorageAccountName $storageName -GeoReplicationEnabled $false

$storageKey = (Get-AzureStorageKey -StorageAccountName $storageName).Primary
echo "storage key = '${storageKey}'" 

Set-AzureSubscription -SubscriptionName $subscription -CurrentStorageAccount $storageName

for ($i=0; $i -lt 3; $i++)
{
    New-AzureStorageQueue -Name "receiver2appender-${i}"
}

New-AzureStorageContainer -Name "trackingdata1"

Cela donne dans mon cas le résultat suivant :

PS C:\WINDOWS\system32> C:\dev\BigDataTrack\Scripts\CreateWindowsAzureArtifacts.ps1

OperationDescription                 OperationId                          OperationStatus                     
--------------------                 -----------                          ---------------                     
New-AzureService                     bbed9575-f647-2492-a9f6-2b3c464c7ba2 Succeeded                           
New-AzureStorageAccount              61567469-6426-2577-b248-88c70a1cdae4 Succeeded                           
Set-AzureStorageAccount              48b11e16-8413-2e3f-ae09-2d647e7982d1 Succeeded                           
storage key = 'iTBjE/YaGqg7sG5tWbjX9ePu3Rc+aKxrPZJpmd9onG9d4sS0kbV2UqqunRF64wClDtoMw0/k5DTiOYt3N+L+tw=='

   Queue End Point: https://bigdatatrack131104a.queue.core.windows.net/

Name                        Uri                         ApproximateMessageCount     EncodeMessage             
----                        ---                         -----------------------     -------------             
receiver2appender-0         https://bigdatatrack1311...                             True                      
receiver2appender-1         https://bigdatatrack1311...                             True                      
receiver2appender-2         https://bigdatatrack1311...                             True                      

    Blob End Point: https://bigdatatrack131104a.blob.core.windows.net/

Name                                         PublicAccess         LastModified                                
----                                         ------------         ------------                                
trackingdata1                                Off                  04/11/2013 11:25:25 +00:00                  
 
PS C:\WINDOWS\system32>

N.B. La clef obtenue ici (storage key) est celle que je laisse dans le code, ainsi que le nom du service de cloud ou du compte de stockage. Vous pouvez donc chercher ces valeurs pour les remplacer par vos propres valeurs dans le code (\BigDataTrack\BigDataTrackLib\DefaultValuesAndSecrets.cs, fichiers .config).

Pour déployer la solution depuis Visual Studio 2013, et après avoir mis à jour les valeurs avec le bon compte de stockage dans les fichiers de configuration, on peut procéder de la façon suivante.

Le nombre et la taille des VM qui seront créées initialement sont ajustables dans les onglets Configuration des deux éléments suivants du projet TrackerBackend :

Ensuite, on peut publier directement depuis Visual Studio :

« Next> »

« Next> »

« Publish »

Si vous avez cet écran

Vous pouvez choisir un nom d'utilisateur et un mot de passe qui vous serviront à vous connecter en bureau à distance sur les VM créées par le code. Cliquez ensuite sur OK, puis sur Publish à nouveau.

N.B. L'accès au bureau à distance n'est pas indispensable au fonctionnement de l'application, et vous pouvez le configurer une fois la solution déployée.

Vous pouvez suivre le déploiement depuis Visual Studio :

Cela prend en général un peu plus de cinq minutes. Vous pouvez aussi suivre le déroulement depuis le portail :

Une fois la solution déployée, le portail ressemble à ceci :

Si vous voulez vous connecter par curiosité à l'une des instances de VM créées par le code, vous pouvez la sélectionner et cliquer sur CONNECTER.

Lors du démarrage, les valeurs par défaut ont été copiées dans la table qui était vierge. On peut voir cela par exemple dans Visual Studio, via le « Server Explorer » :

On peut voir la page de test disponible à http://bigdatatrack131104a.cloudapp.net.

On la montre ici avec le code source de la page HTML, vue dans le navigateur.

Cela correspond dans les sources de la solution Visual Studio à la page \BigDataTrack\TrackReceiverRole\Index.html

La partie précédente ne dépend pas du type de données qui la traversent. Elle se contente d'accumuler les données ligne par ligne dans des blobs. Pour montrer comment on peut analyser des données, on injecte via une application console de test des données exemples en JSON.

Le code d'injection est le suivant :

            // biggest cities in France
            string[] cities = new string[] { "paris", "marseille", "lyon", (…),  "l'hay-les-roses", "chatou" };

            DateTime start = DateTime.UtcNow;
            var nbCities = cities.Length;
            Random random = new Random();
            for (int i = 0; i < 30000; i++)
            {
                if (i % 50 == 0) Console.WriteLine(i);

                var req = HttpWebRequest.Create("http://bigdatatrack131104a.cloudapp.net/t/");
                req.Method = "POST";
                using (var writeStream = req.GetRequestStream())
                {
                    using (var w = new StreamWriter(writeStream))
                    {
                        DateTime now = DateTime.UtcNow;
                        string city = cities[random.Next(0, nbCities - 1)];
                        string id = Guid.NewGuid().ToString("D");
                        string data = string.Format(
                            "{{{0}id{0}:{0}{1}{0},{0}city{0}:{0}{2}{0},{0}utcdate{0}:{0}{3:yyyy-MM-dd}{0},{0}utctime{0}:{0}{3:HH:mm:ss.fffffff}{0}}}",
                            "\"", id, city, now);
                        w.Write(data);
                    }
                }
                using (var resp = req.GetResponse())
                {
                    using (var respStream = resp.GetResponseStream())
                    {
                        using (var reader = new StreamReader(respStream))
                        {
                            if (i % 500 == 0) Console.WriteLine("[" + reader.ReadToEnd() + "]");
                        }
                    }
                }
            }
            DateTime end = DateTime.UtcNow;
            Console.WriteLine(string.Format("{0}, {1}, {2}", start, end, end - start));

Ce qui génère des données telles que :

{"id":"49ed9029-d5f9-460b-adc7-9d9b4501da8f","city":"reims","utcdate":"2013-10-31","utctime":"20:57:28.7517644"}
{"id":"f1efefa4-6a5e-4c24-afa0-6f8e7225d41c","city":"toulon","utcdate":"2013-10-31","utctime":"21:12:11.7517644"}
{"id":"6140ced2-1dc4-45f9-b9b2-8f3f4ea7de07","city":"versailles","utcdate":"2013-10-31","utctime":"22:09:57.7517644"}
{"id":"3951a13e-f5f1-4aa7-bc98-d0c67ea00ae0","city":"houilles","utcdate":"2013-10-31","utctime":"22:56:36.7517644"}
{"id":"7cdbb9a0-ee9c-423d-bd89-173ae9f272e0","city":"poissy","utcdate":"2013-10-31","utctime":"23:49:10.7517644"}
{"id":"7eddc671-d814-4824-b0dc-ee320188b5ac","city":"pau","utcdate":"2013-10-31","utctime":"23:56:38.7517644"}
{"id":"4a57491c-91c5-4d5c-a45a-d2f3af39b6b7","city":"troyes","utcdate":"2013-11-01","utctime":"00:38:58.7517644"}
{"id":"83c066a4-dd60-4013-8219-e9aba0f36ca4","city":"boulogne-billancourt","utcdate":"2013-11-01","utctime":"00:44:28.7517644"}
{"id":"915c5187-fc49-4c11-bd45-18c750fc27df","city":"baie-mahault","utcdate":"2013-11-01","utctime":"00:55:13.7517644"}
{"id":"d3ca8d59-dee4-462e-a8ce-9f596bf91a4b","city":"montelimar","utcdate":"2013-11-01","utctime":"01:34:16.7517644"}

Envoyons ces données au Tracker en lançant l'application console depuis Visual Studio directement.

Si l'on veut avoir une latence plus faible, on peut aussi lancer l'application console depuis une machine virtuelle Windows Azure.

Une fois les données injectées, on peut voir le résultat dans le blob storage de Windows Azure depuis Visual Studio, ou depuis un outil tel que CloudXplorer, ou encore depuis le portail Windows Azure :

On peut télécharger un de ces fichiers pour l'inspecter :

Sous Windows, un fichier .gz peut s'ouvrir avec un outil tel que 7-Zip.

Ici les deux premières lignes correspondent à l'utilisation de la page de tests, puis les autres données sont les données JSON qui ont été injectées par l'application console. Ce sont elles qui nous intéressent. Dans notre scénario, ce sont typiquement des données envoyées par des applications mobiles.

Les deux premières lignes peuvent être ignorées. Il arrive souvent en Big Data qu'on ait quelques données qui n'ont pas le bon format. Nous verrons comment les ignorer. Pour analyser ces données, on va utiliser HIVE qui est un Framework Hadoop permettant de générer des jobs Map/Reduce à partir de code SQL. Si vous êtes intéressé par le détail, vous pouvez consulter le blog Big Data de Microsoft France à http://aka.ms/bigdatafrance.

Le code HIVE permettant de compter les hits par ville est le suivant :

drop table trackeddata;
create external table trackeddata (json_data string)
    row format delimited fields terminated by '\t' lines terminated by '\n' stored as textfile 
    location 'wasb://trackingdata1@bigdatatrack131104a.blob.core.windows.net/subfolder1';

drop table parseddata;
create external table parseddata (id string, city string, utcdate string, utctime string)
    row format delimited fields terminated by '\t' lines terminated by '\n' stored as textfile 
    location '/work/parseddata';

drop table hits_by_city;
create external table hits_by_city (city string, nb_hits int)
    row format delimited fields terminated by '\t' lines terminated by '\n' stored as textfile 
    location '/work/hits_by_city';

insert overwrite table parseddata
    select 
        get_json_object(json_data, '$.id') as id,
        get_json_object(json_data, '$.city') as city,
        get_json_object(json_data, '$.utcdate') as utcdate,
        get_json_object(json_data, '$.utctime') as utctime
    from trackeddata
    order by utcdate desc, utctime desc;

insert overwrite table hits_by_city
    select 
        city, count(distinct id) as nb_hits
    from parseddata
    where id IS NOT NULL
    group by city
    order by city asc;

Une table externe est une vue sur des données. En Big Data, on déclare le schéma au moment de la lecture, car, par définition, on a stocké les données sans savoir précisément comment on les lirait.

Par exemple,

create external table trackeddata (json_data string)
    row format delimited fields terminated by '\t' lines terminated by '\n' stored 
as textfile 
    location 
'wasb://trackingdata1@bigdatatrack131104a.blob.core.windows.net/subfolder1';

permet de voir le dossier

comme un ensemble de données JSON dans des fichiers texte (le fait que les fichiers sont compressés n'est pas à déclarer, Hadoop s'en rendra compte tout seul).

Les données étant immuables en Hadoop (on les écrit, on les copie, on les supprime, mais on ne les met jamais à jour de façon à ne pas avoir de locks), on copie les tables dans d'autres tables, en les transformant au passage.

Par exemple, pour passer des données JSON brutes aux données parsées, on a

insert overwrite table parseddata
    select 
        get_json_object(json_data, '$.id') as id,
        get_json_object(json_data, '$.city') as city,
        get_json_object(json_data, '$.utcdate') as utcdate,
        get_json_object(json_data, '$.utctime') as utctime
    from trackeddata
    order by utcdate desc, utctime desc;

ce qui donne :

N.B. Sur un plus gros volume de données, cela pourrait générer plus de fichiers dans le même dossier.

Finalement, le dernier fichier qui est le résultat d'un cumul est assez petit :

La création du cluster HDInsight, le lancement du script HIVE, et la destruction du cluster se font en PowerShell avec le module azure installé et utilisé précédemment, ainsi que le module Microsoft.WindowsAzure.Management.HDInsight.Cmdlet qui peut s'installer depuis https://hadoopsdk.codeplex.com/releases. L'exemple de code ci-dessous utilise la version https://hadoopsdk.codeplex.com/releases/view/113809.

La création du cluster HDInsight, le lancement du script HIVE, et la destruction du cluster se font via le script PowerShell suivant :

#region imports
Import-Module azure
Import-Module Microsoft.WindowsAzure.Management.HDInsight.Cmdlet
#endregion

#region change with your own values
$subscription = 'Azure bengui'
$suffix = "131104a"
#endregion

#region initializations
$storageName = "bigdatatrack${suffix}"
$region = "North Europe"
Select-AzureSubscription -Default $subscription
Set-AzureSubscription -SubscriptionName $subscription -CurrentStorageAccount $storageName

$scriptsContainer = "scripts"
$hiveScriptName = "AnalyzeData.sql"
$clusterName = "hdinsight${suffix}"
$clusterAdminUsername = 'cornac'
$clusterAdminPassword = 'IFadlnvu51___'
$here = split-path -parent $MyInvocation.MyCommand.Definition

New-AzureStorageContainer -Name $scriptsContainer

$scriptPath = "wasb://${scriptsContainer}@${storageName}.blob.core.windows.net/${hiveScriptName}"

$passwd = ConvertTo-SecureString $clusterAdminPassword -AsPlainText -Force
$clusterAdminCredential = New-Object System.Management.Automation.PSCredential ($clusterAdminUsername, $passwd)
$subid = (Get-AzureSubscription -SubscriptionName $subscription).SubscriptionId

$storageKey = (Get-AzureStorageKey -StorageAccountName $storageName).Primary

# if you don't have a certificate, you may want to use the Get-AzurePublishSettingsFile cmdlet which will create one
$cert = (Get-AzureSubscription -SubscriptionName $subscription).Certificate

#endregion

#region create cluster
New-AzureHDInsightClusterConfig -ClusterSizeInNodes 2 |
    Set-AzureHDInsightDefaultStorage -StorageAccountName "${storageName}.blob.core.windows.net" `
        -StorageAccountKey $storageKey -StorageContainerName $clusterName |
    New-AzureHDInsightCluster -Subscription $subid -Name $clusterName -Certificate $cert `
    -Version '2.1' -Location $region -Credential $clusterAdminCredential
#endregion

# NB: may need to wait a little longer here

#region submit job, wait and retrieve log
Use-AzureHDInsightCluster -Certificate $cert -Name $clusterName -Subscription $subid

Set-AzureStorageBlobContent -File "$here\${hiveScriptName}" -Container $scriptsContainer `
    -BlobType Block -Blob $hiveScriptName -Force

$hiveJob = New-AzureHDInsightHiveJobDefinition -JobName "analyze_data" -File $scriptPath
$hiveJobId = $hiveJob | 
    Start-AzureHDInsightJob -Credential $clusterAdminCredential -Cluster $clusterName

echo $hiveJobId

Wait-AzureHDInsightJob -Credential $clusterAdminCredential -Job $hiveJobId -WaitTimeoutInSeconds 3600 |
    % { Get-AzureHDInsightJobOutput -Cluster $clusterName  -certificate $cert `
        -Subscription $subid -JobId $_.jobId -StandardError }

#endregion

#region remove cluster
Remove-AzureHDInsightCluster -Name $clusterName -Subscription $subid -Certificate $cert
#endregion

Il est à noter qu'on ne crée qu'un cluster à 2 nœuds (soit 1 fois 8 cœurs pour le « head node » et 2 fois 4 cœurs pour les « worker nodes » soit 16 cœurs qui s'ajoutent aux 2 cœurs du Web Role et aux 2 cœurs du Worker Role ; cela fait un total de 20 cœurs qui est la limite par défaut pour un compte Windows Azure, que l'on peut augmenter facilement, mais en faisant appel au support depuis le portail par exemple).

La copie d'écran suivante montre PowerShell ISE attendant la création du cluster :

Pour lire les données dans Excel avec Power Query (téléchargeable à partir de ce lien : http://office.microsoft.com/en-us/excel/download-microsoft-power-query-for-excel-FX104018616.aspx) on procède comme suit :

Coller la clef du compte de stockage

iTBjE/YaGqg7sG5tWbjX9ePu3Rc+aKxrPZJpmd9onG9d4sS0kbV2UqqunRF64wClDtoMw0/k5DTiOYt3N+L+tw==

dans mon cas

Renommer la première colonne en « ville », la seconde en « nb_hits ».

Puis changer le format de la seconde :

Les différentes étapes ont été enregistrées et pourront être rejouées lors d'un rafraîchissement comme on le voit ci-dessous.

On charge les données dans PowerPivot plutôt qu'Excel

N.B. Pour activer Power Pivot dans Excel 2013, il suffit d'activer le composant. File, Options, Add-Ins, COM Add-Ins, Go…, cocher « Microsoft PowerPivot for Excel 2013 », OK.

Renommer la colonne en Pays et mettre comme formule : ="France"

Puis spécifier que ville est une ville et France un pays :

Vérifier qu'Excel a deviné pour le pays.

Remonter le champ pays

Double-cliquer sur le pays (drill down) pour avoir la vue par ville :

Ici, toutes les valeurs sont assez équivalentes (n_hits) puisque, pour rappel, notre application console d'injection de données de tracking s'appuie sur la méthode Next d'une instance de la classe Random.

La solution présentée ici peut bien sûr être améliorée. En particulier les éléments suivants sont des pistes intéressantes :

• prise en compte des requêtes CORS (http://www.w3.org/TR/cors/) de façon à autoriser les requêtes venant de sites Web qui sont dans d'autres domaines que le « Track Receiver » ;
• possibilité d'augmenter encore la montée en charge en proposant plusieurs queues de stockage (déjà pris en compte) sur plusieurs comptes de stockages. Cela permettrait d'aller au-delà de 20 000 requêtes par seconde, qui est la limite d'un compte de stockage comme indiqué à http://msdn.microsoft.com/en-us/library/windowsazure/dn249410.aspx);
• gestion de partitions dans HIVE pour analyser uniquement les nouvelles données ;
• mise en place de l'autoscaling sur les web role et worker role.

Pour manipuler l'environnement Windows Azure depuis du code et depuis une machine Windows, PowerShell est un excellent environnement. PowerShell lui-même fait partie de Windows depuis déjà un certain nombre d'années. En revanche, le module de gestion de Windows Azure doit être téléchargé. Depuis la machine « dans-mes-murs », on se rend donc à l'adresse suivante :

http://www.windowsazure.com/fr-fr/downloads/#cmd-line-tools

On télécharge et installe ce module.

Puis on exécute Windows PowerShell

Et l'on tape les commandes suivantes :

Import-module azure
Get-command -module azure

Ensuite, on ajoute le compte avec lequel on peut se connecter au portail Windows Azure (http://manage.windowsazure.com) de façon à pouvoir disposer des mêmes ressources depuis PowerShell.

N.B. Si vous n'avez pas de compte Windows Azure, vous pouvez vous en procurer un avec l'offre d'essai gratuite. Rendez-vous par exemple à http://aka.ms/tester-mon-azure.

Tapez en PowerShell :

Add-AzureAccount

Puis laissez-vous guider

Une façon de vérifier que tout est correct est de taper :

Get-AzureSubscription

Cela doit vous donner la liste des abonnements auxquels votre compte entré ci-dessus a droit.

La suite des opérations dans PowerShell se fera dans l'IDE de PowerShell appelé ISE. On le démarre de la façon suivante :

Le bouton (ou F5) permet d'exécuter tout le script saisi.

Le bouton (ou F8) permet d'exécuter uniquement le code sélectionné.

Si on dispose de plusieurs abonnements Azure, comme c'est mon cas, on peut choisir l'abonnement par défaut de la façon suivante :

Select-AzureSubscription -Default "Azure bengui"

Dans votre cas, remplacez « Azure bengui » par le nom de votre propre abonnement.