hirax.net::Keywords::「Hadoop」のブログ

■RubyでHadoopをラップ、分散処理ツールキットが登場　

　RubyでHadoopをラップ、分散処理ツールキットが登場～New York Timesがログ解析向けで自社開発したものを公表～

　米新聞社大手のニューヨーク・タイムズは5月11日、Rubyによる大規模分散処理のツールキット「Map/Reduce Toolkit」（MRToolkit）をGPLv3の下にオープンソースで公開したと発表した。MRToolkitは、すでに稼働しているクラスタ上の Hadoopと合わせて使うことでRubyで容易にMap/Reduce処理を記述することができる一種のラッパー。処理自体はHadoopが行う。すでにHadoopを使っているユーザーであれば、中小規模のプロジェクトに対して、すぐにMRToolkitを適用可能としている。

require 'mrtoolkit'
class MainJob < JobBase
  def job
    mapper CopyMap
    reducer UniqueCountReduce
    indir "logs"
    outdir "ip"
  end
end

■RubyとHadoopで分散処理　Hadoop Streamingの仕組み　

　「RubyとHadoopで分散処理　Hadoop Streamingの仕組み」

Hadoopとは，Googleの基盤技術であるMapReduceをJavaでオープンソース実装したもので，分散処理のフレームワークです。Hadoopを使うと，1台のサーバでは時間の掛かるような処理を，複数のサーバで分散処理させることができます。

　さて，実際にHadoopを使うには2つの方法があります。1つは，もともとHadoopはJavaで作られたものなのでJavaで記述する方法，もう１つはHadoop Streamingという仕組みを使って，Java以外の（標準入出力に対応している）言語で記述する方法です。
　今回はRubyを使いたかったため，Hadoop Streamingを利用しました。

■「たまに行う大量なバッチ処理」にはAmazon EC2のクラウドサービスを使う　

　「クックパッドのデータ処理、たった5万円　時間も200分の1以下に短縮、わざわざ米国のサーバを使う理由」

　検索ログの解析で問題となるのは処理に要する時間である。なにしろ、クックパッドは毎月900万人近いユーザーが利用するサービスだ。「たべみる」のサービスが対象とするのは、1年分の検索ログであり、そのデータ量は膨大になる。

　同社では、社内のデータベースサーバを利用して、この処理を実施した場合、7000時間はかかると見積もった。しかし、米AmazonのIaaS型のクラウドサービスであるEC2を活用し、50台のインスタンス（仮想マシン）を同時に立ち上げ、分散処理のフレームワークである「Hadoop」を利用したところ、わずか30時間で完了した。

　この際、同社が利用したAmazon EC2のインスタンス・タイプは、スタンダードプランの「ラージ・インスタンス」。1時間あたりの利用料金は、0.34ドルだ。Amazon EC2では、メモリサイズやCPUのコア数に応じて、8種類のインスタンス・タイプを用意しており、その中で2番目に安い。従って、同社がこの膨大なログの解析処理に要したコストは、0.34ドル×30（時間）×50（台）＝510ドル（約4万8000円）となる。