1. Overview of the Assignment

In assignment 1, you will work on three tasks. The goal of these tasks is to get you familiar with Spark operation  types  (e.g.,  transformations  and  actions)  and  explore  a  real-world  dataset:  Yelp  dataset (https://www.yelp.com/dataset).

If you have questions about the assignment, please ask on Piazza, which will also help other students. You only need to submit on Vocareum, NO NEED to submit on Blackboard.

2. Requirements

2.1 Programming Requirements

a. You must use Python to implement all tasks. You can only use standard python libraries (i.e., external libraries  like numpy or pandas are not allowed). There will be a 10% bonus for each task if you also submit a Scala implementation and both your Python and Scala implementations are correct.

b. You are required to only use Spark RDD in order to understand Spark operations. You will not get any points if you use Spark DataFrame or DataSet.

2.2 Programming Environment

Python 3.6, JDK 1.8, Scala 2.12, and Spark 3.1.2

We will use these library versions to compile and test your code. There will be no point if we cannot run your code on Vocareum.

On Vocareum, you can call `spark-submit` located at

`/opt/spark/spark-3.1.2-bin-hadoop3.2/bin/spark-submit`. (Do not use the one at

/usr/local/bin/spark-submit (2.3.0)). We use `--executor-memory 4G --driver-memory 4G` on Vocareum for grading.

2.3 Write your own code

Do not share code with other students!!

For  this  assignment  to  be  an  effective  learning  experience,  you  must  write  your  own  code!  We emphasize this point because you will be able to find Python implementations of some of the required functions on the web. Please do not look for or at any such code!

TAs will combine all the code that can be found from the web (e.g., Github) as well as other students’ code  from  this  and  other  (previous)  sections  for  plagiarism  detection.  We  will  report  all  detected plagiarism.

2.4 What you need to turn in

We will grade all submissions on Vocareum, the submissions on blackboard will be ignored. Vocareum produces a submission report after you click the “Submit” button (It takes a while since Vocareum needs to run your code in order to generate the report). Vocareum will only grade Python scripts during the submission phase and it will grade both Python and Scala during the grading phase.

a. [REQUIRED]three Python scripts, named: (all lowercase)

task1.py, task2.py, task3.py

b1. [OPTIONAL, REQUIRED FOR SCALA] three Scala scripts and the output jar file, named: (all lowercase)

hw1.jar, task1.scala, task2.scala, task3.scala

c. You don’t need to include your results or the datasets. We will grade your code with our testing data (data will be in the same format).

3. Yelp Data

In  this  assignment,  you  will  explore  the  Yelp  dataset.  You  can  find  the  data  on  Vocareum  under resource/asnlib/publicdata/. The two files business.json and test_review.json are the two files you will work on for this assignment, and they are subsets of the original Yelp Dataset. The submission report you get from Vocareum is for the subsets. For grading, we will use the files from the original Yelp dataset which is SIGNIFICANTLY larger (e.g. review.json can be 5GB). You should make sure your code works well on large datasets as well.

4. Tasks

4.1 Task1: Data Exploration (3 points)

You  will  work  on  test_review.json,  which  contains  the  review  information from  users,  and  write  a program to automatically answer the following questions:

A. The total number of reviews (0.5 point)

B. The number of reviews in 2018 (0.5 point)

C. The number of distinct users who wrote reviews (0.5 point)

D. The top 10 users who wrote the largest numbers of reviews and the number of reviews they wrote (0.5 point)

E. The number of distinct businesses that have been reviewed (0.5 point)

F. The top 10 businesses that had the largest numbers of reviews and the number of reviews they had (0.5 point)

Input format: (we will use the following command to execute your code)

Python:

spark-submit --executor-memory 4G --driver-memory 4G task1.py <review_filepath> <output_filepath> Scala:

spark-submit   --class   task1   --executor-memory   4G  --driver-memory  4G   hw1.jar  <review_filepath> <output_filepath>

Output format:

IMPORTANT: Please strictly follow the output format since your code will be graded automatically.

a. The output for Questions A/B/C/E will be a number. The output for Questions D/F will be a list, which is sorted by the number of reviews in the descending order. If two user_ids/business_ids have the same number of reviews, please sort the user_ids /business_ids in the alphabetical order.

b. You need to write the results in the JSON format file. You must use exactly the same tags (see the red boxes in Figure 2) for answering each question.

Figure 1 : JSON output structure for task1

4.2 Task2: Partition (2 points)

Since processing large volumes of data requires performance decisions, properly partitioning the data for processing is imperative.

In this task, you will show the number of partitions for the RDD used for Task 1 Question F and the number of items per partition.

Then you need to use a customized partition function to improve the performance of map and reduce tasks. A time duration (for executing Task 1 Question F) comparison between the default partition and

the customized partition (RDD built using the partition function) should also be shown in your results. Hint:

Certain operations within Spark trigger an event known as the shuffle. The shuffle is Spark’s mechanism for redistributing data so that it’s grouped differently across partitions. This typically involves copying     data across executors and machines, making the shuffle a complex and costly operation. So, trying to     design a partition function to avoid the shuffle will improve the performance a lot.

Input format: (we will use the following command to execute your code)

spark-submit --executor-memory 4G --driver-memory 4G task2.py <review_filepath> <output_filepath> <n_partition>

Scala:

spark-submit  --class  --executor-memory  4G  --driver-memory  4G     task2  hw1.jar  <review_filepath>

<output_filepath> <n_partition>

Output format:

A. The output for the number of partitions and execution time will be a number. The output for the number of items per partition will be a list of numbers.

B. You need to write the results in a JSON file. You must use exactly the same tags.

Figure 3: JSON output structure for task2

4.3 Task3: Exploration on Multiple Datasets (2 points)

In    task3,   you   are   asked   to   explore   two   datasets   together   containing    review    information (test_review.json) and business information (business.json) and write a program to answer the following questions:

A. What are the average stars for each city? (1 point)

1.    (DO NOT use the stars information in the business file).

2.    (DO NOT discard records with empty “city” field prior to aggregation).

B. You are required to compare the execution time of using two methods to print top 10 cities with highest stars. Please note that this task – (Task 3(B)) is not graded. You will get full points only if you implement the logic to generate the output file required for this task.

1.   You should store the execution time (start from loading the file) in the json file with tag “m1” and “m2”.

2.   Additionally,  add  a  “reason”  field  and  provide  a  hard-coded  explanation  for  the  observed execution times.

Method1 : Collect all the data, sort in python, and then print the first 10 cities Method2: Sort in Spark, take the first 10 cities, and then print these 10 cities

Input format: (we will use the following command to execute your code)

Python:    spark-submit    --executor-memory    4G    --driver-memory    4G    task3.py    <review_filepath> <business_filepath> <output_filepath_question_a> <output_filepath_question_b>

Scala:  spark-submit  --class  task3  --executor-memory  4G  --driver-memory  4G  hw1.jar  <review_file> <business_file> <output_filepath_question_a> <output_filepath_question_b>

Output format:

a. You need to write the results for Question A as a file. The header (first line) of the file is “city,stars”. The outputs should be sorted by the average stars in descending order. If two cities have the same stars, please sort the cities in the alphabetical order. (see Figure 3 left).

b. You also need to write the answer for Question B in a JSON file. You must use exactly the same tags for the task.

Figure 3: Question A output file structure (left) and JSON output structure (right) for task3

5. Grading Criteria

(% penalty = % penalty of possible points you get)

1.   You can use your free 5-day extension separately or together https://forms.gle/h4t46LCahrtDk9rVA

1.   This form will record the number of late days you use for each assignment. We will not count late days if no request is submitted.

1.   There will be a 10% bonus if you use both Scala and Python and get expected results.

2.    We will combine all the codes we can find from the web (e.g., Github) as well as other students’ code from this and other (previous) sections for plagiarism detection. If plagiarism is detected, there will be no point for the entire assignment and we will report all detected plagiarism.

3.   All  submissions  will  be  graded  on  the  Vocareum.  Please  strictly  follow  the  format  provided, otherwise you can’t get the point even though the answer is correct. You are encouraged to try out your code on Vocareum terminal.

4.   We  will  grade  both  the  correctness  and  efficiency  of  your  implementation.  The  efficiency  is evaluated by processing time and memory usage. The maximum memory allowed to use is 4G, and maximum processing time is 1800s for grading. The datasets used for grading are larger than the ones that you use for doing the assignment. You will get *% penalty if your implementation cannot generate correctness outputs for large files using 4G memory within the 1800s. Therefore, please make sure your implementation is efficient to process large files.

5.    Regrading policy: We can regrade your assignments within seven days once the scores are released. Regrading requests will not be accepted after one week.

6.   There will be a 20% penalty for late submission within a week and no point after a week. If you use your late days, there wouldn’t be a 20% penalty.

7.    Only when your results from Python are correct, the bonus of using Scala will be calculated. There is no partial point for Scala. See the example below:

Example situations

6. Common problems causing fail submission on Vocareum/FAQ

(If your program runs successfully on your local machine but fail on Vocareum, please check these)

1. Try your program on Vocareum terminal. Remember to set python version as python3.6,

And use the latest Spark

2. Check the input command line formats.

3. Check the output formats, for example, the headers, tags, typos.

4. Check the requirements of sorting the results.

5. Your program scripts should be named as task1.py task2.py etc.

6. Check whether your local environment fits the assignment description, i.e. version, configuration.

7. If you implement the core part in python instead of spark, or implement it with a high time complexity (e.g. search an element in a list instead of a set), your program may be killed on the Vocareum because it runs too slow.

8. You are required to only use Spark RDD in order to understand Spark operations more deeply. You will not get any points if you use Spark DataFrame or DataSet. Don’t import sparksql.