Google Cloud Platform Japan Blog
最新情報や使い方、チュートリアル、国内外の事例やイベントについてお伝えします。
Google のクラウドを使用して 350 万冊の書籍データを公開
2016年2月18日木曜日
* この投稿は米国時間 2 月 16 日、The GDELT Project の創設者である Kalev Leetaru によって投稿されたもの（投稿はこちら）の抄訳です。
今回のゲスト ブログは、
The GDELT Project
の創設者である Kalev Leetaru 氏です。The GDELT Project は、100 種類以上の言語で書かれたほぼすべての国のニュース メディアをモニタリングして、私たちのグローバル社会を動かしている事件や物語を明らかにしようとしています。
私は 2015 年 9 月、2 世紀以上も前（1800-2015）からの 350 万冊ものデジタル化された英語の書籍からメタデータを抽出し、メタデータから作った膨大な新しい公開データセットと、350 万冊のうちの 100 万冊分のフルテキストを
Google BigQuery
に入れて公開しました。
このアーカイブは、Internet Archive と HathiTrust の英語のパブリック ドメイン書籍コレクションから抽出したもので、すべての本の完全な書誌情報とコンテンツを処理して作った多彩なデータが含まれています。
アーカイブ全体は、
2 つの公開 BigQuery データセット
という形で広く一般にアクセスできるようになっています。ユーザーがこのコレクションの操作を始めるときに役立つ
サンプル クエリ
のコレクションもあります。さらに、1 行の SQL で
2 世紀分の本の地図
を作ることもできます。
さて、350 万冊もの本を私はどのようにして処理したのでしょうか。
350 万冊の本のデータ マイニングとパブリック アーカイブの作成は、ごく短期間だけ特別な処理能力を大量に必要とするクラウドに完璧に適合したアプリケーションの好例です。数百万冊の書籍の貴重な知識をクラウドでより簡単、よりスピーディにアクセスできるようにするために私が採った 5 つのステップを説明します。
ステップ１
まず、2TB の SSD 永続ディスクを搭載した 1 台の 8 コア GCE（Google Compute Engine）インスタンスを使ってプロジェクトを開始しました。
このインスタンスのローカル ディスクに書籍をダウンロードして解凍し、標準ファイル形式に変換してから、GCS（Google Cloud Storage）の
複合オブジェクト
とパラレル アップロード機能を利用して、GCS に大きなバッチでアップロードしました。
従来の UNIX ファイル システムとは異なり、1 つのディレクトリに多数の小さなファイルがあっても GCS のパフォーマンスは落ちないので、350 万個のファイルを共通ディレクトリ セットにアップロードできました。
図 1 2 世紀分の本の地図
ステップ２
すべての本をダウンロードして GCS に格納したら、10 個の 16 コア ハイメモリ（100GB RAM）GCE インスタンス（全部で 160 コア）を起動しました。従来の永続ディスクよりも高速な I/O を実現するため、これらのインスタンスにはそれぞれ 50GB の SSD ルート ディスクを搭載するようにしました。
10 のインスタンスを高速に起動するため、1 つのインスタンスを起動し、そこで必要なソフトウェア ライブラリとツールをすべて構成したら、そのディスク スナップショットを作り、それを使って残り 9 のインスタンスに数クリックでクローンを作りました。
10 のインスタンスは、それぞれ GCS から一度に 100 冊分のバッチをダウンロードして処理しました。
ステップ３
次に、計算して作ったすべてのメタデータを GCS にアップロードして戻しました。GCS は、このようにしてノードをつなぐ中央ストレージ ファブリックとして機能していました。
160 のすべてのプロセッサが並行して GCS から新しい本のバッチをダウンロードしているか、もしくは出力ファイルを GCS にアップロードしているといった最悪の条件下でも、計測できるくらいのパフォーマンス低下が見られなかったのは注目すべきことです。
ステップ４
本の処理が終わったら、10 のインスタンスを削除し、200GB の RAM、10TB の永続 SSD ディスク、直接アタッチされた 4 つの 375GB ローカル SSD ディスクという構成の 32 コア インスタンスを 1 つ立ち上げました。
このインスタンスを使用して、1 冊の本ごとに作られている 350 万の出力ファイルに対して年ごとにデータをタブ区切りし、各書籍の書誌メタデータなどの情報をマージして、大きい出力ファイルにまとめました。このマシンでは 750MB / 秒以上のディスク I/O が観測されました。
ステップ５
そして、最終的に作られた年ごとの出力ファイルを公開 GCS ディレクトリにアップロードしました。ディレクトリはウェブ ダウンロードを有効にしてあり、一般の人々もファイルをダウンロードできます。
350 万冊のメタデータを処理するためのバンド幅やローカル ストレージ、処理能力を有する研究者などほとんどいません。そこで、コレクションは
Google BigQuery
に公開データセットとしてアップロードしました。
標準 SQL クエリを使ったコレクション全体の探索は、複雑な分析をすべてデータベース内で行い、45.5GB / 秒未満というスピードで数十秒で実行可能です。
プロジェクトの最初から最後まで 2 週間もかかりませんでした。その時間のかなりの部分は、書誌メタデータの問題を人間が確認するという作業に費やされています。
以前、最新の HPC スーパークラスタでこのコレクションのサブセットを処理しようとしたときには、1 か月以上をかけても、ここで解析した書籍の一部しか処理できませんでした。限界要因はいつもデータの移動でした。TB 単位の書籍とメタデータを数百のプロセッサにまたがって転送しなければなりません。
一見するとデータファースト コンピューティング専用のように見える Google のクラウド プラットフォームが力を発揮するのは、このようなケースのときです。
私は 160 コアと 1TB RAM のクラスタを作り、その後で 32 コア 200GB RAM、10TB SSD ディスク、1TB 直接アタッチ スクラッチ SSD ディスクを搭載する 1 台のマシンを作り上げ、わずか 2 週間で 350 万冊の本を処理しました。処理の結果は、45.5GB / 秒ものクエリ スピードで、
BigQuery
を介して広く公開されています。
The GDELT Project の
ブログ
もご覧ください。
BigQuery
のコレクション全体にアクセスし、
サンプル クエリ
を試せるほか、
パイプライン処理
の詳細を読むことができます。
最後になりましたが、このプロジェクトを可能にしてくれた Google、Clemson 大学、Internet Archive、HathiTrust、OCLC、およびこれらデジタル書籍を用意してくれたすべての図書館とデジタイズ スポンサーに感謝の意を捧げたいと思います。
- Posted by Kalev Leetaru, founder of The GDELT Project
0 件のコメント :
コメントを投稿
12 か月間のトライアル
300 ドル相当が無料になるトライアルで、あらゆる GCP プロダクトをお試しいただけます。
Labels
.NET
.NET Core
.NET Core ランタイム
.NET Foundation
#gc_inside
#gc-inside
#GoogleCloudSummit
#GoogleNext18
#GoogleNext19
#inevitableja
Access Management
Access Transparency
Advanced Solutions Lab
AI
AI Hub
AlphaGo
Ansible
Anthos
Anvato
Apache Beam
Apache Maven
Apache Spark
API
Apigee
APIs Explore
App Engine
App Engine Flex
App Engine flexible
AppArmor
AppEngine
AppScale
AprilFool
AR
Artifactory
ASL
ASP.NET
ASP.NET Core
Attunity
AutoML Vision
AWS
Big Data
Big Data NoSQL
BigQuery
BigQuery Data Transfer Service
BigQuery GIS
Billing Alerts
Bime by Zendesk
Bitbucket
Borg
BOSH Google CPI
Bower
bq_sushi
BreezoMeter
BYOSL
Capacitor
Chromium OS
Client Libraries
Cloud API
Cloud Armor
Cloud Audit Logging
Cloud AutoML
Cloud Bigtable
Cloud Billing Catalog API
Cloud Billing reports
Cloud CDN
Cloud Client Libraries
Cloud Console
Cloud Consoleアプリ
Cloud Container Builder
Cloud Dataflow
Cloud Dataflow SDK
Cloud Datalab
Cloud Dataprep
Cloud Dataproc
Cloud Datastore
Cloud Debugger
Cloud Deployment Manager
Cloud Endpoints
Cloud Firestore
Cloud Foundry
Cloud Foundry Foundation
Cloud Functions
Cloud Healthcare API
Cloud HSM
Cloud IAM
Cloud IAP
Cloud Identity
Cloud IoT Core
Cloud Jobs API
Cloud KMS
Cloud Launcher
Cloud Load Balancing
Cloud Machine Learning
Cloud Memorystore
Cloud Memorystore for Redis
Cloud monitoring
Cloud NAT
Cloud Natural Language API
Cloud Networking
Cloud OnAir
Cloud OnBoard
cloud Pub/Sub
Cloud Resource Manager
Cloud Resource Manager API
Cloud SCC
Cloud SDK
Cloud SDK for Windows
Cloud Security Command Center
Cloud Services Platform
Cloud Source Repositories
Cloud Spanner
Cloud Speech API
Cloud Speech-to-Text
Cloud SQL
Cloud Storage
Cloud Storage FUSE
Cloud Tools for PowerShell
Cloud Tools PowerShell
Cloud TPU
Cloud Translation
Cloud Translation API
Cloud Virtual Network
Cloud Vision
Cloud VPC
CloudBerry Backup
CloudBerry Lab
CloudConnect
CloudEndure
Cloudflare
Cloudian
CloudML
Cluster Federation
Codefresh
Codelabs
Cohesity
Coldline
Colossus
Compute Engine
Compute user Accounts
Container Engine
Container Registry
Container-Optimized OS
Container-VM Image
Couchbase
Coursera
CRE
CSEK
Customer Reliability Engineering
Data Studio
Databases
Dbvisit
DDoS
Debugger
Dedicated Interconnect
deep learning
Deployment Manager
Developer Console
Developers
DevOps
Dialogflow
Disney
DLP API
Docker
Dockerfile
Drain
Dreamel
Eclipse
Eclipse Orion
Education Grants
Elasticsearch
Elastifile
Energy Sciences Network
Error Reporting
ESNet
Evernote
FASTER
Fastly
Firebase
Firebase Analytics
Firebase Authentication
Flexible Environment
Forseti Security
G Suite
Gartner
gcloud
GCP
GCP Census
GCP 移行ガイド
GCP 認定資格チャレンジ
GCPUG
GCP導入事例
gcsfuse
GEO
GitHub
GitLab
GKE
Go
Go 言語
Google App Engine
Google Apps
Google Certified Professional - Data Engineer
Google Cloud
Google Cloud Certification Program
Google Cloud Client Libraries
Google Cloud Console
Google Cloud Dataflow
Google Cloud Datalab
Google Cloud Datastore
Google Cloud Endpoints
Google Cloud Explorer
Google Cloud Identity and Access Management
Google Cloud INSIDE
Google Cloud INSIDE Digital
Google Cloud INSIDE FinTech
Google Cloud Interconnect
Google Cloud Launcher
Google Cloud Logging
Google Cloud Next '18 in Tokyo
Google Cloud Next '19 in Tokyo
Google Cloud Platform
Google Cloud Resource Manager
Google Cloud Security Scanner
Google Cloud Shell
Google Cloud SQL
Google Cloud Storage
Google Cloud Storage Nearline
Google Cloud Summit '18
Google Cloud Summit ’18
Google Cloud Tools for IntelliJ
Google Code
Google Compute Engine
Google Container Engine
Google Data Analytics
Google Data Studio
Google Date Studio
Google Deployment Manager
Google Drive
Google Earth Engine
Google Genomics
Google Kubernetes Engine
Google maps
google maps api
Google Maps APIs
Google Maps Platform
Google SafeSearch
Google Service Control
Google Sheets
Google Slides
Google Translate
Google Trust Services
Google VPC
Google マップ
Google 公認プロフェッショナル
GoogleNext18
GPU
Gradle
Grafeas
GroupBy
gRPC
HA / DR
Haskell
HEPCloud
HIPAA
Horizon
HTCondor
IaaS
IAM
IBM
IBM POWER9
icon
IERS
Improbable
INEVITABLE ja night
inevitableja
InShorts
Intel
IntelliJ
Internal Load Balancing
Internet2
IoT
Issue Tracker
Java
Jenkins
JFrog
JFrog Artifactory SaaS
Jupiter
Jupyter
Kaggle
Kayenta
Khan Academy
Knative
Komprise
kubefed
Kubeflow Pipelines
Kubernetes
KVM
Landsat
load shedding
Local SSD
Logging
Looker
Machine Learning
Magenta
Managed Instance Group
Managed Instance Group Updater
Maps API
Maps-sensei
Mapsコーナー
Maven
Maxon Cinema 4D
MightyTV
Mission Control
MongoDB
MQTT
Multiplay
MySQL
Nearline
Network Time Protocol
Networking
neural networks
Next
Node
NoSQL
NTP
NuGet パッケージ
OCP
OLDISM
Open Compute Project
OpenCAPI
OpenCAPI Consortium
OpenShift Dedicated
Orbitera
Organization
Orion
Osaka
Paas
Panda
Particle
Partner Interconnect
Percona
Pete's Dragon
Pivotal
Pivotal Cloud Foundry
PLCN
Podcast
Pokemon GO
Pokémon GO
Poseidon
Postgre
PowerPoint
PowerShell
Professional Cloud Network Engineer
Protocol Buffers
Puppet
Pythian
Python
Qwiklabs
Rails
Raspberry Pi
Red Hat
Redis
Regional Managed Instance Groups
Ruby
Rust
SAP
SAP Cloud Platform
SC16
ScaleArc
Secure LDAP
Security & Identity
Sentinel-2
Service Broker
Serving Websites
Shared VPC
SideFX Houdini
SIGOPS Hall of Fame Award
Sinatra
Site Reliability Engineering
Skaffold
SLA
Slack
SLI
SLO
Slurm
Snap
Spaceknow
SpatialOS
Spinnaker
Spring
SQL Server
SRE
SSL policies
Stack Overflow
Stackdriver
Stackdriver Agent
Stackdriver APM
Stackdriver Debugger
Stackdriver Diagnostics
Stackdriver Error Reporting
Stackdriver Logging
Stackdriver Monitoring
Stackdriver Trace
Stanford
Startups
StatefulSets
Storage & Databases
StorReduce
Streak
Sureline
Sysbench
Tableau
Talend
Tensor Flow
Tensor Processing Unit
TensorFlow
Terraform
The Carousel
TPU
Trace
Transfer Appliance
Transfer Service
Translate API
Uber
Velostrata
Veritas
Video Intelligence API
Vision API
Visual Studio
Visualization
Vitess
VM
VM Image
VPC Flow Logs
VR
VSS
Waze
Weave Cloud
Web Risk AP
Webyog
Wide and Deep
Windows Server
Windows ワークロード
Wix
Worlds Adrift
Xplenty
Yellowfin
YouTube
Zaius
Zaius P9 Server
Zipkin
ZYNC Render
アーキテクチャ図
イベント
エラーバジェット
エンティティ
オンライン教育
クラウド アーキテクト
クラウド移行
グローバル ネットワーク
ゲーム
コードラボ
コミュニティ
コンテスト
コンピューティング
サーバーレス
サービス アカウント
サポート
ジッター
ショート動画シリーズ
スタートガイド
ストレージ
セキュリティ
セミナー
ソリューション ガイド
ソリューション: メディア
データ エンジニア
データセンター
デベロッパー
パートナーシップ
ビッグデータ
ファジング
プリエンプティブル GPU
プリエンプティブル VM
フルマネージド
ヘルスケア
ホワイトペーパー
マイクロサービス
まっぷす先生
マルチクラウド
リージョン
ロード シェディング
運用管理
可用性
海底ケーブル
機械学習
金融
継続的デリバリ
月刊ニュース
資格、認定
新機能、アップデート
深層学習
深層強化学習
人気記事ランキング
内部負荷分散
認定試験
認定資格
料金
Archive
2019
8月
7月
6月
5月
4月
3月
2月
1月
2018
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2017
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2016
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2015
12月
11月
10月
9月
8月
7月
6月
5月
4月
3月
2月
1月
2014
12月
11月
10月
9月
8月
6月
5月
4月
3月
2月
Feed
月刊ニュースレターに
登録
新着ポストをメールで受け取る
Follow @GoogleCloud_jp
0 件のコメント :
コメントを投稿