doc/user/tutorials/tutorial-keep.html.textile.liquid

   1 ---
   2 layout: default
   3 navsection: userguide
   4 title: "Storing and Retrieving data using Keep"
   5 ...
   6
   7 This tutorial introduces you to the Arvados file storage system.
   8
   9
  10 *This tutorial assumes that you are "logged into an Arvados VM instance":{{site.baseurl}}/user/getting_started/ssh-access.html#login, and have a "working environment.":{{site.baseurl}}/user/getting_started/check-environment.html*
  11
  12 The Arvados distributed file system is called *Keep*.  Keep is a content-addressable file system.  This means that files are managed using special unique identifiers derived from the _contents_ of the file, rather than human-assigned file names (specifically, the md5 hash).  This has a number of advantages:
  13 * Files can be stored and replicated across a cluster of servers without requiring a central name server.
  14 * Systematic validation of data integrity by both server and client because the checksum is built into the identifier.
  15 * Minimizes data duplication (two files with the same contents will result in the same identifier, and will not be stored twice.)
  16 * Avoids data race conditions (an identifier always points to the same data.)
  17
  18 h1. Putting Data into Keep
  19
  20 We will start with downloading a freely available VCF file from the "Personal Genome Project (PGP)":http://www.personalgenomes.org subject "hu599905":https://my.personalgenomes.org/profile/hu599905 to a staging directory on the VM, and then add it to Keep.
  21
  22 In the following tutorials, replace <b><code>you</code></b> with your user id.
  23
  24 First, log into the Arvados VM instance and set up the staging area:
  25
  26 notextile. <pre><code>~$ <span class="userinput">mkdir /scratch/<b>you</b></span></code></pre>
  27
  28 Next, download the file:
  29
  30 <notextile>
  31 <pre><code>~$ <span class="userinput">cd /scratch/<b>you</b></span>
  32 /scratch/<b>you</b>$ <span class="userinput">curl -o var-GS000016015-ASM.tsv.bz2 'https://warehouse.personalgenomes.org/warehouse/f815ec01d5d2f11cb12874ab2ed50daa+234+K@ant/var-GS000016015-ASM.tsv.bz2'</span>
  33   % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
  34                                  Dload  Upload   Total   Spent    Left  Speed
  35 100  216M  100  216M    0     0  10.0M      0  0:00:21  0:00:21 --:--:-- 9361k
  36 </code></pre>
  37 </notextile>
  38
  39 {% include 'notebox_begin' %}
  40
  41 If you have your own data, for example @MyData.vcf@, you can use @scp@ or @rsync@ to copy from your local workstation to the shell VM (run this on your local workstation):
  42
  43 notextile. <pre><code>~$ <span class="userinput">scp MyData.vcf <b>you@shell</b>.arvados:/scratch/<b>you</b>/MyData.vcf</span></code></pre>
  44
  45 {% include 'notebox_end' %}
  46
  47 Now use @arv keep put@ to add your VCF data to Keep, then delete the local copy of the file:
  48
  49 <notextile>
  50 <pre><code>/scratch/<b>you</b>$ <span class="userinput">arv keep put var-GS000016015-ASM.tsv.bz2</span>
  51 c1bad4b39ca5a924e481008009d94e32+210
  52 /scratch/<b>you</b>$ <span class="userinput">rm var-GS000016015-ASM.tsv.bz2</span>
  53 </code></pre>
  54 </notextile>
  55
  56 The output value @c1bad4b39ca5a924e481008009d94e32+210@ from @arv keep put@ is the Keep locator.  This enables you to access the file you just uploaded, and is explained in the next section.
  57
  58 h2(#dir). Putting a directory
  59
  60 You can also use @arv keep put@ to add an entire directory:
  61
  62 <notextile>
  63 <pre><code>/scratch/<b>you</b>$ <span class="userinput">mkdir tmp</span>
  64 /scratch/<b>you</b>$ <span class="userinput">echo "hello alice" > tmp/alice.txt</span>
  65 /scratch/<b>you</b>$ <span class="userinput">echo "hello bob" > tmp/bob.txt</span>
  66 /scratch/<b>you</b>$ <span class="userinput">echo "hello carol" > tmp/carol.txt</span>
  67 /scratch/<b>you</b>$ <span class="userinput">arv keep put tmp</span>
  68 0M / 0M 100.0%
  69 887cd41e9c613463eab2f0d885c6dd96+83
  70 </code></pre>
  71 </notextile>
  72
  73 The locator @887cd41e9c613463eab2f0d885c6dd96+83@ represents a collection with multiple files.
  74
  75 h1. Getting Data from Keep
  76
  77 h2. Using Workbench
  78
  79 You may access collections through the "Collections section of Arvados Workbench":https://{{ site.arvados_workbench_host }}/collections located at "https://{{ site.arvados_workbench_host }}/collections":https://{{ site.arvados_workbench_host }}/collections .  You can also access individual collections and individual files within a collection.  Some examples:
  80
  81 * "https://{{ site.arvados_workbench_host }}/collections/c1bad4b39ca5a924e481008009d94e32+210":https://{{ site.arvados_workbench_host }}/collections/c1bad4b39ca5a924e481008009d94e32+210
  82 * "https://{{ site.arvados_workbench_host }}/collections/887cd41e9c613463eab2f0d885c6dd96+83/alice.txt":https://{{ site.arvados_workbench_host }}/collections/887cd41e9c613463eab2f0d885c6dd96+83/alice.txt
  83
  84 h2(#arv-get). Using arv-get
  85
  86 You can view the contents of a collection using @arv keep ls@:
  87
  88 <notextile>
  89 <pre><code>/scratch/<b>you</b>$ <span class="userinput">arv keep ls c1bad4b39ca5a924e481008009d94e32+210</span>
  90 var-GS000016015-ASM.tsv.bz2
  91 </code></pre>
  92
  93 <pre><code>/scratch/<b>you</b>$ <span class="userinput">arv keep ls 887cd41e9c613463eab2f0d885c6dd96+83</span>
  94 alice.txt
  95 bob.txt
  96 carol.txt
  97 </code></pre>
  98 </notextile>
  99
 100 Use @-s@ to print file sizes rounded up to the nearest kilobyte:
 101
 102 <notextile>
 103 <pre><code>/scratch/<b>you</b>$ <span class="userinput">arv keep ls -s c1bad4b39ca5a924e481008009d94e32+210</span>
 104 221887 var-GS000016015-ASM.tsv.bz2
 105 </code></pre>
 106 </notextile>
 107
 108 Use @arv keep get@ to download the contents of a collection and place it in the directory specified in the second argument (in this example, @.@ for the current directory):
 109
 110 <notextile>
 111 <pre><code>/scratch/<b>you</b>$ <span class="userinput">arv keep get c1bad4b39ca5a924e481008009d94e32+210/ .</span>
 112 </code></pre>
 113 </notextile>
 114
 115 You can also download indvidual files:
 116
 117 <notextile>
 118 <pre><code>/scratch/<b>you</b>$ <span class="userinput">arv keep get 887cd41e9c613463eab2f0d885c6dd96+83/alice.txt .</span>
 119 </code></pre>
 120 </notextile>
 121
 122 With a local copy of the file, we can do some computation, for example computing the md5 hash of the complete file:
 123
 124 <notextile>
 125 <pre><code>/scratch/<b>you</b>$ <span class="userinput">md5sum var-GS000016015-ASM.tsv.bz2</span>
 126 44b8ae3fde7a8a88d2f7ebd237625b4f  var-GS000016015-ASM.tsv.bz2
 127 </code></pre>
 128 </notextile>
 129
 130 h2. Using arv-mount
 131
 132 Use @arv-mount@ to take advantage of the "File System in User Space / FUSE":http://fuse.sourceforge.net/ feature of the Linux kernel to mount a Keep collection as if it were a regular directory tree.
 133
 134 <notextile>
 135 <pre><code>/scratch/<b>you</b>$ <span class="userinput">mkdir mnt</span>
 136 /scratch/<b>you</b>$ <span class="userinput">arv-mount --collection c1bad4b39ca5a924e481008009d94e32+210 mnt &</span>
 137 /scratch/<b>you</b>$ <span class="userinput">cd mnt</span>
 138 /scratch/<b>you</b>/mnt$ <span class="userinput">ls</span>
 139 var-GS000016015-ASM.tsv.bz2
 140 /scratch/<b>you</b>/mnt$ <span class="userinput">md5sum var-GS000016015-ASM.tsv.bz2</span>
 141 44b8ae3fde7a8a88d2f7ebd237625b4f  var-GS000016015-ASM.tsv.bz2
 142 /scratch/<b>you</b>/mnt$ <span class="userinput">cd ..</span>
 143 /scratch/<b>you</b>$ <span class="userinput">fusermount -u mnt</span>
 144 </code></pre>
 145 </notextile>
 146
 147 You can also mount the entire Keep namespace in "magic directory" mode:
 148
 149 <notextile>
 150 <pre><code>/scratch/<b>you</b>$ <span class="userinput">mkdir mnt</span>
 151 /scratch/<b>you</b>$ <span class="userinput">arv-mount mnt &</span>
 152 /scratch/<b>you</b>$ <span class="userinput">cd mnt/c1bad4b39ca5a924e481008009d94e32+210</span>
 153 /scratch/<b>you</b>/mnt/c1bad4b39ca5a924e481008009d94e32+210$ <span class="userinput">ls</span>
 154 var-GS000016015-ASM.tsv.bz2
 155 /scratch/<b>you</b>/mnt/c1bad4b39ca5a924e481008009d94e32+210$ <span class="userinput">md5sum var-GS000016015-ASM.tsv.bz2</span>
 156 44b8ae3fde7a8a88d2f7ebd237625b4f  var-GS000016015-ASM.tsv.bz2
 157 /scratch/<b>you</b>/mnt/c1bad4b39ca5a924e481008009d94e32+210$ <span class="userinput">cd ../..</span>
 158 /scratch/<b>you</b>$ <span class="userinput">fusermount -u mnt</span>
 159 </code></pre>
 160 </notextile>
 161
 162 Using @arv-mount@ has several significant benefits:
 163
 164 * You can browse, open and read Keep entries as if they are regular files.
 165 * It is easy for existing tools to access files in Keep.
 166 * Data is downloaded on demand, it is not necessary to download an entire file or collection to start processing
 167
 168 <hr>
 169
 170 You are now ready to proceed to the next tutorial, "running a crunch job.":tutorial-job1.html