doc/user/tutorial-job1.textile

   1 ---
   2 layout: default
   3 navsection: userguide
   4 title: "Tutorial: Introduction to Keep and your first Crunch job"
   5 navorder: 11
   6 ---
   7
   8 h1. Tutorial: Introduction to Keep and your first crunch job
   9
  10 This tutorial introduces the concepts and use of the Arvados Keep storage and Crunch job system using the @arv@ command line tool and Arvados Workbench.
  11
  12 *This tutorial assumes that you are logged into an Arvados VM instance, as described in "accessing arvados over ssh.":ssh-access.html#login*
  13
  14 h2. Checking your environment
  15
  16 Check that you are able to access the Arvados API server using the following command:
  17
  18 bc. $ arv user current
  19
  20 If you receive the message @ARVADOS_API_HOST and ARVADOS_API_TOKEN need to be defined as environment variables@, follow the instructions for "getting an API token,":api-tokens.html then return to this document.
  21
  22 When @arv user current@ is able to access the API server, it will print out the unique identifier associated with your account.  Here is an example (you will receive a different identifier):
  23
  24 bc. qr1hi-xioed-9z2p3pn12yqdaem
  25
  26 This unique identifier represents your identity in the Arvados system and is similar to the concept of a pointer or a foreign key.  You may de-reference (get the contents of) any identifier returned by the "arv" command using the @-h@ command line option.  For example:
  27
  28 bc. $ arv -h user current
  29 {
  30  "href":"https://qr1hi.arvadosapi.com/arvados/v1/users/qr1hi-xioed-9z2p3pn12yqdaem",
  31  "kind":"arvados#user",
  32  "etag":"8u0xwb9f3otb2xx9hto4wyo03",
  33  "uuid":"qr1hi-tpzed-92d3kxnimy3d4e8",
  34  "owner_uuid":"qr1hi-tpqed-23iddeohxta2r59",
  35  "created_at":"2013-12-02T17:05:47Z",
  36  "modified_by_client_uuid":"qr1hi-xxfg8-owxa2oa2s33jyej",
  37  "modified_by_user_uuid":"qr1hi-tpqed-23iddeohxta2r59",
  38  "modified_at":"2013-12-02T17:07:08Z",
  39  "updated_at":"2013-12-05T19:51:08Z",
  40  "email":"you@example.com",
  41  "full_name":"Example User",
  42  "first_name":"Example",
  43  "last_name":"User",
  44  "identity_url":"https://www.google.com/accounts/o8/id?id=AItOawnhlZr-pQ_Ic2f2W22XaO02oL3avJ322k1",
  45  "is_active": true,
  46  "is_admin": false,
  47  "prefs":{}
  48 }
  49
  50 h2. Managing data in Arvados using Keep
  51
  52 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:
  53 * Files can be stored and replicated across a cluster of servers without requiring a central name server.
  54 * Systematic validation of data integrity by both server and client because the checksum is built into the identifier.
  55 * Minimizes data duplication (two files with the same contents will result in the same identifier, and will not be stored twice.)
  56 * Avoids data race conditions (an identifier always points to the same data.)
  57
  58 In Keep, information is stored in *data blocks*.  Data blocks are normally between 1 byte and 64 megabytes in size.  If a file exceeds the maximum size of a single data block, the file will be split across multiple data blocks until the entire file can be stored.  These data blocks may be stored and replicated across multiple disks, servers, or clusters.  Each data block has its own identifier for the contents of that specific data block.
  59
  60 In order to reassemble the file, Keep stores a *collection* data block which lists in sequence the data blocks that make up the original file.  A collection data block may store the information for multiple files, including a directory structure.
  61
  62 In this example we will use @33a9f3842b01ea3fdf27cc582f5ea2af@ which is already available on {{ site.arvados_api_host }}.  First let us examine the contents of this collection using @arv keep get@:
  63
  64 bc. $ arv keep get 33a9f3842b01ea3fdf27cc582f5ea2af
  65 . 204e43b8a1185621ca55a94839582e6f+67108864+K@qr1hi b9677abbac956bd3e86b1deb28dfac03+67108864+K@qr1hi fc15aff2a762b13f521baf042140acec+67108864+K@qr1hi 323d2a3ce20370c4ca1d3462a344f8fd+25885655+K@qr1hi 0:227212247:var-GS000016015-ASM.tsv.bz2
  66
  67 @arv keep get@ fetches the contents of the locator @33a9f3842b01ea3fdf27cc582f5ea2af@.  This is a locator for a collection data block, so it fetches the contents of the collection.  In this example, this collection consists of a single file @var-GS000016015-ASM.tsv.bz2@ which is 227212247 bytes long, and is stored using four sequential data blocks, <code>204e43b8a1185621ca55a94839582e6f+67108864+K@qr1hi</code>, <code>b9677abbac956bd3e86b1deb28dfac03+67108864+K@qr1hi</code>, <code>fc15aff2a762b13f521baf042140acec+67108864+K@qr1hi</code>, <code>323d2a3ce20370c4ca1d3462a344f8fd+25885655+K@qr1hi</code>.
  68
  69 Let's use @arv keep get@ to download the first datablock:
  70
  71 bc. $ arv keep get 204e43b8a1185621ca55a94839582e6f+67108864+K@qr1hi > block1
  72
  73 Let's look at the size and compute the md5 hash of @block1@:
  74
  75 bc. $ ls -l block1
  76 -rw-r--r-- 1 you group 67108864 Dec  9 20:14 block1
  77 $ md5sum block1
  78 204e43b8a1185621ca55a94839582e6f  block1
  79
  80 Notice that the block identifer <code>204e43b8a1185621ca55a94839582e6f+67108864+K@qr1hi</code> consists of:
  81 * the md5 hash @204e43b8a1185621ca55a94839582e6f@
  82 * a size hint @67108864@
  83 * a location hint <code>K@qr1hi</code>
  84
  85 In fact, _only_ the md5 hash is required to find the block.
  86
  87 Next, let's use @arv keep get@ to download and reassemble @var-GS000016015-ASM.tsv.bz2@ using the following command:
  88
  89 bc. $ arv keep get 33a9f3842b01ea3fdf27cc582f5ea2af/var-GS000016015-ASM.tsv.bz2 .
  90
  91 This downloads the file @var-GS000016015-ASM.tsv.bz2@ described by collection @33a9f3842b01ea3fdf27cc582f5ea2af@ from Keep and places it into the local directory.  Now that we have the file, we can compute the md5 hash of the complete file:
  92
  93 bc. $ md5sum var-GS000016015-ASM.tsv.bz2
  94 44b8ae3fde7a8a88d2f7ebd237625b4f  var-GS000016015-ASM.tsv.bz2
  95
  96 h2. Submitting your first job
  97
  98 In the previous section, we downloaded a file from Keep and computed the md5 hash of the complete file.  While straightforward, there are several obvious drawbacks to this approach:
  99 * Large files require significant time to download.
 100 * Very large files may exceed the scratch space of the local disk.
 101 * We are only able to use the local CPU to process the file.
 102
 103 The Arvados "crunch" framework is designed to support processing very large data batches (gigabytes to terabytes) efficiently, and provides the following benefits:
 104 * Increase concurrency by running tasks asynchronously, using many CPUs and network interfaces at once (especially beneficial for CPU-bound and I/O-bound tasks respectively).
 105 * Track inputs, outputs, and settings so you can verify that the inputs, settings, and sequence of programs you used to arrive at an output is really what you think it was.
 106 * Ensure that your programs and workflows are repeatable with different versions of your code, OS updates, etc.
 107 * Interrupt and resume long-running jobs consisting of many short tasks.
 108 * Maintain timing statistics automatically, so they're there when you want them.
 109
 110 For your first job, you will run the "hash" crunch script using the Arvados system.  The "hash" script computes the md5 hash of each file in a collection.
 111
 112 Crunch jobs are described using JSON objects.  For example:
 113
 114 bc. $ read -d $'\000' the_job <<EOF
 115 {
 116  "script": "hash",
 117  "script_version": "arvados:master",
 118  "script_parameters":
 119  {
 120   "input": "33a9f3842b01ea3fdf27cc582f5ea2af"
 121  }
 122 }
 123 EOF
 124
 125 * @read@ is a shell builtin that stores the first line of standard input into the local shell variable @the_job@
 126 * @-d $'\000'@ changes the line delimiter character from newline to null so that the entire input will be considered a single line.
 127 * @"script"@ specifies the name of the script to run.  The script is searched for in the "crunch_scripts/" subdirectory of the @git@ checkout specified by @"script_version"@.
 128 * @"script_version"@ specifies the version of the script that you wish to run.  This can be in the form of an explicit @git@ revision hash, or in the form "repository:branch" (in which case it will take the HEAD of the specified branch).  Arvados logs the script version that was used in the run, enabling you to go back and re-run any past job with the guarantee that the exact same code will be used as was used in the previous run.  You can access a list of available @git@ repositories on the Arvados workbench through _Access %(rarr)&rarr;% Repositories_.
 129 * @"script_parameters"@ are provided to the script.  In this case, the input is the locator for the collection that we inspected in the previous section.
 130
 131 Use @arv job create@ to actually submit the job.  It should print out a JSON object which describes the newly created job:
 132
 133 bc. $ arv -h job create --job "$the_job"
 134 {
 135  "href":"https://qr1hi.arvadosapi.com/arvados/v1/jobs/qr1hi-8i9sb-j5dr6107mxzp3no",
 136  "kind":"arvados#job",
 137  "etag":"aulvmdxezwxo4zrw15gz1v7x3",
 138  "uuid":"qr1hi-8i9sb-j5dr6107mxzp3no",
 139  "owner_uuid":"qr1hi-tpzed-9zdpkpni2yddge6",
 140  "created_at":"2013-12-10T17:07:08Z",
 141  "modified_by_client_uuid":"qr1hi-ozdt8-obw7foaks3qjyej",
 142  "modified_by_user_uuid":"qr1hi-tpzed-9zdpkpni2yddge6",
 143  "modified_at":"2013-12-10T17:07:08Z",
 144  "updated_at":"2013-12-10T17:07:08Z",
 145  "submit_id":null,
 146  "priority":null,
 147  "script":"hash",
 148  "script_parameters":{
 149   "input":"33a9f3842b01ea3fdf27cc582f5ea2af"
 150  },
 151  "script_version":"d3b10812b443dcf0189c1c432483bf7ac06507fe",
 152  "cancelled_at":null,
 153  "cancelled_by_client_uuid":null,
 154  "cancelled_by_user_uuid":null,
 155  "started_at":null,
 156  "finished_at":null,
 157  "output":null,
 158  "success":null,
 159  "running":null,
 160  "is_locked_by_uuid":null,
 161  "log":null,
 162  "runtime_constraints":{},
 163  "tasks_summary":{},
 164  "dependencies":[
 165   "33a9f3842b01ea3fdf27cc582f5ea2af"
 166  ],
 167  "log_stream_href":"https://qr1hi.arvadosapi.com/arvados/v1/jobs/qr1hi-8i9sb-j5dr6107mxzp3no/log_tail_follow"
 168 }
 169
 170 The job is new queued and will start running as soon as it reaches the front of the queue.  Fields to pay attention to include:
 171
 172  * @"uuid"@ is the unique identifier for this specific job
 173  * @"script_version"@ is the actual revision of the script used.  This is useful if the version was described using the "repository:branch" format.
 174  * @"log_stream_href"@ provides a means to monitor job progress, described below.
 175
 176 h3. Monitor job progress
 177
 178 Go to Workbench, and use the menu to navigate to _Compute %(rarr)&rarr;% Jobs_. The job you submitted can be identified by the *uuid* row, which will match the "uuid" field of the JSON object returned when the job was created.
 179
 180 Hit "Refresh" until it finishes.  Successful completion is indicated by a green check mark in the *status* column.
 181
 182 You can watch the log messages while the job runs using @curl@:
 183
 184 bc. $ curl -s -H "Authorization: OAuth2 $ARVADOS_API_TOKEN" _value_of_log_stream_href_from_arv_job_create_
 185
 186 * @-s@ suppress status messages from @curl@ itself
 187 * @-H@ addes a required HTTP header with your Arvados API token
 188
 189 This will run until the job finishes or is @curl@ is canceled with control-C.
 190
 191 h3. Inspect the job output
 192
 193 You can access the job output under the *output* column of the _Compute %(rarr)&rarr;% Jobs_ page.  Alternately, you can use @arv job get@ to access a JSON object describing the output:
 194
 195 bc. $ arv -h job get --uuid _value_of_uuid_from_arv_job_create_
 196 {
 197  "href":"https://qr1hi.arvadosapi.com/arvados/v1/jobs/qr1hi-8i9sb-zs6d9pxkr0vk175",
 198  "kind":"arvados#job",
 199  "etag":"eoe99lw7rnqxo7j29fh53hz",
 200  "uuid":"qr1hi-8i9sb-zs6d9pxkr0vk175",
 201  "owner_uuid":"qr1hi-tpzed-9zdpkpni2yddge6",
 202  "created_at":"2013-12-10T17:23:26Z",
 203  "modified_by_client_uuid":null,
 204  "modified_by_user_uuid":"qr1hi-tpzed-9zdpkpni2yddge6",
 205  "modified_at":"2013-12-10T17:23:45Z",
 206  "updated_at":"2013-12-10T17:23:45Z",
 207  "submit_id":null,
 208  "priority":null,
 209  "script":"hash",
 210  "script_parameters":{
 211   "input":"33a9f3842b01ea3fdf27cc582f5ea2af"
 212  },
 213  "script_version":"0a8c7c6fce7a9667ee42c1984a845100f51906a2",
 214  "cancelled_at":null,
 215  "cancelled_by_client_uuid":null,
 216  "cancelled_by_user_uuid":null,
 217  "started_at":"2013-12-10T17:23:29Z",
 218  "finished_at":"2013-12-10T17:23:44Z",
 219  "output":"880b55fb4470b148a447ff38cacdd952+54+K@qr1hi",
 220  "success":true,
 221  "running":false,
 222  "is_locked_by_uuid":"qr1hi-tpzed-9zdpkpni2yddge6",
 223  "log":"f760f3dd3105103e058a043310f7e72b+3028+K@qr1hi",
 224  "runtime_constraints":{},
 225  "tasks_summary":{
 226   "done":2,
 227   "running":0,
 228   "failed":0,
 229   "todo":0
 230  },
 231  "dependencies":[
 232   "33a9f3842b01ea3fdf27cc582f5ea2af"
 233  ],
 234  "log_stream_href":null
 235 }
 236
 237 * @"output"@ is the unique identifier for this specific job's output.  This is a Keep collection.
 238
 239 Now you can list the files in the collection:
 240
 241 bc. $ arv keep get _value_of_output_from_arv_job_get_
 242 . 78b268d1e03d87f8270bdee9d5d427c5+61 0:61:md5sum.txt
 243
 244 This collection consists of the md5sum.txt file.  Use @arv keep get@ to show the contents of the md5sum.txt file:
 245
 246 bc. $ arv keep get 880b55fb4470b148a447ff38cacdd952+54+K@qr1hi/md5sum.txt
 247 44b8ae3fde7a8a88d2f7ebd237625b4f var-GS000016015-ASM.tsv.bz2
 248
 249 This md5 hash matches the md5 hash which we computed earlier.
 250
 251 This concludes the first tutorial.
 252 <!-- In the next tutorial, we will inspect how the hash script works. -->