《Hadoop应用案例.ppt》由会员分享，可在线阅读，更多相关《Hadoop应用案例.ppt（39页珍藏版）》请在三一办公上搜索。
1、第16讲：Hadoop应用案例,Hadoop集群在互联网企业的应用,京东商城 百度 阿里巴巴,京东商城,源起：为POP商家进行日志分析服务,瓶颈,性能瓶颈：采用Oracle RAC（2节点），IBM小型机，由于数据量极大，无法满足时效要求 成本瓶颈：小型机再进行高配和节点扩展，价格太贵,Hadoop集群作为解决方案,20多个节点的Hadoop集群 数据定时从收集服务器装载到Hadoop集群（周期为天级或小时级）数据经过整理（预处理）后放进数据仓库系统，数据仓库是基于Hive架构的，使用Hive的主要原因是技术人员基本都是基于Oracle数据库的技能，由于Hive支持SQL查询，因而技能可以平稳
2、过渡 数据仓库查询统计的结果会被导到hbase，然后和应用进行连接，应用不与hive直接连接的原因，是基于效率的考虑。导出数据到hbase由自行开发的一段C程序完成。应用即portal通过API与hbase连接获取数据,遇到的挑战,Hadoop集群比较顺利，反映Hadoop项目本身已经较有成熟度。但由于Hadoop系统考虑用户权限较少，而对于大规模公司，势必要实施多级权限控制。解决的方法是通过修改源代码加上权限机制 Hbase极不稳定，反映在某些数据导入导出连接过程里会丢失数据。判断为源代码bug，通过修改源代码解决,总体来说，Hadoop项目很成功，现在整个EDW（企业数据仓库系统）都基于H
3、adoop。集群已经发展到200节点。之前传闻的购买Oracle Exadata实际是用于下单交易系统，并非Hadoop项目失败。大型企业成功应用Hadoop，必须有源代码级别修改的技术力量。普通的程序员转型阅读修改Hadoop源代码并不困难。HiveSQL和Oracle的SQL有一些差异，大约花一周时间阅读Apache的Hive wiki基本能掌握,部门结构,运维团队（负责管理维护集群的正常运行）数据仓库团队（根据业务部门的要求进行数据统计和查询）成都研究院（负责底层，包括源代码修改和按上层部门要求开发Map-Reduce程序，比如一些UDF）,Hadoop在淘宝和支付宝的应用,从09年开始
4、。用于对海量数据的离线处理，例如对日志的分析，也涉及内容部分，结构化数据 主要基于可扩展性的考虑 规模从当初的3-4百节点增长到今天单一集群3000节点以上，2-3个集群 支付宝的集群规模也达700台，使用Hbase，个人消费记录，key-value型,对Hadoop源码的修改,改进Namenode单点问题 增加安全性 改善Hbase的稳定性 改进反哺Hadoop社区,管理模式,集团统一管理 Hadoop运维团队 Hadoop开发团队 数据仓库团队（Hive）,准实时的流数据处理技术,从Oracle,Mysql日志直接读取数据 部分数据源来自应用消息系统 以上数据经由Meta+Storm的流数
5、据处理，写入HDFS，实现实时或准实时的数据分析 数据装载到Hive进行处理，结果写回Oracle和Mysql数据库,淘宝数据魔方,架构图,架构图,架构分为五层，分别是数据源、计算层、存储层、查询层和产品层。数据来源层，这里有淘宝主站的用户、店铺、商品和交易等数据库，还有用户的浏览、搜索等行为日志等。这一系列的数据是数据产品最原始的生命力所在。在数据源层实时产生的数据，通过淘宝主研发的数据传输组件DataX、DbSync和Timetunnel准实时地传输到Hadoop集群“云梯”，是计算层的主要组成部分。在“云梯”上，每天有大约40000个作业对1.5PB的原始数据按照产品需求进行不同的Map
6、Reduce计算。一些对实效性要求很高的数据采用“云梯”来计算效率比较低，为此做了流式数据的实时计算平台，称之为“银河”。“银河”也是一个分布式系统，它接收来自TimeTunnel的实时消息，在内存中做实时计算，并把计算结果在尽可能短的时间内刷新到NoSQL存储设备中，供前端产品调用。,架构图,“云梯”或者“银河”并不适合直接向产品提供实时的数据查询服务。这是因为，对于“云梯”来说，它的定位只是做离线计算的，无法支持较高的性能和并发需求；而对于“银河”而言，尽管所有的代码都掌握在我们手中，但要完整地将数据接收、实时计算、存储和查询等功能集成在一个分布式系统中，避免不了分层，最终仍然落到了目前的
7、架构上。针对前端产品设计了专门的存储层。在这一层，有基于MySQL的分布式关系型数据库集群MyFOX和基于HBase的NoSQL存储集群Prom。,Myfox,数据查询过程,Myfox,节点结构,Prometheus,Prom的存储结构,Prometheus,Prom查询过程,glider,glider的技术架构,glider,缓存控制体系,量子恒道,Oceanbase,Oceanbase,分布式的结构化存储系统，采用强schema的形式，其数据是分布在多个数据节点上，并将读写数据做了完全的隔离。OB的数据节点分两种，一类是基准数据节点(!ChunkServer)，存储引擎是基于SSTABLE
8、 http:/的。一个是增量数据节点(!UpdateServer)，存储引擎是基于Btree(内存中的memtable)和SSTABLE(major-freeze-dump)的。基准数据：从开始至某个时间点的全量数据，是静态数据，在到下一个时间点合并之前，该部分数据不会发生变更。增量数据：是指从某个时间点至当前范围内新增的数据，增量数据会因为应用的各种修改操作(insert,update,delete)发生变更。,整体数据分布,数据演进过程,sstable的总体数据格式,sstable中data block的排列规则,sstable中的schema排列规则,HadoopBaidu,日志的存储和统计;网页数据的分析和挖掘;商业分析，如用户的行为和广告关注度等;在线数据的反馈，及时得到在线广告的点击情况;用户网页的聚类，分析用户的推荐度及用户之间的关联度。,挑战,分布式计算技术2.0,HDFS2.0,1.0所面临的问题 集群规模大，Namenode响应变慢 Namenode单点，切换时间太长 没有数据压缩 Namespace过于耗用资源,HDFS2.0可用性,HDFS2.0透明压缩,Map-Reduce2.0,Map-Reduce2.0,谢 谢！,
