建站
咨詢
售后
建站咨詢
新聞中心
為了滿足日益增長的業(yè)務(wù)變化，京東的京麥團(tuán)隊(duì)在京東大數(shù)據(jù)平臺(tái)的基礎(chǔ)上，采用了Hadoop等熱門的開源大數(shù)據(jù)計(jì)算引擎，打造了一款為京東運(yùn)營和產(chǎn)品提供決策性的數(shù)據(jù)類產(chǎn)品-北斗平臺(tái)。
創(chuàng)新互聯(lián)成都企業(yè)網(wǎng)站建設(shè)服務(wù)，提供成都網(wǎng)站設(shè)計(jì)、網(wǎng)站建設(shè)、外貿(mào)網(wǎng)站建設(shè)網(wǎng)站開發(fā),網(wǎng)站定制,建網(wǎng)站,網(wǎng)站搭建,網(wǎng)站設(shè)計(jì),響應(yīng)式網(wǎng)站開發(fā),網(wǎng)頁設(shè)計(jì)師打造企業(yè)風(fēng)格網(wǎng)站,提供周到的售前咨詢和貼心的售后服務(wù)。歡迎咨詢做網(wǎng)站需要多少錢:18982081108
一、Hadoop的應(yīng)用業(yè)務(wù)分析
大數(shù)據(jù)是不能用傳統(tǒng)的計(jì)算技術(shù)處理的大型數(shù)據(jù)集的集合。它不是一個(gè)單一的技術(shù)或工具，而是涉及的業(yè)務(wù)和技術(shù)的許多領(lǐng)域。
目前主流的三大分布式計(jì)算系統(tǒng)分別為:Hadoop、Spark和Strom：
- Hadoop當(dāng)前大數(shù)據(jù)管理標(biāo)準(zhǔn)之一，運(yùn)用在當(dāng)前很多商業(yè)應(yīng)用系統(tǒng)?？梢暂p松地集成結(jié)構(gòu)化、半結(jié)構(gòu)化甚至非結(jié)構(gòu)化數(shù)據(jù)集。
- Spark采用了內(nèi)存計(jì)算。從多迭代批處理出發(fā)，允許將數(shù)據(jù)載入內(nèi)存作反復(fù)查詢，此外還融合數(shù)據(jù)倉庫，流處理和圖形計(jì)算等多種計(jì)算范式。Spark構(gòu)建在HDFS上，能與Hadoop很好的結(jié)合。它的RDD是一個(gè)很大的特點(diǎn)。
- Storm用于處理高速、大型數(shù)據(jù)流的分布式實(shí)時(shí)計(jì)算系統(tǒng)。為Hadoop添加了可靠的實(shí)時(shí)數(shù)據(jù)處理功能
Hadoop是使用Java編寫，允許分布在集群，使用簡單的編程模型的計(jì)算機(jī)大型數(shù)據(jù)集處理的Apache的開源框架。 Hadoop框架應(yīng)用工程提供跨計(jì)算機(jī)集群的分布式存儲(chǔ)和計(jì)算的環(huán)境。 Hadoop是專為從單一服務(wù)器到上千臺(tái)機(jī)器擴(kuò)展，每個(gè)機(jī)器都可以提供本地計(jì)算和存儲(chǔ)。
Hadoop適用于海量數(shù)據(jù)、離線數(shù)據(jù)和負(fù)責(zé)數(shù)據(jù)，應(yīng)用場景如下：
場景1：數(shù)據(jù)分析，如京東海量日志分析，京東商品推薦，京東用戶行為分析
場景2：離線計(jì)算，(異構(gòu)計(jì)算+分布式計(jì)算)天文計(jì)算
場景3：海量數(shù)據(jù)存儲(chǔ)，如京東的存儲(chǔ)集群
基于京麥業(yè)務(wù)三個(gè)實(shí)用場景
- 京麥用戶分析
- 京麥流量分析
- 京麥訂單分析
都屬于離線數(shù)據(jù)，決定采用Hadoop作為京麥數(shù)據(jù)類產(chǎn)品的數(shù)據(jù)計(jì)算引擎，后續(xù)會(huì)根據(jù)業(yè)務(wù)的發(fā)展，會(huì)增加Storm等流式計(jì)算的計(jì)算引擎，下圖是京麥的北斗系統(tǒng)架構(gòu)圖：
(圖一)京東北斗系統(tǒng)
二、淺談Hadoop的基本原理
Hadoop分布式處理框架核心設(shè)計(jì)
- HDFS ：(Hadoop Distributed File System)分布式文件系統(tǒng)
- MapReduce： 是一種計(jì)算模型及軟件架構(gòu)
2.1 HDFS
HDFS(Hadoop File System)，是Hadoop的分布式文件存儲(chǔ)系統(tǒng)。
將大文件分解為多個(gè)Block，每個(gè)Block保存多個(gè)副本。提供容錯(cuò)機(jī)制，副本丟失或者宕機(jī)時(shí)自動(dòng)恢復(fù)。默認(rèn)每個(gè)Block保存3個(gè)副本，64M為1個(gè)Block。將Block按照key-value映射到內(nèi)存當(dāng)中。
(圖二)數(shù)據(jù)寫入HDFS
(圖三)HDFS讀取數(shù)據(jù)
2.2 MapReduce
MapReduce是一個(gè)編程模型，封裝了并行計(jì)算、容錯(cuò)、數(shù)據(jù)分布、負(fù)載均衡等細(xì)節(jié)問題。MapReduce實(shí)現(xiàn)最開始是映射map，將操作映射到集合中的每個(gè)文檔，然后按照產(chǎn)生的鍵進(jìn)行分組，并將產(chǎn)生的鍵值組成列表放到對應(yīng)的鍵中。化簡(reduce)則是把列表中的值化簡成一個(gè)單值，這個(gè)值被返回，然后再次進(jìn)行鍵分組，直到每個(gè)鍵的列表只有一個(gè)值為止。這樣做的好處是可以在任務(wù)被分解后，可以通過大量機(jī)器進(jìn)行并行計(jì)算，減少整個(gè)操作的時(shí)間。但如果你要我再通俗點(diǎn)介紹，那么，說白了，Mapreduce的原理就是一個(gè)分治算法。
算法：
MapReduce計(jì)劃分三個(gè)階段執(zhí)行，即映射階段，shuffle階段，并減少階段。
映射階段：映射或映射器的工作是處理輸入數(shù)據(jù)。一般輸入數(shù)據(jù)是在文件或目錄的形式，并且被存儲(chǔ)在Hadoop的文件系統(tǒng)(HDFS)。輸入文件被傳遞到由線映射器功能線路。映射器處理該數(shù)據(jù)，并創(chuàng)建數(shù)據(jù)的若干小塊。
減少階段：這個(gè)階段是：Shuffle階段和Reduce階段的組合。減速器的工作是處理該來自映射器中的數(shù)據(jù)。處理之后，它產(chǎn)生一組新的輸出，這將被存儲(chǔ)在HDFS。
(圖四)MapReduce
2.3 HIVE
hive是基于Hadoop的一個(gè)數(shù)據(jù)倉庫工具，可以將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表，并提供完整的sql查詢功能，可以將sql語句轉(zhuǎn)換為MapReduce任務(wù)進(jìn)行運(yùn)行，這套SQL 簡稱HQL。使不熟悉mapreduce 的用戶很方便的利用SQL 語言查詢，匯總，分析數(shù)據(jù)。而mapreduce開發(fā)人員可以把己寫的mapper 和reducer 作為插件來支持Hive 做更復(fù)雜的數(shù)據(jù)分析。
(圖五)HIVE體系架構(gòu)圖
由上圖可知，hadoop和mapreduce是hive架構(gòu)的根基。Hive架構(gòu)包括如下組件：CLI(command line interface)、JDBC/ODBC、Thrift Server、WEB GUI、metastore和Driver(Complier、Optimizer和Executor)。
三、Hadoop走過來的那些坑
進(jìn)行HIVE操作的時(shí)候，HQL寫的不當(dāng)，容易造成數(shù)據(jù)傾斜，大致分為這么幾類：空值數(shù)據(jù)傾斜、不同數(shù)據(jù)類型關(guān)聯(lián)產(chǎn)生數(shù)據(jù)傾斜和Join的數(shù)據(jù)偏斜。只有理解了Hadoop的原理，熟練使用HQL，就會(huì)避免數(shù)據(jù)傾斜，提高查詢效率。
本文名稱：基于Hadoop大數(shù)據(jù)分析應(yīng)用場景與實(shí)戰(zhàn)
URL鏈接：http://m.5511xx.com/article/djpogcs.html
