【東網(wǎng)技術(shù)大咖帶您走進(jìn)Hadoop】當(dāng)Hadoop邂逅大數(shù)據(jù) 會(huì)碰撞出怎樣的火花？

發(fā)布時(shí)間： 2017-01-23 12:12:22  

分享到：

Hadoop是什么？有哪些應(yīng)用？Hadoop和大數(shù)據(jù)又是什么關(guān)系?接下來(lái)將圍繞這幾個(gè)問(wèn)題展開(kāi)闡述。

Hadoop是一個(gè)由Apache基金會(huì)所開(kāi)發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)。用戶可以在不了解分布式底層細(xì)節(jié)的情況下，開(kāi)發(fā)分布式程序。充分利用集群的威力進(jìn)行高速運(yùn)算和存儲(chǔ)。Hadoop實(shí)現(xiàn)了一個(gè)分布式文件系統(tǒng)(Hadoop Distributed File System)，簡(jiǎn)稱HDFS。

HDFS有高容錯(cuò)性的特點(diǎn)，并且設(shè)計(jì)用來(lái)部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)來(lái)訪問(wèn)應(yīng)用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集(large data set)的應(yīng)用程序。HDFS放寬了(relax)POSIX的要求，可以以流的形式訪問(wèn)(streaming access)文件系統(tǒng)中的數(shù)據(jù)。

Hadoop的框架最核心的設(shè)計(jì)就是：HDFS和MapReduce。HDFS為海量的數(shù)據(jù)提供了存儲(chǔ)，則MapReduce為海量的數(shù)據(jù)提供了計(jì)算。

Hadoop由 Apache Software Foundation 公司于 2005 年秋天作為L(zhǎng)ucene的子項(xiàng)目Nutch的一部分正式引入。它受到最先由 Google Lab 開(kāi)發(fā)Map/Reduce 和 Google File System(GFS) 的啟發(fā)。

2006 年 3 月份，Map/Reduce 和 Nutch Distributed File System (NDFS) 分別被納入稱為 Hadoop 的項(xiàng)目中。

Hadoop 是在 Internet 上對(duì)搜索關(guān)鍵字進(jìn)行內(nèi)容分類最受歡迎的工具，但它也可以解決許多要求極大伸縮性的問(wèn)題。例如，如果您要 grep 一個(gè) 10TB 的巨型文件，會(huì)出現(xiàn)什么情況?在傳統(tǒng)的系統(tǒng)上，這將需要很長(zhǎng)的時(shí)間。但是 Hadoop 在設(shè)計(jì)時(shí)就考慮到這些問(wèn)題，采用并行執(zhí)行機(jī)制，因此能大大提高效率。

Hadoop原本來(lái)自于谷歌一款名為MapReduce的編程模型包。谷歌MapReduce框架可以把一個(gè)應(yīng)用程序分解為許多并行計(jì)算指令，跨大量的計(jì)算節(jié)點(diǎn)運(yùn)行非常巨大的數(shù)據(jù)集。使用該框架的一個(gè)典型例子就是在網(wǎng)絡(luò)數(shù)據(jù)上運(yùn)行的搜索算法。Hadoop 最初只與網(wǎng)頁(yè)索引有關(guān)，迅速發(fā)展成為分析大數(shù)據(jù)的領(lǐng)先平臺(tái)。

目前有很多公司開(kāi)始提供基于Hadoop的商業(yè)軟件、支持、服務(wù)以及培訓(xùn)。Cloudera是一家美國(guó)的企業(yè)軟件公司，該公司在2008年開(kāi)始提供基于Hadoop的軟件和服務(wù)。GoGrid是一家云計(jì)算基礎(chǔ)設(shè)施公司，2012年，該公司與Cloudera合作加速了企業(yè)采納基于Hadoop應(yīng)用的步伐。Dataguise公司是一家數(shù)據(jù)安全公司，同樣在2012年該公司推出了一款針對(duì)Hadoop的數(shù)據(jù)保護(hù)和風(fēng)險(xiǎn)評(píng)估。

美國(guó)國(guó)會(huì)圖書(shū)館是全球最大的圖書(shū)館，自1800年設(shè)立至今，收藏了超過(guò)1.5億個(gè)實(shí)體對(duì)象，包括書(shū)籍、影音、老地圖、膠卷等，數(shù)字?jǐn)?shù)據(jù)量也達(dá)到了235TB，但美國(guó)eBay拍賣網(wǎng)站，8千萬(wàn)名用戶每天產(chǎn)生的數(shù)據(jù)量就有50TB，5天就相當(dāng)于1座美國(guó)國(guó)會(huì)圖書(shū)館的容量。

在國(guó)外，不只eBay這種跨國(guó)電子商務(wù)業(yè)者感受到巨量數(shù)據(jù)的沖擊，其他如美國(guó)連鎖超市龍頭沃爾瑪、發(fā)行信用卡的Visa公司等，在臺(tái)灣如臺(tái)灣集成電路(臺(tái)積電)、中華電信等手上擁有大量顧客資料的企業(yè)，都紛紛感受到這股如海嘯般來(lái)襲的Big Data巨量資料浪潮。這樣的巨量數(shù)據(jù)并非是沒(méi)有價(jià)值的數(shù)據(jù)，其中潛藏了許多使用者親身經(jīng)驗(yàn)的第一手原始數(shù)據(jù)，不少企業(yè)更是從中嗅到了商機(jī)。

這些企業(yè)紛紛向最早面臨大數(shù)據(jù)挑戰(zhàn)的搜索引擎業(yè)者Google、Yahoo取經(jīng)，學(xué)習(xí)處理巨量數(shù)據(jù)的技術(shù)和經(jīng)驗(yàn)，其中，最受這些企業(yè)青睞，用來(lái)解決巨量數(shù)據(jù)難題的技術(shù)就是Apache基金會(huì)的分布式計(jì)算技術(shù)Hadoop。

應(yīng)用案例1-全球最大超市業(yè)者沃爾瑪

沃爾瑪雖然十年前就投入在線電子商務(wù)，但在線銷售的營(yíng)收遠(yuǎn)遠(yuǎn)落后于亞馬遜（Amazon）。后來(lái)，沃爾瑪決定采用Hadoop來(lái)分析顧客搜尋商品的行為，以及用戶透過(guò)搜索引擎尋找到沃爾瑪網(wǎng)站的關(guān)鍵詞，利用這些關(guān)鍵詞的分析結(jié)果發(fā)掘顧客需求，以規(guī)畫(huà)下一季商品的促銷策略。他們并進(jìn)一步打算要分析顧客在Facebook、Twitter等社交網(wǎng)站上對(duì)商品的討論，甚至沃爾瑪能比父親更快知道女兒懷孕的消息，并且主動(dòng)寄送相關(guān)商品的促銷郵件，可說(shuō)是比競(jìng)爭(zhēng)對(duì)手提前一步發(fā)現(xiàn)顧客。

應(yīng)用案例2-全球最大拍賣網(wǎng)站 eBay

經(jīng)營(yíng)拍賣業(yè)務(wù)的eBay則是用Hadoop來(lái)分析買(mǎi)賣雙方在網(wǎng)站上的行為。eBay擁有全世界最大的數(shù)據(jù)倉(cāng)儲(chǔ)系統(tǒng)，每天增加的數(shù)據(jù)量有50TB，光是儲(chǔ)存就是一大挑戰(zhàn)，更遑論要分析這些數(shù)據(jù)，而且更困難的挑戰(zhàn)是這些數(shù)據(jù)報(bào)括了結(jié)構(gòu)化的數(shù)據(jù)和非結(jié)構(gòu)化的數(shù)據(jù)，如照片、影片、電子郵件、用戶的網(wǎng)站瀏覽Log記錄等。eBay正是用Hadoop來(lái)解決同時(shí)要分析大量結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化的難題。

eBay分析平臺(tái)高級(jí)總監(jiān)Oliver Ratzesberger也坦言，大數(shù)據(jù)分析最大的挑戰(zhàn)就是要同時(shí)處理結(jié)構(gòu)化以及非結(jié)構(gòu)化的數(shù)據(jù)。

eBay在5年多前就另外建置了一個(gè)軟硬件整合的平臺(tái)Singularity，搭配壓縮技術(shù)來(lái)解決結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)分析問(wèn)題，3年前更在這個(gè)平臺(tái)整合了Hadoop來(lái)處理非結(jié)構(gòu)化數(shù)據(jù)，透過(guò)Hadoop來(lái)進(jìn)行數(shù)據(jù)預(yù)先處理，將大塊結(jié)構(gòu)的非結(jié)構(gòu)化數(shù)據(jù)拆解成小型數(shù)據(jù)，再放入數(shù)據(jù)倉(cāng)儲(chǔ)系統(tǒng)的數(shù)據(jù)模型中分析，來(lái)加快分析速度，也減輕對(duì)數(shù)據(jù)倉(cāng)儲(chǔ)系統(tǒng)的分析負(fù)載。

應(yīng)用案例3-全球最大信用卡公司 Visa

Visa公司則是擁有一個(gè)全球最大的付費(fèi)網(wǎng)絡(luò)系統(tǒng)VisaNet，作為信用卡付款驗(yàn)證之用。2009年時(shí)，每天就要處理1.3億次授權(quán)交易和140萬(wàn)臺(tái)ATM的聯(lián)機(jī)存取。為了降低信用卡各種詐騙、盜領(lǐng)事件的損失，Visa公司得分析每一筆事務(wù)數(shù)據(jù)，來(lái)找出可疑的交易。雖然每筆交易的數(shù)據(jù)記錄只有短短200位，但每天VisaNet要處理全球上億筆交易，2年累積的資料多達(dá)36TB，過(guò)去光是要分析5億個(gè)用戶賬號(hào)之間的關(guān)聯(lián)，得等1個(gè)月才能得到結(jié)果，所以，Visa也在2009年時(shí)導(dǎo)入了Hadoop，建置了2套Hadoop叢集(每套不到50個(gè)節(jié)點(diǎn))，讓分析時(shí)間從1個(gè)月縮短到13分鐘，更快速地找出了可疑交易，也能更快對(duì)銀行提出預(yù)警，甚至能及時(shí)阻止詐騙交易。

Hadoop這套被眾多企業(yè)賴以解決大數(shù)據(jù)難題的分布式計(jì)算技術(shù)，并不是一項(xiàng)全新的技術(shù)，早在2006年就出現(xiàn)了，而且Hadoop的核心技術(shù)原理，更是源自Google打造搜索引擎的關(guān)鍵技術(shù)，后來(lái)由Yahoo支持的開(kāi)源開(kāi)發(fā)團(tuán)隊(duì)發(fā)展成一套Hadoop分布式計(jì)算平臺(tái)，也成為Yahoo內(nèi)部打造搜索引擎的關(guān)鍵技術(shù)。