Hadoop实际应用场景，阿里和百度

[Hadoop] 实际应用场景之 - 阿里

Hadoop在淘宝和支付宝的应用从09年开始，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，结构化数据等。使用Hadoop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。

阿里对Hadoop的源码做了如下修改：

• 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
  

阿里数据处理的整体架构图如下：

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。

• 数据源：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。
  
• 计算层：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MapReduce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。
• 存储层：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的结构图如下：

Prom（即普罗米修斯）结构图如下：

• 查询层（glider）

• 产品层：数据魔方、量子恒道等

[Hadoop] 实际应用场景之 - 百度

百度在2008年就开始使用Hadoop作为其离线数据分析平台，从Hadoop v0.18/0.19开始，300台机器，2个集群，现在的规模为2W台节点以上，最大集群接近4,000节点，每日处理数据20PB+，每日作业数120,000+

Hadoop在百度主要用于如下场景：

• 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。
  

百度和其它公司对Hadoop的应用最大的不同是对源代码做了大量的修改，当Hadoop 2.0官方版本还没有出来时，百度就已经在开发自己的Hadoop 2.0，如下图所示：

HDFS 1.0面临的问题有：

• 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

百度自己开发的HDFS 2.0改进了如下功能：

• Namenade热备切换
• 分钟级别切换
• 最坏情况，可能丢失1分钟数据
• 透明数据压缩（利用CPU低谷时压缩、长时间未使用的块才压缩等）

MapReduce 1.0面临的问题有：

• JobTracker单点问题
• 资源粒度过粗（slot）
• 资源利用率不高

百度自己开发的MapReduce 2.0改进了如下功能：

• 可扩展性强（支持万台节点以上）
• 架构松耦合，支持多种计算框架
• 可支持热升级
• 更精细的资源控制
• MR优化：Shuffle独立/Task同质调度