一些大数据的案例

来自《Hadoop权威指南》的案例


1. Last.fm
1.1 背景
    创建于2002年，提供网络电台和网络音乐服务的社交网络。每个月有2500万人使用Last.fm，产生大量数据。现在有了中文版http://cn.last.fm/，界面很不错！
    2006年初，Last.fm开始使用Hadoop，几个月后投入实际应用。Hadoop是Last.fm基础平台的关键组件，有2个Hadoop集群，50台计算机，300个内核，100TB的硬盘空间。在集群上，运行数百种各种日常作业，包括日志文件分析，A/B测试评测，即时处理和图表生成。


1.2 图表生成
    图表生成是Hadoop在Last.fm的第一个应用。


1.3 数据从哪里来
    Last.fm有两种收听信息：用户播放自己的音乐，如pc或者其他设备mp3，这种信息通过Last.fm的客户端或者第三方应用发送到Last.fm，这一类叫scrobble收藏数据；用户收听Last.fm网络电台的节目，以及听节目时候的喜爱，跳过，禁止等操作信息，这一类叫radio listen电台收听数据。


1.4 数据存储
    收听数据被发送到Last.fm，经历验证和转换，形成一系列有空格分隔的文本文件，包含用户id-userid，音乐id-trackid，这首音乐被收藏的次数scrobble，这首音乐在电台中收听的次数radio，被跳过的次数skip。真实数据达到GB级别，有更多属性字段。


1.5 数据处理
    1.5.1 Unique Listeners作业：统计收听某一首歌的不同用户数，也就说说，有多少个用户听过某个歌，如果用户重复收听，只算一次。
    1.5.2 Sum作业：每首歌的收听总数，收藏总数，电台收听总数，被跳过的总数。
    1.5.3 合作作业：每首歌的被多少不同用户收听总数，收听总数，收藏总数，电台收听总数，被跳过的总数。
    1.5.4 这些数据会被作为周排行榜等在Last.fm主站上显示出来。

2. Facebook
2.1 背景
    Facebook社交网络。
    开始时，试用一个小Hadoop集群，很成功。同时开始开发Hive，Hive让工程师能用SQL语言处理Hadoop集群的数据，毕竟很多人更熟悉SQL。后来，Facbook运行了世界第二大Hadoop集群，数据超多2PB，每天加入10TB数据，2400个内核，9TB内存，大部分时间硬件满负荷运行。

2.2 使用情况

    2.2.1 在大规模数据是以天和小时为单位产生概要信息。如用户数，网页浏览次数，网站访问时间增常情况，广告活动效果数据，计算用户喜欢人和应用程序。
    2.2.2 分析历史数据，以设计和改进产品，以及管理。
    2.2.3 文件存档和日志查询。

2.3 广告分析

    2.3.1 cpc-cost perclick点击数计费，cpm-cost per mille每千人成本。
    2.3.2 个性化广告定制：根据个体用户进行不同的内容剪辑。Yahoo!的SmartAds，Facebook的Social Ads，Engagement Ad广告意见/嵌入视频交互。Facebook每天处理1TB数量级广告数据。
    2.3.3 用Hive分析A/B测试的结果。
    2.3.4 Hadoop和Hive分析人气网站，生物信息公司，原油勘探公司，在线广告。
    

3.Nutch搜索引擎
3.1 Nutch框架用户建立可扩展的crawler网络爬虫和搜索引擎。

3.2 架构

    3.2.1 crawlDb网页数据库：跟踪网络crawler抓取的网页和它们的状态。
    3.2.2 fetchlist爬取网页清单：crawler定期刷新web视图信息，下载新的网页。
    3.2.3 page content原始网页数据：从远程网站下载，以原始的未世界的格式在本地存储成字节数组。
    3.2.4 解析的网页数据：Nutch为html, pdf, open office, ms office, rss提供了解析器。
    3.2.5 linkdb链接图数据库：page rank来的。
    3.2.6 lucene全文检索索引：倒排索引，基于搜集到的所有网页元数据和抽取到的纯文本内容建立。

3.3 使用情况

    Nutch使用Hadoop作业处理数据。




4 Rackspace
4.1 背景
    Rackspace hosting为企业提供管理系统。在数百台服务器上为100万用户和几千家公司提供邮件服务。

4.2 使用情况

    日志分析。发送邮件需要使用多个postfix邮件代理服务器，大部分消息穿越多个Postfix服务器，但每个服务器只知道邮件的目的地，为了给消息建立完整的历史信息，需要用Hadoop处理日志记录。

4.3 使用方式

    在数据中心, syslog-ng从source机器传统日志数据到一组负载均衡的collector收集器机器。在收集器上，日志数据被汇集成一个单独的数据流，用gzip格式进行轻量级压缩。
    当压缩的日志流到达本地收集器，数据会被写入Hadoop，这一步用简单的python脚本写入即可。
    Hadoop集群有15个数据节点，每个节点使用普通cpu和3个500G硬盘。

4.4 计算

    每个电子邮件有一个唯一标示符号queue-id。每个电子邮件有一个唯一的message-id，但恶意客户端会重复发送消息，所以message-id会被伪造。
    在Postfix日志，需要用queue-id查找message-id。
    第一步，以queue-id为健，进行map，把日志log的每个分配给对应的queue-id，然后，执行reduce过程，根据日志消息数值判断queue-id的发送过程是否完整。
    第二步，根据message-id对第一步的结果进行分组，以queue-di和message-id同时为键，以它们对应的日志行作为值，在reuce阶段，判断针对某个message-id的所有queue-id是否合理，验证消息是否离开系统。




5. Cascading
5.1 背景
    Cascading是一个开源的Java库，为MapReduce提供抽象层。用Java写Hadoop的MapReduce是有难度的：cascading用简单字段名和数据元组模型代替MapReduce的key-value；cascading引入了比Map和Reduce更抽象的层次，如Function, Fileter, Aggregator和Buffer。

5.2 使用情况

    Cascading以字段名和元组的方式，把多个MapReduce的处理简化成一个管道链接起来的形式处理数据。从例子来看非常简洁，需要的代码很少。


6. 用Pig和Wukong探索十亿数据级别的网络图
6.1 图=节点+连接节点的边。

6.2 Infochimps项目，一个发现，共享，出售数据集的全球性网站。用简单的脚本语言-不超过一页，就可以处理TB级别的图数据。

6.3 在Infochimps，有twitter，faceboobk的数据集；有wiki百科数据集；线虫项目神经愿和突触的联系；高速公路地图等等。

6.4 在网络图分析上可以做出很多很好玩的有趣东东。

转载于:https://my.oschina.net/u/3226063/blog/826118