為了滿足日益增長的業(yè)務變化，京東的京麥團隊在京東大數(shù)據(jù)平臺的基礎上，采用了Hadoop等熱門的開源大數(shù)據(jù)計算引擎，打造了一款為京東運營和產(chǎn)品提供決策性的數(shù)據(jù)類產(chǎn)品-北斗平臺。
一、Hadoop的應用業(yè)務分析
大數(shù)據(jù)是不能用傳統(tǒng)的計算技術(shù)處理的大型數(shù)據(jù)集的集合。它不是一個單一的技術(shù)或工具，而是涉及的業(yè)務和技術(shù)的許多領域。
目前主流的三大分布式計算系統(tǒng)分別為：Hadoop、Spark和Strom：
- Hadoop當前大數(shù)據(jù)管理標準之一，運用在當前很多商業(yè)應用系統(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)存作反復查詢，此外還融合數(shù)據(jù)倉庫，流處理和圖形計算等多種計算范式。Spark構(gòu)建在HDFS上，能與Hadoop很好的結(jié)合。它的RDD是一個很大的特點。
- Storm用于處理高速、大型數(shù)據(jù)流的分布式實時計算系統(tǒng)。為Hadoop添加了可靠的實時數(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算機大型數(shù)據(jù)集處理的Apache的開源框架。 Hadoop框架應用工程提供跨計算機集群的分布式存儲和計算的環(huán)境。 Hadoop是專為從單一服務器到上千臺機器擴展，每個機器都可以提供本地計算和存儲。
Hadoop適用于海量數(shù)據(jù)、離線數(shù)據(jù)和負責數(shù)據(jù)，應用場景如下：
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：離線計算，(異構(gòu)計算+分布式計算)天文計算
場景3：海量數(shù)據(jù)存儲，如京東的存儲集群
基于京麥業(yè)務三個實用場景
- 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)計算引擎，后續(xù)會根據(jù)業(yè)務的發(fā)展，會增加Storm等流式計算的計算引擎，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計
HDFS ：(Hadoop Distributed File System)分布式文件系統(tǒng)
MapReduce： 是一種計算模型及軟件架構(gòu)
2.1 HDFS
HDFS(Hadoop File System)，是Hadoop的分布式文件存儲系統(tǒng)。
將大文件分解為多個Block，每個Block保存多個副本。提供容錯機制，副本丟失或者宕機時自動恢復。默認每個Block保存3個副本，64M為1個Block。將Block按照key-value映射到內(nèi)存當中。
(圖二)數(shù)據(jù)寫入HDFS
(圖三)HDFS讀取數(shù)據(jù)
2.2 MapReduce
MapReduce是一個編程模型，封裝了并行計算、容錯、數(shù)據(jù)分布、負載均衡等細節(jié)問題。MapReduce實現(xiàn)最開始是映射map，將操作映射到集合中的每個文檔，然后按照產(chǎn)生的鍵進行分組，并將產(chǎn)生的鍵值組成列表放到對應的鍵中。化簡(reduce)則是把列表中的值化簡成一個單值，這個值被返回，然后再次進行鍵分組，直到每個鍵的列表只有一個值為止。這樣做的好處是可以在任務被分解后，可以通過大量機器進行并行計算，減少整個操作的時間。但如果你要我再通俗點介紹，那么，說白了，Mapreduce的原理就是一個分治算法。
算法：
MapReduce計劃分三個階段執(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，這將被存儲在HDFS。
(圖四)MapReduce
2.3 HIVE
hive是基于Hadoop的一個數(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任務進行運行，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
進行HIVE操作的時候，HQL寫的不當，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，就會避免數(shù)據(jù)傾斜，提高查詢效率。
核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務領域、行業(yè)應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業(yè)務領域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領域，是眾多中小企業(yè)信息化建設首選的ERP管理軟件信賴品牌。
轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://www.ezxoed.cn/
本文標題：基于Hadoop大數(shù)據(jù)分析應用場景與實戰(zhàn)
本文網(wǎng)址：http://www.ezxoed.cn/html/support/11121521064.html
相關(guān)文章
