基于Hadoop大數據分析應用場景與實戰
為了滿足日益增長的業務變化，京東的京麥團隊在京東大數據平臺的基礎上，采用了Hadoop等熱門的開源大數據計算引擎，打造了一款為京東運營和產品提供決策性的數據類產品-北斗平臺。
一、Hadoop的應用業務分析
大數據是不能用傳統的計算技術處理的大型數據集的集合。它不是一個單一的技術或工具，而是涉及的業務和技術的許多領域。
目前主流的三大分布式計算系統分別為:Hadoop、Spark和Strom：
- Hadoop當前大數據管理標準之一，運用在當前很多商業應用系統。可以輕松地集成結構化、半結構化甚至非結構化數據集。
- Spark采用了內存計算。從多迭代批處理出發，允許將數據載入內存作反復查詢，此外還融合數據倉庫，流處理和圖形計算等多種計算范式。Spark構建在HDFS上，能與Hadoop很好的結合。它的RDD是一個很大的特點。
- Storm用于處理高速、大型數據流的分布式實時計算系統。為Hadoop添加了可靠的實時數據處理功能
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據集處理的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適用于海量數據、離線數據和負責數據，應用場景如下：
場景1：數據分析，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，(異構計算+分布式計算)天文計算
場景3：海量數據存儲，如京東的存儲集群
基于京麥業務三個實用場景
- 京麥用戶分析
- 京麥流量分析
- 京麥訂單分析
都屬于離線數據，決定采用Hadoop作為京麥數據類產品的數據計算引擎，后續會根據業務的發展，會增加Storm等流式計算的計算引擎，下圖是京麥的北斗系統架構圖：
(圖一)京東北斗系統
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
- MapReduce： 是一種計算模型及軟件架構
2.1 HDFS
HDFS(Hadoop File System)，是Hadoop的分布式文件存儲系統。
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映射到內存當中。
(圖二)數據寫入HDFS
(圖三)HDFS讀取數據
2.2 MapReduce
MapReduce是一個編程模型，封裝了并行計算、容錯、數據分布、負載均衡等細節問題。MapReduce實現最開始是映射map，將操作映射到集合中的每個文檔，然后按照產生的鍵進行分組，并將產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據。一般輸入數據是在文件或目錄的形式，并且被存儲在Hadoop的文件系統(HDFS)。輸入文件被傳遞到由線映射器功能線路。映射器處理該數據，并創建數據的若干小塊。
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據。處理之后，它產生一組新的輸出，這將被存儲在HDFS。
(圖四)MapReduce
2.3 HIVE
hive是基于Hadoop的一個數據倉庫工具，可以將結構化的數據文件映射為一張數據庫表，并提供完整的sql查詢功能，可以將sql語句轉換為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，分析數據。而mapreduce開發人員可以把己寫的mapper 和reducer 作為插件來支持Hive 做更復雜的數據分析。
(圖五)HIVE體系架構圖
由上圖可知，hadoop和mapreduce是hive架構的根基。Hive架構包括如下組件：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，容易造成數據傾斜，大致分為這么幾類：空值數據傾斜、不同數據類型關聯產生數據傾斜和Join的數據偏斜。只有理解了Hadoop的原理，熟練使用HQL，就會避免數據傾斜，提高查詢效率。
