摘要：Hadoop平臺(tái)是apche下的一個(gè)開源大數(shù)據(jù)平臺(tái)，具有分布性、虛擬化、高可靠性、高可伸縮性、通用性等特點(diǎn)。Hadoop平臺(tái)發(fā)展至今，集成組件已從1.0發(fā)展到2.0。從Hadoop體系結(jié)構(gòu)入手，分析了Hadoop 平臺(tái)1.0和2.0平臺(tái)的基準(zhǔn)測(cè)試性能并進(jìn)行了對(duì)比。研究了testdfsIO、yarn、hive的基準(zhǔn)測(cè)試，通過對(duì)升級(jí)后平臺(tái)的基準(zhǔn)測(cè)試，分析了2.0的優(yōu)勢(shì)，為集成Hadoop平臺(tái)提供參考。

關(guān)鍵詞：大數(shù)據(jù)；Hadoop；testdfsIO；yarn；hive；性能對(duì)比

DOIDOI：10.11907/rjdk.143775

中圖分類號(hào)：TP306

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：16727800（2015）001003003

作者簡(jiǎn)介作者簡(jiǎn)介：張新玲（1983-），女，浙江杭州人，浪潮電子信息產(chǎn)業(yè)股份有限公司系統(tǒng)軟件部高級(jí)工程師，研究方向?yàn)樵朴?jì)算、大數(shù)據(jù)。

0 引言

隨著移動(dòng)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、社交網(wǎng)絡(luò)等技術(shù)的興起，全球數(shù)據(jù)量迅猛增長(zhǎng)，大數(shù)據(jù)（Big Data）時(shí)代已經(jīng)來臨。大數(shù)據(jù)的定義有多種提法，IBM認(rèn)為大數(shù)據(jù)具備規(guī)模性（Volume）、多樣性（Variety）和高速性（Velocity）3個(gè)特征：規(guī)模性指數(shù)據(jù)量巨大，量級(jí)達(dá)到TB級(jí)及PB級(jí)；多樣性指數(shù)據(jù)類型繁多，包括結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)；高速性指數(shù)據(jù)創(chuàng)建、處理和分析的速度持續(xù)加快。Hadoop是一個(gè)開源大數(shù)據(jù)平臺(tái)，已成為大數(shù)據(jù)的代名詞。短短幾年，Hadoop從一種邊緣技術(shù)成為事實(shí)上的標(biāo)準(zhǔn)，Hadoop 逐漸通過開源的分布式計(jì)算框架成為各軟件開發(fā)團(tuán)隊(duì)首選的云計(jì)算平臺(tái)。

Hadoop平臺(tái)軟件系統(tǒng)具有分布性、虛擬化、高可靠性、高可伸縮性、通用性等特點(diǎn)，在軍事、教育、政府、金融等各個(gè)領(lǐng)域都有應(yīng)用。在這樣的背景下，研究Hadoop平臺(tái)下的基準(zhǔn)測(cè)試工作具有重要現(xiàn)實(shí)意義，本文研究的是hadoop平臺(tái)1.0和2.0的基準(zhǔn)項(xiàng)性能測(cè)試對(duì)比。

1 研究?jī)?nèi)容

Hadoop平臺(tái)下的基準(zhǔn)測(cè)試主要包括Hdfs的讀寫、Yarn的執(zhí)行情況；Hive的基本功能包括簡(jiǎn)單查詢、表連接查詢、插入操作、分組查詢和map查詢； TestDFSIO基準(zhǔn)測(cè)試、Yarn基準(zhǔn)測(cè)試、Hive基準(zhǔn)測(cè)試比較研究。采用hadoop自帶的測(cè)試包hadoop-test.jar中的TestDFSIO方法，分別執(zhí)行3次讀寫操作。

2 TestDFSIO基準(zhǔn)測(cè)試比較

2.1 單個(gè)1G文件讀寫測(cè)試

測(cè)試采用Hadoop自帶的測(cè)試包hadoop-test.jar中的TestDFSIO方法，分別執(zhí)行3次讀寫操作，測(cè)試結(jié)果對(duì)比如表2、表3所示。

2.2 單個(gè)200G文件讀寫測(cè)試

測(cè)試采用Hadoop自帶的測(cè)試包hadoop-test.jar中的TestDFSIO方法。

2.3 10個(gè)1G文件讀寫測(cè)試

測(cè)試采用Hadoop自帶的測(cè)試包hadoop-test.jar中的TestDFSIO方法。

2.4 10個(gè)200G文件讀寫測(cè)試

測(cè)試采用Hadoop自帶的測(cè)試包hadoop-test.jar中的TestDFSIO方法。

3 Yarn基準(zhǔn)測(cè)試比較

3.1 使用Wordcount統(tǒng)計(jì)輸入數(shù)據(jù)中每個(gè)單詞的出現(xiàn)次數(shù)

輸入數(shù)據(jù)使用Hadoop RandomWriter產(chǎn)生的random data， 在yarn上運(yùn)行RandomWriter，會(huì)啟動(dòng)一個(gè)MapReduce job， 每個(gè)節(jié)點(diǎn)生成1G數(shù)據(jù)共8G。

Wordcount進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，在Hadoop2.0平臺(tái)與Hadoop1.0平臺(tái)上的測(cè)試時(shí)間分別如表10所示。

3.2 使用Sort對(duì)8GB數(shù)據(jù)進(jìn)行排序

Sort測(cè)試是Hadoop自帶的排序測(cè)試，輸入數(shù)據(jù)使用Hadoop RandomTextWriter生成8G數(shù)據(jù)。

3.3 使用Terasort對(duì)1TB數(shù)據(jù)進(jìn)行排序

TeraSort是由微軟的數(shù)據(jù)庫專家Jim Gray創(chuàng)建的標(biāo)準(zhǔn)benchmark，輸入數(shù)據(jù)由Hadoop TeraGen產(chǎn)生，生成1TB數(shù)據(jù)。

4 Hive基準(zhǔn)測(cè)試比較

本次hive測(cè)試生成兩個(gè)表：Rankings和Uservisits表，Rankings表大小為1GB共11 999 999條，Uservisits表大小20GB共99 999 995條。Rankings表的表結(jié)構(gòu)為：

hive> desc rankings；

OK

pageurl string None

pagerank int None

avgduration int None

Time taken： 0.12 seconds， Fetched： 3 row（s）

Uservisits表的表結(jié)構(gòu)為：

hive> desc uservisits；

OK

sourceip string None

desturl string None

visitdate string None

adrevenue double None

useragent string None

countrycode string None

languagecode string None

searchword string None

duration int None

Time taken： 0.128 seconds， Fetched： 9 row（s）

4.1 簡(jiǎn)單查詢操作

以pageurl字段作為條件，從Rankings表中單條查詢出結(jié)果，語句為：

select * from rankings where pageurl='wyhajvmhqmtngawxpzkkjxkjoxzfecznoklgkcgbdaiaxy

gpqtohcrtakdebgwwpouzkjnplnqzjyqauevchrs'；

測(cè)試結(jié)果見表13。

4.2 簡(jiǎn)單連接查詢操作

通過Rankings表中的pageURL和Uservisits表中的descURL進(jìn)行連接操作，再根據(jù)Rankings中的pageURL作為限制條件進(jìn)行查詢，語句為：

select R.pageurl sourceIP，visitDate from rankings R

JOIN uservisits UV ON （R.pageURL=UV.destURL）

AndR.pageurl='wyhajvmhqmtngawxpzkkjxkjoxzfecznoklg kcgbdaiaxygpqtohcrtakdebgwwpouzkjnplnqzjyqauevchrs'；

測(cè)試結(jié)果見表14。

4.3 插入操作

創(chuàng)建一個(gè)與Rankings表結(jié)構(gòu)相同的表Rankingsless，從Rankings表中根據(jù)pageRank排序得到前40條數(shù)據(jù)插入到Rankingsless表中，語句為：

建表語句：CREATE EXTERNAL TABLE rankingsless （pageURL STRING， pageRank INT， avgDuration INT）STORED AS SEQUENCEFILE；

插入語句：insert overwrite table rankingsless select * from rankings order by pageRank desc limit 40；

測(cè)試結(jié)果見表15。

4.4 分組操作（group by）

對(duì)Rservisits表進(jìn)行操作，根據(jù)sourceIP進(jìn)行分組，查詢出sourceIP和 SUM（adRevenue），然后插入到新建的表Uservisits_aggre中，命令：

建表語句：CREATE TABLE uservisits_aggre （ sourceIP STRING， sumAdRevenue DOUBLE） STORED AS SEQUENCEFILE ；

分組操作語句：INSERT OVERWRITE TABLE uservisits_aggre SELECT sourceIP， SUM（adRevenue） FROM uservisits GROUP BY sourceIP；

測(cè)試結(jié)果對(duì)比見表16。

4.5 map連接操作

采用map連接方式對(duì)Rankingsless和Rankings進(jìn)行連接，進(jìn)行統(tǒng)計(jì)運(yùn)算，語句為：

select /*+ MAPJOIN（rankingsless） */ count（*） from uservisits U JOIN rankingsless R ON U.destURL=R.pageURLandR.pageurl='wyhajvmhqmtngawxpzkkjxkjoxzfecznoklgkcgbdaiaxygpqtohcrtakdebgwwpouzkjnplnqzjy qauevchrs'；

測(cè)試結(jié)果見表17。

5 結(jié)語

本次實(shí)驗(yàn)基于Hadoop平臺(tái)2.X的基準(zhǔn)測(cè)試與Hadoop1.0平臺(tái)的基準(zhǔn)測(cè)試對(duì)比，可以發(fā)現(xiàn)在新一代的Hadoop平臺(tái)下，Hadoop2.0有11項(xiàng)測(cè)試優(yōu)于Hadoop1.0平臺(tái)，其它5項(xiàng)測(cè)試時(shí)間相差不多，整體情況來看，Hadoop2.0性能要優(yōu)于Hadoop1.0。

參考文獻(xiàn)：

[1] 林清瀅.基于Hadoop 的云計(jì)算模型[J]. 現(xiàn)代計(jì)算機(jī)， 2010（5）148150.

[2] http：//hadoop.ahache.org/.

[3] 劉鵬，黃宜華，陳衛(wèi)衛(wèi).實(shí)戰(zhàn)Hadoop開啟通向云計(jì)算的捷徑[M].北京：電子工業(yè)出版社，2011.

[4] 鄧自立. 云計(jì)算中的網(wǎng)絡(luò)拓?fù)湓O(shè)計(jì)和Hadoop 平臺(tái)研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2009.

[5] TOM WHITE.Hadoop權(quán)威指南[M]. 曾大聃，周傲英，譯.北京：清華大學(xué)出版社， 2010.

[6] TOM WHITE.Hadoop：the.definitive guide[M].Manning，2014.

[7] 張為民，唐劍鋒，羅治國(guó)，等.云計(jì)算——深刻改變未來[M].北京：科學(xué)出版社，2009.

[8] 劉鵬.云計(jì)算[M].第2 版. 北京：電子工業(yè)出版社，2011.

[9] 李國(guó)杰.大數(shù)據(jù)研究的科學(xué)價(jià)值[J].中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊，2010（9）：3336.

[10] 鄧自力.云計(jì)算中的網(wǎng)絡(luò)拓?fù)湓O(shè)計(jì)和hadoop平臺(tái)研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2009.

[11] 冷先剛.軟件測(cè)試模型與方法研究[D].武漢：武漢理工大學(xué)， 2009.

[12] 帥丹.分布式系統(tǒng)測(cè)試的難點(diǎn)與分析[J] .程序員，2010 （8）：100105.