何慶++龔靜

摘 要：在移動互聯(lián)網(wǎng)迅猛發(fā)展的時代，電信運營商對用戶上網(wǎng)日志等非結(jié)構(gòu)化數(shù)據(jù)的處理、分析和挖掘變得尤為重要，傳統(tǒng)的基于小型機和關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)處理系統(tǒng)已經(jīng)無法滿足海量非結(jié)構(gòu)化數(shù)據(jù)的及時處理需求，相對傳統(tǒng)做法，搭建X86集群、利用云計算技術(shù)對海量非結(jié)構(gòu)化數(shù)據(jù)進行處理，具有高效、低成本、易擴展等方面的巨大優(yōu)勢。另外，用戶上網(wǎng)日志中包含著大量的個性化信息，如何充分挖掘和分析這些信息，對電信運營商在移動互聯(lián)時代實現(xiàn)精細(xì)化運營至關(guān)重要。該論文主要以用戶WAP日志為例，詳細(xì)闡述如何利用云計算技術(shù)處理海量的非結(jié)構(gòu)化數(shù)據(jù)，進而去挖掘和分析用戶上網(wǎng)行為。

關(guān)鍵詞：非結(jié)構(gòu)化數(shù)據(jù) 云計算 用戶上網(wǎng)行為

中圖分類號：TP393.08 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2014）11（c）-0011-02

隨著3G時代的來臨，電信行業(yè)競爭日趨激烈，而移動互聯(lián)業(yè)務(wù)的快速發(fā)展，也使各大電信運營商面臨新的機遇和挑戰(zhàn)。如何在信息大爆炸時代，對電子商務(wù)、社交網(wǎng)絡(luò)、物聯(lián)網(wǎng)、新醫(yī)療、LBS、視頻、音樂等方面產(chǎn)生的海量非結(jié)構(gòu)化數(shù)據(jù)進行有效處理并提供高價值的分析，是業(yè)內(nèi)面臨的共同難題。

據(jù)不完全統(tǒng)計，電信運營商接近50%的移動互聯(lián)網(wǎng)流量來自國內(nèi)排名前10的WAP網(wǎng)站。從這個角度分析，雖然當(dāng)前各種移動互聯(lián)業(yè)務(wù)層出不窮，種類繁多，但WAP應(yīng)用仍然占據(jù)主導(dǎo)地位。此外，互聯(lián)網(wǎng)上知名門戶和垂直類網(wǎng)站也紛紛建立WAP版，搶占移動互聯(lián)網(wǎng)市場。對電信運營商而言，業(yè)務(wù)多樣化趨勢情況下，更需要很好地理解業(yè)務(wù)價值、客戶價值，促進精細(xì)化營銷；制定相應(yīng)策略與控制，降低流量成本和提升流量收入，促進流量業(yè)務(wù)發(fā)展。通過云計算解決方案，對海量WAP日志進行數(shù)據(jù)處理和挖掘，低成本高效率的支撐業(yè)務(wù)應(yīng)用。

1 需求分析

1.1 功能需求

（1）數(shù)據(jù)源。

用戶WAP上網(wǎng)日志記錄，每天處理數(shù)據(jù)量約1T，45億條記錄。

（2）WAP日志的云ETL。

提供基于HADOOP集群的數(shù)據(jù)處理平臺，通過統(tǒng)一調(diào)度實現(xiàn)并行ETL過程。

（3）網(wǎng)頁分類。

①從WAP日志提取URL，將URL經(jīng)過網(wǎng)頁分類等處理，轉(zhuǎn)化為可以理解的指定的網(wǎng)頁標(biāo)簽，并保留關(guān)鍵字；

②網(wǎng)頁標(biāo)簽分為三級，每個網(wǎng)頁的關(guān)鍵詞保留5個，圖書和音樂類網(wǎng)頁保留圖書名和音樂名作為關(guān)鍵字；

③按照標(biāo)簽進行網(wǎng)頁分類應(yīng)具備一定的靈活性，除了一級標(biāo)簽保持穩(wěn)定外，二級和三級標(biāo)簽均可因不同的業(yè)務(wù)分析需求而變化和重構(gòu)。

（4）用戶上網(wǎng)行為分析。

基于客戶的訪問行為，識別其偏好特征，根據(jù)內(nèi)容偏好特征進行客戶細(xì)分，并支持目標(biāo)客戶群提取，以便支撐營銷活動。

1.2 性能需求

基于以上業(yè)務(wù)需求，系統(tǒng)能力要求至少配備6臺X86服務(wù)器，其中1臺為主節(jié)點，5臺為數(shù)據(jù)節(jié)點。具體配置如下。

（1）服務(wù)器型號是IBM 3650m3；

（2）CPU為雙路六核，Intel X5650處理器，2.66GHz主頻；

（3）內(nèi)存是48GB；

（4）存儲是6*1TB SATA硬盤，7200轉(zhuǎn)；

（5）網(wǎng)口是4個千兆電口。

2 關(guān)鍵技術(shù)

2.1 網(wǎng)頁數(shù)據(jù)的獲取

爬蟲的工作原理：首先爬蟲根據(jù)WebDB生成一個待抓取網(wǎng)頁的URL集合叫做Fetchlist，接著下載線程Fetcher根據(jù) Fetchlist將網(wǎng)頁抓取回來，如果下載線程有很多個，那么就生成很多個Fetchlist，也就是一個Fetcher對應(yīng)一個Fetchlist。然后爬蟲用抓取回來的網(wǎng)頁更新WebDB，根據(jù)更新后的WebDB生成新的Fetchlist，里面是未抓取的或者新發(fā)現(xiàn)的URLs，然后下一輪抓取循環(huán)重新開始。這個循環(huán)過程可以叫做“產(chǎn)生/抓取/更新”循環(huán)。

2.2 基于分布式系統(tǒng)的海量數(shù)據(jù)處理

分布式系統(tǒng)采用基于Hadoop的集群架構(gòu)，其特征主要有以下幾點。

（1）先進性；

（2）高可靠性；

（3）成熟性；

（4）易維護性。

2.2.1 分布式存儲系統(tǒng)

分布式平臺底層的基本結(jié)構(gòu)是基于一組特定的節(jié)點構(gòu)建而成，這些節(jié)點主要分為兩類，一類是元數(shù)據(jù)節(jié)點（NameNode），它在分布式存儲系統(tǒng)內(nèi)部提供元數(shù)據(jù)服務(wù)；另一類是數(shù)據(jù)節(jié)點（DataNode），為系統(tǒng)提供數(shù)據(jù)存儲塊。

一個分布式集群由一個元數(shù)據(jù)節(jié)點和大量的數(shù)據(jù)節(jié)點構(gòu)成，并被許多用戶端訪問。出于可靠性考慮，每一個塊被復(fù)制到多個數(shù)據(jù)節(jié)點上。默認(rèn)情況下，保存三個副本，本地節(jié)點一份，與該節(jié)點相同的機架上一份，不同機架節(jié)點上一份，但這個副本數(shù)量可以由用戶指定。

每個分布式集群通常只有一個元數(shù)據(jù)節(jié)點，用來維護文件系統(tǒng)所有的元數(shù)據(jù)（metadata），包括名字空間、訪問控制信息、從文件到塊的映射以及塊的當(dāng)前位置。

分布式存儲系統(tǒng)采用可擴展的系統(tǒng)結(jié)構(gòu)，利用多臺服務(wù)器并行計算，提供高吞吐量的應(yīng)用程序數(shù)據(jù)訪問，它不但提高了系統(tǒng)的可靠性、可用性和存取效率，還易于擴展。

2.2.2 Map/Reduce運行環(huán)境

MapReduce是Google發(fā)明的一種編程模型。在這種編程模型下，用戶通過定義一個map函數(shù)和一個reduce函數(shù)來解決問題。map函數(shù)對用戶輸入的鍵/值對（key/value pair）進行處理（處理時可能只有值這一項有用），生成一系列新的鍵/值對作為中間結(jié)果；系統(tǒng)（MapReduce的實現(xiàn)）對map函數(shù)生成的鍵/值對進行處理，將同屬于一個鍵（key）的值（value）組合在一起，生成鍵/值列表（（key/list of values） pair）對；reduce函數(shù)將鍵/值列表對作為輸入，對同屬于一個鍵的值列表進行處理，生成最終處理結(jié)果輸出。endprint