廖春瓊

摘 要：傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，在單表中數(shù)據(jù)量達(dá)到上千萬時，不論怎么優(yōu)化，查詢速度都難令人滿意，用分布式并行處理的大數(shù)據(jù)環(huán)境來處理數(shù)據(jù)讀寫速度問題，用分布式列存儲數(shù)據(jù)庫提高表中數(shù)據(jù)檢索速度，在性能上會有比較顯著的提升。

關(guān)鍵詞：大數(shù)據(jù)；分布式；Hadoop；并行運(yùn)算

一、背景和目的

隨著社會逐步步入信息時代，各行各業(yè)的信息化建設(shè)都進(jìn)行跨越性的發(fā)展，各類型數(shù)據(jù)呈現(xiàn)爆炸式增長。國際數(shù)據(jù)公司IDC2011年發(fā)布的Digital Universe Study，全球信息總量每兩年就會增長一倍，在2011年，全球被創(chuàng)建和被復(fù)制的數(shù)據(jù)總量為1.8ZB（1.8萬億GB），預(yù)計到2020年這一數(shù)值將增長到35ZB。數(shù)據(jù)量每上升一個數(shù)量級，就會要求IT具備相應(yīng)的高效率處理能力（包括存儲、運(yùn)算、查詢、展現(xiàn)及成本等），大數(shù)據(jù)Hadoop系統(tǒng)為提升IT的數(shù)據(jù)處理能力在效率及性能方面提供了較好的支持。

Hadoop系統(tǒng)基礎(chǔ)的組件包括了HDFS、MapReduce和HBase，HDFS為海量的數(shù)據(jù)提供了存儲，而MapReduce為海量的數(shù)據(jù)提供了計算，HBase則提供高可靠性、高性能、面向列、可伸縮的分布式大規(guī)模結(jié)構(gòu)化存儲集群。HDFS采用分布式技術(shù)和低成本存儲設(shè)備解決了對全類型數(shù)據(jù)（結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化）的存儲、查詢，MapReduce是并行處理大數(shù)據(jù)集的軟件框架，使大數(shù)據(jù)集能在分布式環(huán)境下進(jìn)行并行運(yùn)算，HBase是一個分布式、面向列的適合于非結(jié)構(gòu)化數(shù)據(jù)存儲的數(shù)據(jù)庫，可通過HBase中數(shù)據(jù)表的rowkey實(shí)現(xiàn)快速檢索查詢。

二、實(shí)例系統(tǒng)環(huán)境搭建

運(yùn)行環(huán)境需搭建一個最基礎(chǔ)的Hadoop系統(tǒng)運(yùn)行環(huán)境，實(shí)驗(yàn)環(huán)境安裝步驟：（1）軟件系統(tǒng)環(huán)境準(zhǔn)備，安裝操作系統(tǒng)、網(wǎng)絡(luò)配置能相互ping通，按照Hostname定義服務(wù)器名稱，并在

/etc/hosts中增加集群中3臺服務(wù)器的名稱和ip；（2）安裝jdk，配置jdk運(yùn)行環(huán)境，需要在集群中的三臺服務(wù)器上都安裝；（3）創(chuàng)建Hadoop運(yùn)行賬戶；（4）在3臺服務(wù)器之間配置SSH無密碼登錄；（5） 安裝配置Hadoop；1） 用Hadoop運(yùn)行賬戶解壓安裝文件；2）用root用戶在/etc/profile中配置Hadoop運(yùn)行環(huán)境變量，需要在集群中的三臺服務(wù)器上都配置修改；3）修改Hadoop運(yùn)行配置文件core-site.xml、hdfs-site.xml、yarn-site.xml和slaves文件；4） 同步/etc/hosts、/etc/profile和Hadoop運(yùn)行配置文件core-site.xml、hdfs-site.xml、yarn-site.xml；5） 啟動

Hadoop并檢查Master和Slave的進(jìn)程，并驗(yàn)證集群是否可用。（6）安裝配置HBase。

三、設(shè)計及實(shí)現(xiàn)

本次實(shí)現(xiàn)中利用交通運(yùn)營車輛的GPS定位信息數(shù)據(jù)，數(shù)據(jù)文件大小約300G，記錄總條數(shù)約20億條，數(shù)據(jù)中包括車輛基本信息（車牌號、車牌顏色、車輛歸屬行業(yè)、車輛歸屬省市等）和車輛定位信息（定位時間、經(jīng)度、緯度、車輛狀態(tài)等）。

1、HBase數(shù)據(jù)表設(shè)計原則：1） 建表時按照車輛歸屬省市劃分region（提升數(shù)據(jù)讀寫性能）；2） 數(shù)據(jù)表中rowkey定義為：車牌號_車牌顏色_定位時間；3） 車輛基本信息和車輛定位信息都放在一個family（列簇），字段信息可自動擴(kuò)展。參考建表腳本：create 'gpsinfo'， {NAME => 'vehicle'， COMPRESSION =>

'SNAPPY'}，

{SPLITS => ['京'，'吉'，'遼'，'蒙'，'晉'，'冀'，'津'，'新'，'寧'，'青'，'甘'，'陜'，'藏'，'云'，'貴'，'川'，'渝'，'瓊'，'桂'，'粵'，'湘'，'鄂'，'皖'，'魯'，'贛'，'閩'，'豫'，'浙'，'蘇'，'滬'，'黑']}。

2、本實(shí)現(xiàn)中數(shù)據(jù)處理流程如下描述：1） 從數(shù)據(jù)源（離線文件）中讀取數(shù)據(jù)，并進(jìn)行初步清洗寫入HDFS中（生成rowkey）；

2）編寫MapReduce程序?qū)⑶逑春驢DFS文件生成HBase的

HFile文件；3） 通過BulkLoad方式將MapReduce生成的HFile加載到HBase中；4）HBase中表數(shù)據(jù)保存在HDFS上；5） 通過

HBase的api提供對外的快速查詢接口。

四、實(shí)例運(yùn)行結(jié)果

在通過發(fā)布出去的接口調(diào)用后，數(shù)據(jù)查詢反饋速度達(dá)到了秒級（內(nèi)網(wǎng)在2秒內(nèi)），利用傳統(tǒng)的設(shè)計實(shí)現(xiàn)模式會遠(yuǎn)遠(yuǎn)大于這個時間，所以大數(shù)據(jù)查詢必將是未來發(fā)展的趨勢。

參考文獻(xiàn)：

[1] 董西成，蔡斌，陳湘萍（著）《hadoop技術(shù)內(nèi)幕》機(jī)械工業(yè)出版社2013-05-01

[2] 作者：（英）Garry Turkington譯者：張治起《Hadoop基礎(chǔ)教程》人民郵電出版社2014-01-01