《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 一種基于HBase的海量微博數(shù)據(jù)高效存儲(chǔ)方案
一種基于HBase的海量微博數(shù)據(jù)高效存儲(chǔ)方案
2014年微型機(jī)與應(yīng)用第11期
焦冬冬,,徐新國
華北計(jì)算機(jī)系統(tǒng)工程研究所,北京
摘要: 隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展,互聯(lián)網(wǎng)用戶激增,同時(shí)產(chǎn)生了海量的互聯(lián)網(wǎng)數(shù)據(jù)。據(jù)不完全統(tǒng)計(jì),,截至2012年12月底,新浪微博注冊用戶數(shù)已超過5億,每天新浪微博用戶發(fā)博量超過1億條,。微博的使用人群數(shù)量基數(shù)大,狀態(tài)信息更新頻繁,,信息傳播迅速,,這為研究網(wǎng)絡(luò)用戶行為與心理提供了充足的資源,也帶來了挑戰(zhàn),。
關(guān)鍵詞: Hadoop HBase MapReduce 微博
Abstract:
Key words :

  摘  要: 通過分析HBase的特點(diǎn),,提出了一種基于HBase的海量微博數(shù)據(jù)高效存儲(chǔ)方案。該方案通過建立合適的數(shù)據(jù)存儲(chǔ)模型,、預(yù)建Region,,提出行關(guān)鍵字生成規(guī)則和跳過壞記錄的方法,使得數(shù)據(jù)能夠利用MapReduce模型高效且不間斷地導(dǎo)入HBase數(shù)據(jù)庫,。實(shí)驗(yàn)結(jié)果表明,,該方法能夠提高海量數(shù)據(jù)導(dǎo)入HBase的效率。

  關(guān)鍵詞Hadoop,;HBase,;MapReduce;微博,;行關(guān)鍵字,;跳過壞記錄

  隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展,互聯(lián)網(wǎng)用戶激增,,同時(shí)產(chǎn)生了海量的互聯(lián)網(wǎng)數(shù)據(jù),。據(jù)不完全統(tǒng)計(jì),截至2012年12月底,,新浪微博注冊用戶數(shù)已超過5億,,每天新浪微博用戶發(fā)博量超過1億條,。微博的使用人群數(shù)量基數(shù)大,狀態(tài)信息更新頻繁,,信息傳播迅速,,這為研究網(wǎng)絡(luò)用戶行為與心理提供了充足的資源,也帶來了挑戰(zhàn),。

  面對如此海量的微博數(shù)據(jù),,如何將其高效的存儲(chǔ)與管理,已經(jīng)成為一個(gè)迫切需要解決的問題,。云計(jì)算技術(shù)的出現(xiàn),,為解決這一問題提供了新的途徑和思路。目前谷歌,、亞馬遜,、微軟、IBM等知名企業(yè)紛紛推出云計(jì)算解決方案,。Apache的Hadoop[1]是一個(gè)開源的云計(jì)算平臺(tái),,其核心是HDFS、MapReduce和Hbase,。Hbase是一個(gè)開源的,、面向列的分布式數(shù)據(jù)庫,它是基于HDFS的,,可以利用集群處理大數(shù)據(jù),。

  目前已有105萬個(gè)新浪微博用戶以JSON[2]格式保存的文本數(shù)據(jù),數(shù)據(jù)容量為8.9 TB,。如此大量的數(shù)據(jù)使用單臺(tái)計(jì)算機(jī)進(jìn)行結(jié)構(gòu)化存儲(chǔ)和處理是極其耗費(fèi)時(shí)間的,。本文主要研究基于MapReduce模型解析JSON格式的微博數(shù)據(jù),并將其高效地導(dǎo)入Hbase數(shù)據(jù)庫,,為海量數(shù)據(jù)的高效存儲(chǔ)提供一種解決方案,。

  1 HBase概述和MapReduce模型

  HBase[3]是一個(gè)基于HDFS的、開源的,、面向列的分布式數(shù)據(jù)庫,。HBase是基于列簇存儲(chǔ)的,不同的列簇對應(yīng)HDFS上的不同的目錄文件,,此目錄文件中存儲(chǔ)的是HBase底層存儲(chǔ)文件(HFile文件),,當(dāng)目錄中HFile文件數(shù)量過多時(shí),HBase會(huì)進(jìn)行compact操作,,合并HFile文件,。HBase的每個(gè)表都有一個(gè)或幾個(gè)列簇,每個(gè)列簇可以包含任意數(shù)量的列,,且每行的列不必相同,。HBase表中的每一行由行關(guān)鍵字,、時(shí)間戳和列簇組成。

  HBase有多種數(shù)據(jù)導(dǎo)入方式,,最直接的方法是在MapReduce任務(wù)中用TableOutputFormat導(dǎo)入或者直接使用正常的客戶端API導(dǎo)入。但是這些都不是最高效的方法,。BulkLoad可以通過MapReduce任務(wù)直接生成HFile文件,,然后導(dǎo)入HBase的表中,適合大數(shù)據(jù)的快速導(dǎo)入,。因此在本文中主要針對BulkLoad方法進(jìn)行改進(jìn),。

  MapReduce[4]是一個(gè)處理數(shù)據(jù)的編程模型。它有兩個(gè)重要的函數(shù):Map和Reduce,。這兩個(gè)函數(shù)是順序執(zhí)行的,,Map執(zhí)行完畢后,開始執(zhí)行reduce,。Map負(fù)責(zé)分解任務(wù),,Reduce負(fù)責(zé)把各Map任務(wù)的結(jié)果匯總。

  2 微博數(shù)據(jù)高效存儲(chǔ)方案

  2.1 微博數(shù)據(jù)的存儲(chǔ)模型

  HBase數(shù)據(jù)庫存儲(chǔ)微博用戶的信息以及微博內(nèi)容信息,,數(shù)據(jù)庫表設(shè)計(jì)如表1和表2所示,。HBase有多種數(shù)據(jù)導(dǎo)入方式,最直接的方法是在MapReduce任務(wù)中用TableQutputFormat導(dǎo)入或者直接使用正常的客戶端API導(dǎo)入,。但這些都不是最高效的方法,。basic_info列簇存儲(chǔ)微博用戶的基本信息,statuses_id列簇存儲(chǔ)微博的id,,即表2中的行關(guān)鍵字,,列名“statuses_id”指的是微博的id,用列名存儲(chǔ)用戶發(fā)布的所有微博信息,,”user_id”也是如此,。sina_relationship列簇用于存儲(chǔ)微博用戶關(guān)系。在表2中,,basic_info列簇用于存儲(chǔ)常用的微博內(nèi)容的基本信息,,other_info列簇用于存儲(chǔ)不常用的微博內(nèi)容的信息,這樣劃分是考慮到HBase是按列簇存儲(chǔ)的,,避免造成I/O浪費(fèi),。text_info列簇存儲(chǔ)的是微博的文本內(nèi)容。

OXGH_RFKG]R)V3L~AZCV7FR.jpg

  微博內(nèi)容信息表中的basic_info:user_id和微博用戶信息表中的statuses_id:“statuses_id”形成二級(jí)索引,,用于關(guān)聯(lián)兩個(gè)表,。

  2.2 微博數(shù)據(jù)存儲(chǔ)的優(yōu)化

  2.2.1 預(yù)創(chuàng)建Region

  HBase在建表時(shí),默認(rèn)只有一個(gè)Region,。當(dāng)使用BulkLoad[5]導(dǎo)入數(shù)據(jù)時(shí),,當(dāng)數(shù)據(jù)達(dá)到一定的規(guī)模(默認(rèn)是256 MB,,設(shè)置為200 GB)時(shí),Region會(huì)被分割,,這將嚴(yán)重影響導(dǎo)入性能,。

  因此可以預(yù)創(chuàng)建一定數(shù)量的空Region,至于Region的數(shù)量可以參考數(shù)據(jù)量,、Region設(shè)定的容量和RegionServer的數(shù)量來決定,。Region的數(shù)量最好是RegionServer的整數(shù)倍,這有利于HBase使用MapReduce進(jìn)行數(shù)據(jù)處理,。數(shù)據(jù)量除以預(yù)創(chuàng)建Region的數(shù)量應(yīng)當(dāng)小于Region的設(shè)定容量,,這可以避免在數(shù)據(jù)導(dǎo)入時(shí),Region進(jìn)行split操作,。

  運(yùn)行MapReduce程序生成的每個(gè)HFile文件中的行關(guān)鍵字不屬于獨(dú)立的Region時(shí),,導(dǎo)入時(shí)會(huì)發(fā)生文件分割。通過實(shí)驗(yàn)得知,,將總大小為115 GB的HFile文件導(dǎo)入到有32個(gè)Region的表中,,耗時(shí)130 min,而且由于分割HFile文件的過程中會(huì)生成較多的臨時(shí)文件,,需要較大的額外存儲(chǔ)空間,。

  為了解決這一問題,需要使得生成的每個(gè)HFile文件屬于單個(gè)Region,,因此需要制定行關(guān)鍵字生成規(guī)則,。

  2.2.2 行關(guān)鍵字生成規(guī)則

  HBase按照行關(guān)鍵字的字典序來存儲(chǔ)數(shù)據(jù)。Hbase提供了多種數(shù)據(jù)查詢方式:根據(jù)行關(guān)鍵字調(diào)用get接口查詢,,調(diào)用scan查詢,,全表掃描等。

  為了提高數(shù)據(jù)導(dǎo)入效率和查詢效率,,提出了行關(guān)鍵字的生成規(guī)則,。為了滿足HFile文件所屬Region的唯一性,需要行關(guān)鍵字有Region識(shí)別的功能,,因此行關(guān)鍵字中需要包含Region識(shí)別字段,。為了保證查詢效率,對于微博內(nèi)容信息表,,需要將同一個(gè)微博用戶的微博在HBase中連續(xù)存儲(chǔ),,這就要求行關(guān)鍵字中包含用戶信息字段,以保證將所需微博聚集在一起,。為了保證行關(guān)鍵字的唯一性,,行關(guān)鍵字需要包含微博內(nèi)容的關(guān)鍵字。式(1)是微博內(nèi)容信息表的行關(guān)鍵字生成規(guī)則,。式(2)是微博用戶信息表的行關(guān)鍵字生成規(guī)則,。

  行關(guān)鍵字=Region識(shí)別字段+微博用戶ID+微博內(nèi)容ID(1)

  行關(guān)鍵字=Region識(shí)別字段+微博用戶ID(2)

  2.2.3 跳過壞記錄

  由于下載的微博數(shù)據(jù)是JSON格式的,,因此首先需要對微博數(shù)據(jù)進(jìn)行解析,然后導(dǎo)入HBase數(shù)據(jù)庫,。由于數(shù)據(jù)量大,,因此需要使用MapReduce編程模型來解析數(shù)據(jù)。

  MapReduce需要所有的Map任務(wù)都結(jié)束后,,才能進(jìn)行接下來的工作,。如果有一個(gè)Map任務(wù)執(zhí)行多次(默認(rèn)是4次)均失敗,則整個(gè)MapReduce任務(wù)失敗,,從而造成了時(shí)間和資源的浪費(fèi)。例如,,下載的微博數(shù)據(jù)中有損壞的,,也有JSON格式不完整的,還有文件過大導(dǎo)致內(nèi)存溢出的等,,這都會(huì)導(dǎo)致MapReduce任務(wù)失敗,。

  MapReduce有Skipipng mode,設(shè)置開啟后,,可以跳過壞記錄,,但是這種模式會(huì)大大影響效率,而且對于內(nèi)存溢出錯(cuò)誤無法處理,,也不能對跳過壞記錄的文件進(jìn)行標(biāo)記,。

[$[K3N%SOM3BJU7}({MOS[D.jpg

  為了能夠跳過程序運(yùn)行過程中的錯(cuò)誤,并將壞記錄所在文件保存到指定文件目錄中,,提出重寫RecordReader的方法,,稱之為SK-bad。由于將整個(gè)文件作為數(shù)據(jù)分片,,可以在RecordReader中獲得數(shù)據(jù)分片的文件名,。然后獲得任務(wù)ID,分析任務(wù)ID得出任務(wù)的執(zhí)行次數(shù),,當(dāng)執(zhí)行次數(shù)達(dá)到一定數(shù)值時(shí)(此數(shù)值需要自己指定,,且要小于任務(wù)失敗最大重復(fù)執(zhí)行次數(shù),否則不會(huì)起作用),,將此文件移動(dòng)到指定文件目錄,,與此同時(shí)將此記錄標(biāo)記為已處理,從而能夠保證跳過任何原因引起的壞記錄,。核心程序代碼如下,。

  public class WholdeFileRecordReader

  extends RecordReader<BytesWritable,BvtesWritable>{

  ……

  public void initialize{InputSplit split,,TaskAttempt Context context)}

  ……

  String[]strtaskid=

  context.getTaskAttemptid().tostring().trim().split(“_”)

  String reindex=

  straskid[strtaskid.length-1],;

  if(integer.parseitn(reidex)>4){|

  ……

  }

  ……

  }

  }

  3 實(shí)驗(yàn)

  3.1 實(shí)驗(yàn)環(huán)境

  利用6臺(tái)計(jì)算機(jī)作為宿主機(jī),,其中有4臺(tái)Dell OptiPlex 990,配置均為:CPU為Intel酷睿i3 2120,,內(nèi)存12 GB,,千兆以太網(wǎng)卡。一臺(tái)Dell T3500,,配置為:CPU為Xeon W3565,,內(nèi)存24 GB,千兆以太網(wǎng)卡,。一臺(tái)浪潮NP3060,,配置為:CPU為Xeon E5506,內(nèi)存16 GB,,集成雙千兆網(wǎng)卡,。每臺(tái)宿主機(jī)均安裝Xen虛擬機(jī),每臺(tái)Dell OptiPlex 990虛擬出3臺(tái)虛擬機(jī),。Dell T3500虛擬出6臺(tái)虛擬機(jī),,浪潮NP3060虛擬出4臺(tái)虛擬機(jī)??偣灿?2臺(tái)虛擬機(jī),,每臺(tái)虛擬機(jī)的操作系統(tǒng)均為64 bit Centos 6.2。

  每臺(tái)虛擬機(jī)安裝Hadoop 1.0.4和HBase 0.94.5,,其中一臺(tái)作為Master運(yùn)行NameNode,,JobTracker和Hmaster,一臺(tái)運(yùn)行SecondNamenode,,其余20臺(tái)為Slaves運(yùn)行DataNode,,TaskTracker和RegionServer。

  解析JSON數(shù)據(jù)使用的是第三方工具包Jackson[6],。

  實(shí)驗(yàn)使用的數(shù)據(jù)是以文本文件保存的JSON格式的微博數(shù)據(jù),,每個(gè)文件大小在100 MB~180 MB之間,含有105萬用戶的信息,??偟臄?shù)據(jù)容量為8.9 TB。

  3.2 實(shí)驗(yàn)結(jié)果及分析

  使用10 000個(gè)微博數(shù)據(jù)文件,,每2 000個(gè)文件作為一次測試中MapReduce任務(wù)的輸入,,共5次測試。用于測試MapReduce任務(wù)在使用SK-bad方法時(shí)任務(wù)失敗次數(shù),,同時(shí)測試MapReduce任務(wù)在未使用SK-bad方法時(shí)的失敗次數(shù)和開啟Skipping mode時(shí)的失敗次數(shù)來進(jìn)行比較,。引起的原因有數(shù)據(jù)過大導(dǎo)致內(nèi)存溢出、文件不完整、錯(cuò)誤的JSON格式和文件校驗(yàn)碼錯(cuò)誤等,。實(shí)驗(yàn)結(jié)果如表3所示,,對于讀取文件的過程中發(fā)生的錯(cuò)誤,Skipping mode無法處理,,5次測試的結(jié)果表明SK-bad方法能夠保證MapReduce任務(wù)的順利執(zhí)行,。

  接下來的測試均使用SK-bad方法,Region最大容量設(shè)置為200 GB,,預(yù)創(chuàng)建Region數(shù)量為120個(gè),。分別測試在未預(yù)創(chuàng)建Region且不使用行關(guān)鍵字生成規(guī)則的情況下(情況一),預(yù)創(chuàng)建Region且不使用行關(guān)鍵字生成規(guī)則的情況下(情況二)和預(yù)創(chuàng)建Region且使用行關(guān)鍵字生成規(guī)則情況下(情況三)的存儲(chǔ)性能,。

  實(shí)驗(yàn)結(jié)果如圖1所示,,存儲(chǔ)9 000個(gè)用戶的數(shù)據(jù)時(shí),在情況一下,,由于數(shù)據(jù)量較小,,Region不會(huì)split,所以存儲(chǔ)性能與情況三下的存儲(chǔ)性能相近,。在情況二下,MapReduce任務(wù)所生成的HFile文件不屬于單個(gè)Region,,且Region數(shù)量較多,,因此HFile會(huì)進(jìn)行多次split操作,這嚴(yán)重影響了存儲(chǔ)性能,。在存儲(chǔ)30 000個(gè)用戶的數(shù)據(jù)時(shí)影響性能的因素與存儲(chǔ)9 000個(gè)用戶的數(shù)據(jù)時(shí)相似,;在存儲(chǔ)60 000個(gè)用戶的數(shù)據(jù)時(shí),對于情況一,,由于數(shù)據(jù)量較大會(huì)使Region做split操作,,這嚴(yán)重影響存儲(chǔ)性能;在存儲(chǔ)90 000個(gè)用戶的數(shù)據(jù)時(shí)影響性能的因素與存儲(chǔ)60 000個(gè)用戶的數(shù)據(jù)時(shí)相似,;在存儲(chǔ)120 000個(gè)用戶的數(shù)據(jù)時(shí),,在情況一下,由于數(shù)據(jù)量較大會(huì)使Region再次做split操作,,使得Region數(shù)量增多,,這更加影響存儲(chǔ)性能,并且隨著用戶數(shù)據(jù)的增多,,Region數(shù)量也會(huì)增加,,存儲(chǔ)性能會(huì)隨之降低。在情況三下,,由于Region不需要做split操作,,且生成的每個(gè)HFile屬于唯一的Region,因此隨著數(shù)據(jù)量的增長,,存儲(chǔ)時(shí)間接近線性增長,。

  在預(yù)創(chuàng)建Region且使用行關(guān)鍵字生成規(guī)則的情況下,,存儲(chǔ)所有8.9 TB共1 068 090個(gè)微博用戶的數(shù)據(jù),耗時(shí)65 h 34 min,。

  本文通過分析HBase和MapReduce模型,,提出了一種通過預(yù)創(chuàng)建Region、行關(guān)鍵字生成規(guī)則,,利用MapReduce模型將微博數(shù)據(jù)高效導(dǎo)入HBase數(shù)據(jù)庫的方案,,并提出了能夠處理各種運(yùn)行錯(cuò)誤的SK-bad方法。

  未來要做的工作是優(yōu)化MapReduce對HBase的訪問效率,,利用HBase數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)用戶行為分析方面的研究,。

  參考文獻(xiàn)

  [1] Hadoop[EB/OL]. [2013-07-01]. http://hadoop.apa-che.org/.

  [2] Introducing JSON[EB/OL]. [2005]. http://www.j-son.org/.

  [3] HBase:Bigtable-like structured storage for Hadoop HDFS[EB/OL].[2012-08-24].http://wiki.apache.o-rg /hadoop/Hbase/.

  [4] 李建江,崔健,,王聃.MapReduce并行編程模型研究綜述[J].電子學(xué)報(bào),,2011,39(11):2635-2642.

  [5] GEORGE L. HBase: the definitive guide[M]. USA: O′Reilly Media,, 2011.

  [6] Jackson: High-performance JSON processor[EB/OL].[2013-04-30]. http://jackson.codehaus.org.


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。