熊剛 黃明和

摘 要：云計(jì)算是當(dāng)前國(guó)內(nèi)外比較熱門(mén)的研究課題。Hadoop開(kāi)源實(shí)現(xiàn)了谷歌公司的GFS（Google File System），并且成為云計(jì)算平臺(tái)的標(biāo)準(zhǔn)模型。本文在對(duì)Hadoop的核心組件HDFS和子項(xiàng)目HBase、Hive深入分析基礎(chǔ)上，基于Hadoop+HBase+Hive搭建起云計(jì)算平臺(tái)，經(jīng)過(guò)實(shí)驗(yàn)證明云計(jì)算平臺(tái)具有查詢(xún)速度快和高容錯(cuò)性等特點(diǎn)。

關(guān)鍵詞：云計(jì)算；Hadoop；HDFS；HBase；Hive

1 引言

為了解決大數(shù)據(jù)的存儲(chǔ)和分析的問(wèn)題，云計(jì)算[1]的解決方案應(yīng)運(yùn)而生。云計(jì)算綜合了分布式計(jì)算、并行計(jì)算、網(wǎng)格計(jì)算、網(wǎng)絡(luò)存儲(chǔ)技術(shù)、虛擬化技術(shù)和負(fù)載均衡等傳統(tǒng)計(jì)算機(jī)技術(shù)。實(shí)質(zhì)上，云計(jì)算就是通過(guò)虛擬化技術(shù)將相應(yīng)的硬件資源和軟件資源構(gòu)建為虛擬化資源池，通過(guò)網(wǎng)絡(luò)的方式，按照自身需要獲取其中的資源，根據(jù)實(shí)際使用量來(lái)付費(fèi)，并且不用管理他們。當(dāng)前，云計(jì)算平臺(tái)眾多，但大多數(shù)是商業(yè)平臺(tái)，而Hadoop是免費(fèi)的，它開(kāi)源實(shí)現(xiàn)了谷歌公司的GFS（Google File System），采用Java語(yǔ)言編程，具有Java可移植性強(qiáng)等特點(diǎn)，從而為研究云計(jì)算提供了平臺(tái)。

2 Hadoop介紹

Hadoop[2]是Apache的一個(gè)開(kāi)源分布式系統(tǒng)架構(gòu)，具有低存儲(chǔ)成本、高效率、高容錯(cuò)性、高擴(kuò)展性及高可移植性等主要優(yōu)點(diǎn)，它可以在大量廉價(jià)的普通PC機(jī)器上搭建起分布式集群，通過(guò)分布式集群來(lái)存儲(chǔ)和處理海量數(shù)據(jù)。

Apache Hadoop項(xiàng)目包含許多個(gè)子項(xiàng)目，下面我們主要介紹本課題所用到的幾個(gè)子項(xiàng)目。

2.1 HDFS

HDFS[3]（Hadoop Distributed File System）是Hadoop分布式文件系統(tǒng)，它采用主/從架構(gòu)，由一個(gè)控制節(jié)點(diǎn)（Namenode）和多個(gè)數(shù)據(jù)節(jié)點(diǎn)（Datanode）組成。其中，控制節(jié)點(diǎn)是中心服務(wù)器，負(fù)責(zé)管理文件系統(tǒng)的命名空間以及客戶(hù)端對(duì)文件的操作，同時(shí)負(fù)責(zé)建立數(shù)據(jù)塊和數(shù)據(jù)節(jié)點(diǎn)的映射關(guān)系。數(shù)據(jù)節(jié)點(diǎn)負(fù)責(zé)管理本節(jié)點(diǎn)上的存儲(chǔ)，響應(yīng)客戶(hù)端的讀寫(xiě)請(qǐng)求，同時(shí)在控制節(jié)點(diǎn)的統(tǒng)一指揮下進(jìn)行數(shù)據(jù)塊的創(chuàng)建、復(fù)制和刪除。HDFS的工作流程及架構(gòu)圖如圖1所示。

在HDFS中，一個(gè)大文件其實(shí)被分成一個(gè)或多個(gè)數(shù)據(jù)塊，數(shù)據(jù)塊默認(rèn)是64MB，存儲(chǔ)在數(shù)據(jù)節(jié)點(diǎn)中，每個(gè)數(shù)據(jù)塊都有一定數(shù)量的備份，備份數(shù)是可配置的，默認(rèn)備份數(shù)是3。通過(guò)這種方式，來(lái)提高數(shù)據(jù)安全性和可靠性。

2.2 HBase

HBase（Hadoop Database）是Google Bigtable的開(kāi)源實(shí)現(xiàn)，是一個(gè)面向列的分布式數(shù)據(jù)庫(kù)。HBase就是為存儲(chǔ)和快速讀取海量數(shù)據(jù)而專(zhuān)門(mén)設(shè)計(jì)的。利用HBase技術(shù)可在廉價(jià)的PC服務(wù)器上搭建起大規(guī)模存儲(chǔ)集群。HBase不是傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)，它采用的是基于列存儲(chǔ)模式而不是基于行存儲(chǔ)模式，基于列存儲(chǔ)的好處就是數(shù)據(jù)庫(kù)中表的數(shù)據(jù)按每列存放在物理相鄰的存儲(chǔ)單元里，查詢(xún)數(shù)據(jù)時(shí)只查詢(xún)所在的列，不用把整行數(shù)據(jù)都讀取出來(lái)，這樣就能極大的降低I/O的開(kāi)銷(xiāo)。

2.3 Hive

Hive是建立在Hadoop基礎(chǔ)上的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)工具，它將結(jié)構(gòu)化數(shù)據(jù)文件映射成一張數(shù)據(jù)表，并提供了類(lèi)似SQL語(yǔ)句的查詢(xún)功能，通過(guò)類(lèi)似SQL語(yǔ)句直接編譯成MapReduce任務(wù)，對(duì)于那些不熟悉MapReduce編程模型的用戶(hù)有很大的幫助。

Hive主要由以下幾部分組成：用戶(hù)接口：Client，CLI和WUI。其中常用的接口是CLI。元數(shù)據(jù)存儲(chǔ)：為了避免多個(gè)用戶(hù)建立不同的元數(shù)據(jù)，Hive將元數(shù)據(jù)存儲(chǔ)在共享的數(shù)據(jù)庫(kù)服務(wù)器中，如mysql、derby。元數(shù)據(jù)包括表名，表的屬性，表的列屬性，表的數(shù)據(jù)所在目錄等。解釋器、編譯器、優(yōu)化器、執(zhí)行器：前三個(gè)器完成類(lèi)SQL語(yǔ)句從詞法分析、語(yǔ)法分析、編譯、優(yōu)化及查詢(xún)計(jì)劃的生成。生成的查詢(xún)計(jì)劃存儲(chǔ)在HDFS中，由執(zhí)行器調(diào)用執(zhí)行。Hadoop：Hive的數(shù)據(jù)都存儲(chǔ)在HDFS中，大部分查詢(xún)是由MapReduce完成的。

3 云計(jì)算平臺(tái)的搭建步驟

3.1 硬件和軟件配置

云計(jì)算平臺(tái)由一個(gè)控制節(jié)點(diǎn)（Namenode）和三個(gè)數(shù)據(jù)節(jié)點(diǎn)（Datanode）組成，每個(gè)節(jié)點(diǎn)就是一臺(tái)普通的PC服務(wù)器。所有節(jié)點(diǎn)都配置ubuntu10.04版本的Linux操作系統(tǒng)，Hadoop1.0.4的集群框架，JDK1.6.29的JAVA環(huán)境。

3.2 Hadoop、HBase、Hive環(huán)境配置

配置Hadoop、HBase、Hive環(huán)境首先需要配置Hadoop中的幾個(gè)文件：hadoop-env.sh、hdfs-site.xml、core-site.xml、hbase-env.sh、hbase-site.xml、regionservers 、hive-env.sh、hive-site.xml，具體配置參見(jiàn)文獻(xiàn)[5]。

3.3 HBase數(shù)據(jù)庫(kù)設(shè)計(jì)

我們?cè)趗serinfo表中添加1億條數(shù)據(jù)，以便進(jìn)行下面的性能比較。具體數(shù)據(jù)庫(kù)設(shè)計(jì)如下Userinfo表所示。

Userinfo表

Row Key TimeStamp Column Family Column Keys

id t1 Userinfo id，name，sex，city

其中，Row Key：行鍵，表的主鍵，表默認(rèn)按行鍵升序。TimeStamp：時(shí)間戳，每次操作數(shù)據(jù)所記錄的時(shí)間戳。Coulmn Family：列族，表在水平方向可以有一個(gè)或多個(gè)列族，一個(gè)列族可以由多個(gè)列組成，在這里列族只有userinfo，列族下面有四個(gè)列id，name，sex，city。

4 云計(jì)算平臺(tái)的優(yōu)勢(shì)

4.1 快速查詢(xún)

我們通過(guò)針對(duì)1億數(shù)據(jù)進(jìn)行復(fù)雜SQL查詢(xún)，將云計(jì)算平臺(tái)與Oracle進(jìn)行響應(yīng)速度比較。查詢(xún)語(yǔ)句如下：SELECT city，count（1） from userinfo Where city like‘%南昌%Group by city Order By count（1） DESC；得出結(jié)果是：云計(jì)算查詢(xún)時(shí)間僅需92秒，而Oracle查詢(xún)時(shí)間為365秒，足足提高了4倍。

我們?cè)偻ㄟ^(guò)單條SQL語(yǔ)句來(lái)進(jìn)行比較。查詢(xún)語(yǔ)句如下：

SELECT * from userinfo Where id=‘123測(cè)試結(jié)果是：云計(jì)算查詢(xún)時(shí)間僅需0.164秒，而Oracle查詢(xún)時(shí)間為0.796秒，足足提高了5倍。

4.2 高容錯(cuò)性

與傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)不同，云計(jì)算平臺(tái)節(jié)點(diǎn)出現(xiàn)宕機(jī)、系統(tǒng)崩潰和網(wǎng)絡(luò)故障都是屬于常態(tài)的，任何一個(gè)節(jié)點(diǎn)出現(xiàn)故障都不會(huì)中斷用戶(hù)的當(dāng)前操作，也不會(huì)影響數(shù)據(jù)的完整性。在整個(gè)節(jié)點(diǎn)正常的情況下，執(zhí)行select count（1） from userinfo，其結(jié)果為220639254 rows。

場(chǎng)景1：先手動(dòng)撥除主機(jī)名為hadoop_2的節(jié)點(diǎn)的網(wǎng)線(xiàn)，再執(zhí)行上述SQL語(yǔ)句，結(jié)果為220639254 rows。場(chǎng)景2：查詢(xún)過(guò)程中撥掉節(jié)點(diǎn)網(wǎng)線(xiàn)，同樣執(zhí)行上述SQL語(yǔ)句，結(jié)果為220639254 rows。

手動(dòng)撥除主機(jī)名為hadoop_2的節(jié)點(diǎn)的網(wǎng)線(xiàn)，30秒后監(jiān)控報(bào)警提示。重新插上節(jié)點(diǎn)的網(wǎng)線(xiàn)，30秒后監(jiān)控中顯示恢復(fù)正常

5 結(jié)論

本文基于Hadoop+HBase+Hive分布式技術(shù)搭建起云計(jì)算平臺(tái)，云計(jì)算平臺(tái)所有節(jié)點(diǎn)都是采用廉價(jià)的普通PC機(jī)器。整個(gè)云計(jì)算平臺(tái)具有低存儲(chǔ)成本、高存儲(chǔ)效率、易于實(shí)現(xiàn)等現(xiàn)實(shí)優(yōu)點(diǎn)。在云計(jì)算平臺(tái)基礎(chǔ)之上，我們做了與Oracle數(shù)據(jù)庫(kù)查詢(xún)響應(yīng)速度比較和云計(jì)算平臺(tái)出現(xiàn)故障兩個(gè)實(shí)驗(yàn)，結(jié)果表明，云計(jì)算平臺(tái)在海量數(shù)據(jù)下查詢(xún)性能優(yōu)于Oracle和出現(xiàn)故障能快速自我修復(fù)。

[參考文獻(xiàn)]

[1]張建勛，古志民，鄭超.云計(jì)算研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2010.27（2）：429-433.

[2]朱珠.基于Hadoop的海量數(shù)據(jù)處理模型研究和應(yīng)用[D].北京：北京郵電大學(xué)，2008：32-40.

[3]黃曉去.基于HDFS的云存儲(chǔ)服務(wù)系統(tǒng)研究[D].大連：大學(xué)海事大學(xué)，2010：11-14.