國外Hadoop的應用現(xiàn)狀

1.Yahoo

Yahoo是Hadoop的最大支持者，截至2012年，Yahoo的Hadoop機器總節(jié)點數(shù)目超過42?000個，有超過10萬的核心CPU在運行Hadoop。最大的一個單Master節(jié)點集群有4500個節(jié)點（每個節(jié)點雙路4核心CPUboxesw，4×1TB磁盤，16GBRAM）。總的集群存儲容量大于350PB，每月提交的作業(yè)數(shù)目超過1000萬個，在Pig中超過60%的Hadoop作業(yè)是使用Pig編寫提交的。

Yahoo的Hadoop應用主要包括以下幾個方面：

• 支持廣告系統(tǒng)

• 用戶行為分析

• 支持Web搜索

• 反垃圾郵件系統(tǒng)

• 會員反濫用

• 內(nèi)容敏捷

• 個性化推薦

同時Pig研究并測試支持超大規(guī)模節(jié)點集群的Hadoop系統(tǒng)。

2.Facebook

Facebook使用Hadoop存儲內(nèi)部日志與多維數(shù)據(jù)，并以此作為報告、分析和機器學習的數(shù)據(jù)源。目前Hadoop集群的機器節(jié)點超過1400臺，共計11?200個核心CPU，超過15PB原始存儲容量，每個商用機器節(jié)點配置了8核CPU，12TB數(shù)據(jù)存儲，主要使用StreamingAPI和JavaAPI編程接口。Facebook同時在Hadoop基礎上建立了一個名為Hive的高級數(shù)據(jù)倉庫框架，Hive已經(jīng)正式成為基于Hadoop的Apache一級項目。此外，還開發(fā)了HDFS上的FUSE實現(xiàn)。

3.A9.com

A9.com為Amazon使用Hadoop構建了商品搜索索引，主要使用StreamingAPI以及C++、Perl和Python工具，同時使用Java和StreamingAPI分析處理每日數(shù)以百萬計的會話。A9.com為Amazon構建的索引服務運行在100節(jié)點左右的Hadoop集群上。

4.Adobe

Adobe主要使用Hadoop及HBase，同于支撐社會服務計算，以及結構化的數(shù)據(jù)存儲和處理。大約有超過30個節(jié)點的Hadoop-HBase生產(chǎn)集群。Adobe將數(shù)據(jù)直接持續(xù)地存儲在HBase中，并以HBase作為數(shù)據(jù)源運行MapReduce作業(yè)處理，然后將其運行結果直接存到HBase或外部系統(tǒng)。Adobe在2008年10月就已經(jīng)將Hadoop和HBase應用于生產(chǎn)集群。

5.CbIR

自2008年4月以來，日本的CbIR（Content-basedInformationRetrieval）公司在AmazonEC2上使用Hadoop來構建圖像處理環(huán)境，用于圖像產(chǎn)品推薦系統(tǒng)。使用Hadoop環(huán)境生成源數(shù)據(jù)庫，便于Web應用對其快速訪問，同時使用Hadoop分析用戶行為的相似性。

6.Datagraph

Datagraph主要使用Hadoop批量處理大量的RDF數(shù)據(jù)集，尤其是利用Hadoop對RDF數(shù)據(jù)建立索引。Datagraph也使用Hadoop為客戶執(zhí)行長時間運行的離線SPARQL查詢。Datagraph是使用AmazonS3和Cassandra存儲RDF數(shù)據(jù)輸入和輸出文件的，并已經(jīng)開發(fā)了一個基于MapReduce處理RDF數(shù)據(jù)的Ruby框架——RDFgrid。

Datagraph主要使用Ruby、RDF.rb以及自己開發(fā)的RDFgrid框架來處理RDF數(shù)據(jù)，主要使用HadoopStreaming接口。

7.EBay

單集群超過532節(jié)點集群，單節(jié)點8核心CPU，容量超過5.3PB存儲。大量使用的MapReduce的Java接口、Pig、Hive來處理大規(guī)模的數(shù)據(jù)，還使用HBase進行搜索優(yōu)化和研究。

8.IBM

IBM藍云也利用Hadoop來構建云基礎設施。IBM藍云使用的技術包括：Xen和PowerVM虛擬化的Linux操作系統(tǒng)映像及Hadoop并行工作量調(diào)度，并發(fā)布了自己的Hadoop發(fā)行版及大數(shù)據(jù)解決方案。

9.Last.Fm

Last.Fm主要用于圖表計算、專利申報、日志分析、A/B測試、數(shù)據(jù)集合并等，也使用Hadoop對超過百萬的曲目進行大規(guī)模的音頻特征分析。

節(jié)點超過100臺機器，集群節(jié)點配置雙四核XeonL5520@2.27GHzL5630@2.13GHz，24GB內(nèi)存，8TB（4×2TB）存儲。

10.LinkedIn

LinkedIn有多種硬件配置的Hadoop集群，主要集群配置如下：

• 800節(jié)點集群，基于Westmere的惠普SL170X與2×4的核心，24GB內(nèi)存，6×2TBSATA。

• 1900節(jié)點集群，基于Westmere的超微-HX8DTT，與2×6的核心，24GB內(nèi)存，6×2TBSATA。

• 1400節(jié)點集群，基于SandyBridge超微與2×6的核心，32GB內(nèi)存，6×2TBSATA。

使用的軟件如下：

• 操作系統(tǒng)使用RHEL6.3。

• JDK使用SUNJDK1.6.0_32。

• Apache的Hadoop0.20.2的補丁和ApacheHadoop的1.0.4補丁。

• Azkaban和Azkaban用于作業(yè)調(diào)度。

• Hive、Avro、Kafka等。

11.MobileAnalytic.TV

主要使用Hadoop應用在并行化算法領域，涉及的MapReduce應用算法如下。

• 信息檢索和分析。

• 機器生成的內(nèi)容——文檔、文本、音頻、視頻。

• 自然語言處理。

• 項目組合包括：

• 移動社交網(wǎng)絡。

• 網(wǎng)絡爬蟲。

• 文本到語音轉化。

• 音頻和視頻自動生成。

12.Openstat

主要利用Hadoop定制一個網(wǎng)絡日志分析并生成報告，其生產(chǎn)環(huán)境下超過50個節(jié)點集群（雙路四核Xeon處理器，16GB的RAM，4～6硬盤驅動器），還有兩個相對小的集群用于個性化分析，每天處理約500萬的事件，每月15億美元的交易數(shù)據(jù)，集群每天產(chǎn)生大約25GB的報告。

使用的技術主要包括：CDH、Cascading、Janino。

13.Quantcast

3000個CPU核心，3500TB存儲，每日處理1PB以上的數(shù)據(jù)，使用完全自定義的數(shù)據(jù)路徑和排序器的Hadoop調(diào)度器，對KFS文件系統(tǒng)有突出貢獻。

14.Rapleaf

超過80個節(jié)點的集群（每個節(jié)點有2個雙核CPU，2TB×8存儲，16GBRAM內(nèi)存）；主要使用Hadoop、Hive處理Web上關聯(lián)到個人的數(shù)據(jù)，并引入Cascading簡化數(shù)據(jù)流穿過各種處理階段。

15.WorldLingo

硬件上超過44臺服務器（每臺有2個雙核CPU，2TB存儲，8GB內(nèi)存），每臺服務器均運行Xen，啟動一個虛擬機實例運行Hadoop/HBase，再啟動一個虛擬機實例運行Web或應用程序服務器，即有88臺可用的虛擬機；運行兩套獨立的Hadoop/HBase機群，它們各自擁有22個節(jié)點。Hadoop主要用于運行HBase和MapReduce作業(yè)，掃描HBase的數(shù)據(jù)表，執(zhí)行特定的任務。HBase作為一種可擴展的、快速的存儲后端，用于保存數(shù)以百萬的文檔。目前存儲了1200萬篇文檔，近期的目標是存儲4.5億篇文檔。

16.格拉斯哥大學的TerrierTeam

超過30個節(jié)點的實驗集群（每節(jié)點配置XeonQuadCore2.4GHz，4GB內(nèi)存，1TB存儲）。使用Hadoop促進信息檢索研究和試驗，特別是用于TREC，用于TerrierIR平臺。Terrier的開源發(fā)行版中包含了基于HadoopMapReduce的大規(guī)模分布式索引。

17.內(nèi)布拉斯加大學的HollandComputingCenter

運行一個中等規(guī)模的Hadoop機群（共計1.6PB存儲）用于存儲和提供物理數(shù)據(jù)，以支持緊湊型μ子螺旋型磁譜儀（CompactMuonSolenoid，CMS）實驗的計算。這需要一類能夠以幾Gbps的速度下載數(shù)據(jù)，并以更高的速度處理數(shù)據(jù)的文件系統(tǒng)的支持。

18.VisibleMeasures

將Hadoop作為可擴展數(shù)據(jù)流水線的一個組件，最終用于VisibleSuite等產(chǎn)品。使用Hadoop匯總、存儲和分析與網(wǎng)絡視頻觀眾收看行為相關的數(shù)據(jù)流。目前的網(wǎng)格包括超過128個CPU核心，超過100TB的存儲，并計劃大幅擴容。

國內(nèi)Hadoop的應用現(xiàn)狀

Hadoop在國內(nèi)的應用主要以互聯(lián)網(wǎng)公司為主，下面主要介紹大規(guī)模使用Hadoop或研究Hadoop的公司。

1.百度

百度在2006年就開始關注Hadoop并開始調(diào)研和使用，在2012年其總的集群規(guī)模達到近十個，單集群超過2800臺機器節(jié)點，Hadoop機器總數(shù)有上萬臺機器，總的存儲容量超過100PB，已經(jīng)使用的超過74PB，每天提交的作業(yè)數(shù)目有數(shù)千個之多，每天的輸入數(shù)據(jù)量已經(jīng)超過7500TB，輸出超過1700TB。

百度的Hadoop集群為整個公司的數(shù)據(jù)團隊、大搜索團隊、社區(qū)產(chǎn)品團隊、廣告團隊，以及LBS團體提供統(tǒng)一的計算和存儲服務，主要應用包括：

• 數(shù)據(jù)挖掘與分析。

• 日志分析平臺。

• 數(shù)據(jù)倉庫系統(tǒng)。

• 推薦引擎系統(tǒng)。

• 用戶行為分析系統(tǒng)。

同時百度在Hadoop的基礎上還開發(fā)了自己的日志分析平臺、數(shù)據(jù)倉庫系統(tǒng)，以及統(tǒng)一的C++編程接口，并對Hadoop進行深度改造，開發(fā)了HadoopC++擴展HCE系統(tǒng)。

2.阿里巴巴

阿里巴巴的Hadoop集群截至2012年大約有3200臺服務器，大約30?000物理CPU核心，總內(nèi)存100TB，總的存儲容量超過60PB，每天的作業(yè)數(shù)目超過150?000個，每天hivequery查詢大于6000個，每天掃描數(shù)據(jù)量約為7.5PB，每天掃描文件數(shù)約為4億，存儲利用率大約為80%，CPU利用率平均為65%，峰值可以達到80%。阿里巴巴的Hadoop集群擁有150個用戶組、4500個集群用戶，為淘寶、天貓、一淘、聚劃算、CBU、支付寶提供底層的基礎計算和存儲服務，主要應用包括：

• 數(shù)據(jù)平臺系統(tǒng)。

• 搜索支撐。

• 廣告系統(tǒng)。

• 數(shù)據(jù)魔方。

• 量子統(tǒng)計。

• 淘數(shù)據(jù)。

• 推薦引擎系統(tǒng)。

• 搜索排行榜。

為了便于開發(fā)，其還開發(fā)了WebIDE繼承開發(fā)環(huán)境，使用的相關系統(tǒng)包括：Hive、Pig、Mahout、Hbase等。

3.騰訊

騰訊也是使用Hadoop最早的中國互聯(lián)網(wǎng)公司之一，截至2012年年底，騰訊的Hadoop集群機器總量超過5000臺，最大單集群約為2000個節(jié)點，并利用Hadoop-Hive構建了自己的數(shù)據(jù)倉庫系統(tǒng)TDW，同時還開發(fā)了自己的TDW-IDE基礎開發(fā)環(huán)境。騰訊的Hadoop為騰訊各個產(chǎn)品線提供基礎云計算和云存儲服務，其支持以下產(chǎn)品：

• 騰訊社交廣告平臺。

• 搜搜（SOSO）。

• 拍拍網(wǎng)。

• 騰訊微博。

• 騰訊羅盤。

• QQ會員。

• 騰訊游戲支撐。

• QQ空間。

• 朋友網(wǎng)。

• 騰訊開放平臺。

• 財付通。

• 手機QQ。

• QQ音樂。

4.奇虎360

奇虎360主要使用Hadoop-HBase作為其搜索引擎so.com的底層網(wǎng)頁存儲架構系統(tǒng)，360搜索的網(wǎng)頁可到千億記錄，數(shù)據(jù)量在PB級別。截至2012年年底，其HBase集群規(guī)模超過300節(jié)點，region個數(shù)大于10萬個，使用的平臺版本如下。

• HBase版本：facebook0.89-fb。

• HDFS版本：facebookHadoop-20。

奇虎360在Hadoop-HBase方面的工作主要為了優(yōu)化減少HBase集群的啟停時間，并優(yōu)化減少RS異常退出后的恢復時間。

5.華為

華為公司也是Hadoop主要做出貢獻的公司之一，排在Google和Cisco的前面，華為對Hadoop的HA方案，以及HBase領域有深入研究，并已經(jīng)向業(yè)界推出了自己的基于Hadoop的大數(shù)據(jù)解決方案。

6.中國移動

中國移動于2010年5月正式推出大云BigCloud1.0，集群節(jié)點達到了1024。中國移動的大云基于Hadoop的MapReduce實現(xiàn)了分布式計算，并利用了HDFS來實現(xiàn)分布式存儲，并開發(fā)了基于Hadoop的數(shù)據(jù)倉庫系統(tǒng)HugeTable，并行數(shù)據(jù)挖掘工具集BC-PDM，以及并行數(shù)據(jù)抽取轉化BC-ETL，對象存儲系統(tǒng)BC-ONestd等系統(tǒng)，并開源了自己的BC-Hadoop版本。

中國移動主要在電信領域應用Hadoop，其規(guī)劃的應用領域包括：

• 經(jīng)分KPI集中運算。

• 經(jīng)分系統(tǒng)ETL/DM。

• 結算系統(tǒng)。

• 信令系統(tǒng)。

• 云計算資源池系統(tǒng)。

• 物聯(lián)網(wǎng)應用系統(tǒng)。

• E-mail。

• IDC服務等。

7.盤古搜索

盤古搜索（目前已和即刻搜索合并為中國搜索）主要使用Hadoop集群作為搜索引擎的基礎架構支撐系統(tǒng)，截至2013年年初，集群中機器數(shù)量總計超過380臺，存儲總量總計3.66PB，主要包括的應用如下。

• 網(wǎng)頁存儲。

• 網(wǎng)頁解析。

• 建索引。

• Pagerank計算。

• 日志統(tǒng)計分析。

• 推薦引擎等。

8.即刻搜索（人民搜索）

即刻搜索（目前已與盤古搜索合并為中國搜索）也使用Hadoop作為其搜索引擎的支撐系統(tǒng)，截至2013年，其Hadoop集群規(guī)模總計超過500臺節(jié)點，配置為雙路6核心CPU，48G內(nèi)存，11×2T存儲，集群總容量超過10PB，使用率在78%左右，每天處理讀取的數(shù)據(jù)量約為500TB，峰值大于1P，平均約為300TB。

即刻搜索在搜索引擎中使用sstable格式存儲網(wǎng)頁并直接將sstable文件存儲在HDFS上面，主要使用HadoopPipes編程接口進行后續(xù)處理，也使用Streaming接口處理數(shù)據(jù)，主要的應用包括：

• 網(wǎng)頁存儲。

• 解析。

• 建索引。

• 推薦引擎。

本文節(jié)選自《Hadoop核心技術》一書。翟周偉著，由機械工業(yè)出版社華章公司，2015年4月出版