從零構(gòu)建大數(shù)據(jù)平臺(tái)方面的經(jīng)驗(yàn)分享
大?。?/span>0.4 MB 人氣: 2017-10-10 需要積分:1
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論(0)
標(biāo)簽:大數(shù)據(jù)分析(16709)
?2008年底,我開(kāi)始在百度負(fù)責(zé)一個(gè)日志統(tǒng)計(jì)的小團(tuán)隊(duì),開(kāi)發(fā)了一套基于Hadoop的日志統(tǒng)計(jì)平臺(tái),結(jié)果一年半的時(shí)間統(tǒng)一了全百度的日志統(tǒng)計(jì)工作。之后一直圍繞數(shù)據(jù)這一方向,覆蓋數(shù)據(jù)的采集、傳輸、建模存儲(chǔ)、查詢分析、數(shù)據(jù)可視化等,打造了全百度的用戶數(shù)據(jù)倉(cāng)庫(kù)(User Data Warehouse),并推動(dòng)全公司核心業(yè)務(wù)線的日志源結(jié)構(gòu)化(Protocol Buffer)。這篇文章講述我在百度從零構(gòu)建大數(shù)據(jù)平臺(tái)方面的經(jīng)歷。洪荒年代
首先,我們回到2008年。那個(gè)時(shí)候,我是屬于百度搜索新產(chǎn)品部的,像知道、貼吧、百科等,都屬于這個(gè)部門的產(chǎn)品。部門里有個(gè)小團(tuán)隊(duì)叫Nslog,一共四個(gè)人,其中兩個(gè)是實(shí)習(xí)生,所負(fù)責(zé)的工作就是部門內(nèi)的各種需求統(tǒng)計(jì)。
統(tǒng)計(jì)的方式是這樣的,各個(gè)產(chǎn)品線的業(yè)務(wù)人員按照需求文檔的格式要求,填寫(xiě)統(tǒng)計(jì)需求,提交到需求管理平臺(tái)上,Nslog的團(tuán)隊(duì)負(fù)責(zé)人(開(kāi)始不是我負(fù)責(zé))每周末,將需求分別分配給團(tuán)隊(duì)的幾個(gè)成員。每個(gè)成員拿到需求列表之后,就挨著做。需求的實(shí)現(xiàn),一般都是寫(xiě) Perl 腳本,那個(gè)時(shí)候 Python 還沒(méi)流行起來(lái)。因?yàn)榻y(tǒng)計(jì)需求比較類似,一般都是拿一個(gè)已有的腳本復(fù)制一份,修改一下,測(cè)試邏輯,測(cè)試大數(shù)據(jù)量下的準(zhǔn)確性,然后部署到線上去。一共有20臺(tái)機(jī)器跑統(tǒng)計(jì)腳本,每臺(tái)機(jī)器上都用Crontab配置天級(jí)的例行任務(wù)。每個(gè)統(tǒng)計(jì)腳本的邏輯大概是這樣的:通過(guò)Wget從數(shù)據(jù)源服務(wù)器上抓取按小時(shí)切割的日志文件,完成后,跑統(tǒng)計(jì)邏輯,將生成的結(jié)果組織成HTML表格,郵件發(fā)送給相應(yīng)的團(tuán)隊(duì)。如下圖所示:
?。▓D1 使用單機(jī)腳本跑統(tǒng)計(jì))
這種模式有以下幾個(gè)問(wèn)題:
(1)需求響應(yīng)周期長(zhǎng):從拿到需求,要和需求提出者確認(rèn)需求細(xì)節(jié),找一個(gè)類似的腳本修改,測(cè)試邏輯正確性,測(cè)試數(shù)據(jù)正確性,安排運(yùn)維同學(xué)部署上線,平均每個(gè)需求要2天時(shí)間。這里還沒(méi)算需求的等待時(shí)間,這可能要等一兩周。
?。?)運(yùn)維成本高:20臺(tái)統(tǒng)計(jì)服務(wù)器,每臺(tái)機(jī)器通過(guò)Crontab管理了幾十個(gè)腳本。這些腳本之間,可能還存在依賴關(guān)系,比如凌晨4點(diǎn)跑的一個(gè)腳本B,依賴于凌晨2點(diǎn)啟動(dòng)的某個(gè)腳本A。如果腳本A掛了,腳本B還是會(huì)正常的啟動(dòng)。恢復(fù)任務(wù)非常麻煩,真是牽一發(fā)而動(dòng)全身。運(yùn)維同學(xué)經(jīng)常抱怨就沒(méi)有哪一天能睡好覺(jué)的。
?。?)運(yùn)行速度慢:因?yàn)槊總€(gè)腳本只能單機(jī)運(yùn)行,對(duì)于像知道、貼吧這樣的大流量業(yè)務(wù)線,每天原始日志就有好幾百G,光跑個(gè)排序就得好幾個(gè)小時(shí)。特別是像貼吧被人爆吧,數(shù)據(jù)量一下子就會(huì)增加很多,統(tǒng)計(jì)結(jié)果跑不出來(lái)。如果分成每臺(tái)機(jī)器跑一部分,維護(hù)代價(jià)非常大。
?。?)職業(yè)發(fā)展瓶頸:那個(gè)時(shí)候還沒(méi)有大數(shù)據(jù)的概念,大家對(duì)數(shù)據(jù)的價(jià)值也沒(méi)現(xiàn)在這么認(rèn)可,甚至連招聘面試時(shí),也是把能力一般的分配到統(tǒng)計(jì)團(tuán)隊(duì)。而寫(xiě)腳本滿足需求這樣的工作是很枯燥的,對(duì)一個(gè)新人,寫(xiě)上三個(gè)月會(huì)覺(jué)得能學(xué)到不少東西,寫(xiě)六個(gè)月,就開(kāi)始反感了,寫(xiě)一年,就堅(jiān)決要求轉(zhuǎn)崗或走人了。
當(dāng)時(shí)我們的技術(shù)經(jīng)理(同時(shí)管理了知道、百科、Nslog 三個(gè)團(tuán)隊(duì))就覺(jué)得要做一套系統(tǒng)首要解決運(yùn)維成本高的問(wèn)題。但已有團(tuán)隊(duì)的人員光滿足需求都忙不過(guò)來(lái)了,就從百科團(tuán)隊(duì)借調(diào)了兩個(gè)人(不包括我)。那時(shí)候的我剛從百度知道轉(zhuǎn)到百科團(tuán)隊(duì),正想在百科團(tuán)隊(duì)大干一場(chǎng)。借調(diào)去的兩個(gè)人其中一個(gè)是校招新人,我的項(xiàng)目經(jīng)理就安排我也參與到項(xiàng)目中,培養(yǎng)新人的成長(zhǎng)。于是我們?nèi)齻€(gè)人開(kāi)始梳理需求和考慮設(shè)計(jì)方案。
盤(pán)古開(kāi)天地一
設(shè)計(jì)一套日志統(tǒng)計(jì)平臺(tái)的需求來(lái)源主要是Nslog的研發(fā)和運(yùn)維同學(xué),整理了好幾十條,并出了一個(gè)基本的方案。我當(dāng)時(shí)覺(jué)得實(shí)現(xiàn)一個(gè)提升運(yùn)維管理的系統(tǒng)不難,難的是怎么是好用的?我很關(guān)心怎么提升需求處理的效率問(wèn)題。這個(gè)時(shí)候其中一個(gè)人又被調(diào)到了一個(gè)基礎(chǔ)庫(kù)團(tuán)隊(duì)。也就是做這件事的就只剩我和校招新人了。而我們兩個(gè)都還沒(méi)做過(guò)需求處理,也不知道那幾百個(gè)腳本里面都寫(xiě)的什么玩意兒。我說(shuō)咱倆每人至少要看三個(gè)腳本,再抽查一些,看看這些腳本都有什么規(guī)律沒(méi)有。我研究了之后,發(fā)現(xiàn)還是有些規(guī)律的。
我發(fā)現(xiàn)常見(jiàn)的統(tǒng)計(jì)有這么三類:
?。?)計(jì)數(shù)統(tǒng)計(jì):那個(gè)時(shí)代是流量時(shí)代,許多統(tǒng)計(jì)就是算PV(Page View)。一般是在 Apache Web Server日志中,去用正則表達(dá)式匹配滿足某些條件的記錄,做計(jì)數(shù)。
?。?)去重統(tǒng)計(jì):比如獨(dú)立 IP 數(shù),獨(dú)立用戶數(shù)等。
?。?)Top N統(tǒng)計(jì):比如昨天檢索量最大的100個(gè)Query是什么。
我就問(wèn)一直做統(tǒng)計(jì)的一位同學(xué),這三類能不能占到所有統(tǒng)計(jì)需求的80%,他想了一下說(shuō)有的。于是我就說(shuō)咱們只要設(shè)計(jì)的系統(tǒng),能夠?qū)⑦@部分的需求處理工作量降下來(lái),我們的系統(tǒng)就是成功的。這個(gè)時(shí)候技術(shù)經(jīng)理又從其他團(tuán)隊(duì)借調(diào)了一個(gè)前端同學(xué)過(guò)來(lái)支援幾周。我和校招新人都不會(huì)前端開(kāi)發(fā),這事兒沒(méi)專業(yè)的人來(lái)搞不定。在接下來(lái)的兩周時(shí)間,我就和前端同學(xué)研究怎么設(shè)計(jì)這部分的抽象。前端同學(xué)先提了一個(gè)方案,類似于 Dreamweaver中的頁(yè)面HTML編輯界面,點(diǎn)選一個(gè)元素,可以進(jìn)行修改配置。我覺(jué)得這種方案,還沒(méi)直接寫(xiě)腳本效率高呢。
我從awk腳本語(yǔ)言獲取了靈感。在awk語(yǔ)言中,都是awk condition { action } 這種模式,就是condition定義了滿足的限制條件,action是執(zhí)行的操作。比如:
awk ‘$6 == “Nov” { sum += $5 } END { print sum }’ 。/test.txt
就是把test.txt中,滿足第6列等于 “Nov” 的記錄,計(jì)算第5列的求和。
對(duì)于常見(jiàn)的那三類統(tǒng)計(jì)需求,都是一種統(tǒng)計(jì)類型,加上一堆限制條件。為了降低限制條件的難度,我讓所有的條件之間只支持AND操作,不支持OR操作。我們知道AND和 NOT完全可以表示出來(lái)OR。
設(shè)計(jì)出來(lái)的效果是這樣的:
?。▓D2 簡(jiǎn)單編輯界面)
上面是一個(gè)去重統(tǒng)計(jì)的例子,我選擇一個(gè)日志源,點(diǎn)擊“去重統(tǒng)計(jì)”按鈕,生成一個(gè)模版,填寫(xiě)限制條件。一個(gè)統(tǒng)計(jì)任務(wù)就生成了。這里沒(méi)有顯示出來(lái)的是,每個(gè)日志源,都有一個(gè)對(duì)應(yīng)的agent函數(shù),所做的事是一段解析程序,將原始日志解析成若干個(gè)變量,如圖中的去重字段部分,類似“_UserId”,這樣在統(tǒng)計(jì)模板中就可以直接使用了。這樣做了之后,可以讓一個(gè)統(tǒng)計(jì)任務(wù)的開(kāi)發(fā)工作量,降低到5分鐘。
還有一個(gè)問(wèn)題是計(jì)算性能問(wèn)題。
盤(pán)古開(kāi)天地二
當(dāng)時(shí)Hadoop剛推出,還只是測(cè)試版。對(duì)于它能解決多少問(wèn)題,我們心里是沒(méi)底的。在百度內(nèi)部已經(jīng)有少量的需求在嘗試使用,手工寫(xiě) MapReduce 代碼的方式。我也嘗試寫(xiě)了一個(gè),還是比較容易的,但有一定的學(xué)習(xí)代價(jià)。系統(tǒng)部有一個(gè)團(tuán)隊(duì),在負(fù)責(zé)Hadoop 的維護(hù)。為了保險(xiǎn),我把底層計(jì)算接口設(shè)計(jì)成兩套,同樣的代碼,既可以提交到Hadoop,又可以提交到單機(jī)。在單機(jī)上用腳本串起來(lái),模擬在集群上的運(yùn)行。Hadoop本身支持將任務(wù)分割為Mapper和Reducer兩個(gè)階段,我又增加了一個(gè)Computer階段,作用是將Reducer的結(jié)果(一般是統(tǒng)計(jì)數(shù)值)拿到執(zhí)行機(jī)(分布式提交任務(wù)的節(jié)點(diǎn)),并將其插入到數(shù)據(jù)庫(kù)。我當(dāng)時(shí)的想法是如果Hadoop不靠譜,我就把這20臺(tái)單機(jī),組成一個(gè)小集群,管理提交的任務(wù)。當(dāng)然,這樣的話就實(shí)現(xiàn)不了單個(gè)任務(wù)的分布式化了。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
從零構(gòu)建大數(shù)據(jù)平臺(tái)方面的經(jīng)驗(yàn)分享下載
相關(guān)電子資料下載
- 大規(guī)模個(gè)性化定制研究綜述! 271
- 全面提升網(wǎng)絡(luò)能力!華為發(fā)布F5.5G六大技術(shù)升級(jí) 828
- 景嘉微與北京大學(xué)長(zhǎng)沙計(jì)算與數(shù)字經(jīng)濟(jì)研究院共建“先進(jìn)計(jì)算”聯(lián)合實(shí)驗(yàn)室 640
- Synopsys.ai再拓新版圖!新思科技發(fā)布業(yè)界首個(gè)全棧式大數(shù)據(jù)分析解決方案 185
- 基于大數(shù)據(jù)分析的5G智能工廠如何實(shí)現(xiàn) 99
- 華為盤(pán)古是什么意思?盤(pán)古大模型怎么用? 6909
- 分布式系統(tǒng)及大數(shù)據(jù)分析系統(tǒng)成功用于臨沂城市管理局指揮中心 146
- 即日起開(kāi)始報(bào)名!2023年首都職工教育培訓(xùn)示范點(diǎn)“大數(shù)據(jù)分析與建模工程師” 149
- 大數(shù)據(jù)分析完美解決方案,訊維大數(shù)據(jù)可視化系統(tǒng)強(qiáng)勢(shì)來(lái)襲! 161
- 分布式系統(tǒng)及大數(shù)據(jù)分析系統(tǒng)成功應(yīng)用于臨沂某城市管理局指揮中心! 203