摘  要： 通過(guò)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(guò)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(guò)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(kù)。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(guò)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(cè)用戶數(shù)已超過(guò)5億，每天新浪微博用戶發(fā)博量超過(guò)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(lái)了挑戰(zhàn)。

　　面對(duì)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(wèn)題。云計(jì)算技術(shù)的出現(xiàn)，為解決這一問(wèn)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(kù)，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(wàn)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(kù)，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(kù)。HBase是基于列簇存儲(chǔ)的，不同的列簇對(duì)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(guò)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(guò)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(duì)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(kù)存儲(chǔ)微博用戶的信息以及微博內(nèi)容信息，數(shù)據(jù)庫(kù)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。

　　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(lái)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(guò)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(guò)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(wèn)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(lái)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(duì)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(guò)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(duì)微博數(shù)據(jù)進(jìn)行解析，然后導(dǎo)入HBase數(shù)據(jù)庫(kù)。由于數(shù)據(jù)量大，因此需要使用MapReduce編程模型來(lái)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(lái)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(guò)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(guò)壞記錄，但是這種模式會(huì)大大影響效率，而且對(duì)于內(nèi)存溢出錯(cuò)誤無(wú)法處理，也不能對(duì)跳過(guò)壞記錄的文件進(jìn)行標(biāo)記。

　　為了能夠跳過(guò)程序運(yùn)行過(guò)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(guò)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(wàn)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(cè)試中MapReduce任務(wù)的輸入，共5次測(cè)試。用于測(cè)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(cè)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(lái)進(jìn)行比較。引起的原因有數(shù)據(jù)過(guò)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(duì)于讀取文件的過(guò)程中發(fā)生的錯(cuò)誤，Skipping mode無(wú)法處理，5次測(cè)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(lái)的測(cè)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(cè)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(duì)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(zhǎng)，存儲(chǔ)時(shí)間接近線性增長(zhǎng)。

　　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(guò)分析HBase和MapReduce模型，提出了一種通過(guò)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(kù)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(lái)要做的工作是優(yōu)化MapReduce對(duì)HBase的訪問(wèn)效率，利用HBase數(shù)據(jù)庫(kù)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.