密级： 亿赞普Hadoop应用浅析 IZP 肖燕京

密级： 目录 一 IZP Hadoop集群现状 Hadoop应用 Hadoop集群维护及出现的问题 Hadoop为什么要这么做？

一：IZP Hadoop集群现状 集群规模 共大、小 2个集群：数据中心和实验室集群 密级： 一：IZP Hadoop集群现状 集群规模 共大、小 2个集群：数据中心和实验室集群 数据中心: 1台NameNode, 1台SecondNameNode, 1台JobTracker，100来台DataNode 共100多台高配服务器; 数据中心又分为10多个机架，每个机架上10多台服务器; 实验室集群：共10几台普通微型机. 机器配置 名称节点和第二名称节点内存不小于90G，硬盘约1TB JobTracker内存不小于20G，硬盘约1TB 数据节点内存不小于20G，硬盘不小于10TB 槽位分配：每台机器十多个Map槽位，四至六个Reduce槽位 Hadoop为什么要这么做？

一：IZP Hadoop集群现状 集群一天新增数据 包括新上传数据和作业产生的新数据 一天新增数据不小于4TB 集群使用现状 密级： 一：IZP Hadoop集群现状 集群一天新增数据 包括新上传数据和作业产生的新数据 一天新增数据不小于4TB 集群使用现状 一天提交约2000个Job 所有Job输入日志为60-80 TB 平均每天Hadoop集群的使用率为20-25% Hadoop为什么要这么做？

二：IZP Hadoop应用 数据挖掘 网页库 爬取的网页存入Hbase 从数据中提取网页关键词信息，并对网页进行兴趣组分类 密级： 二：IZP Hadoop应用 数据挖掘 网页库 爬取的网页存入Hbase 从数据中提取网页关键词信息，并对网页进行兴趣组分类 CTR (网页的广告点击率 预测) 用户兴趣组 根据用户的历史行为对用户进行标签分类； 不同的用户在同一个页面看到不同的广告； Hadoop为什么要这么做？

二：IZP Hadoop应用 商业智能 数据分析 对日志进行统计汇总，进行商业分析，提取商业价值 数据产品 将相关业务需求整理成一个产品； 密级： 二：IZP Hadoop应用 商业智能 数据分析 对日志进行统计汇总，进行商业分析，提取商业价值 数据产品 将相关业务需求整理成一个产品； 与CTR等公司合作 比如联合CTR公司对春节联欢晚会网络直播进行了满意度调查 Hadoop为什么要这么做？

二：IZP Hadoop应用 数据平台 转码 中间数据 分成5个维度； User维度：统计用户的属性，行为； 密级： 二：IZP Hadoop应用 数据平台 转码 中间数据 分成5个维度； User维度：统计用户的属性，行为； url维度：统计url来源、去向、pv、uv等 Host维度，Query维度，Ad维度 分词在Hadoop中的使用 爬取到的网页内容如此之大，如何进行分词！ 分词涉及到多个c++库,而且是个c++可执行程序； Pscp 的使用: pscp -h hostlist.txt -l user src.xml /target Hadoop为什么要这么做？

三：Hadoop维护与出现的问题 哥们，你今天使了多大力？(槽位监控) 每台节点上布置程序统计该节点的槽位利用率信息 密级： 三：Hadoop维护与出现的问题 哥们，你今天使了多大力？(槽位监控) 每台节点上布置程序统计该节点的槽位利用率信息 将上述信息导入Mysql 汇总，在网页上展示 Hadoop为什么要这么做？

密级： 三：Hadoop维护与碰到的问题 Hadoop为什么要这么做？

三：Hadoop维护与出现的问题 你今天做了几个俯卧撑? 每天提交的作业数也是衡量Hadoop利用率的一个指标 密级： 你今天做了几个俯卧撑? 每天提交的作业数也是衡量Hadoop利用率的一个指标 对JobTracker上的日志进行分析提取 统计Job提交数 统计成功运行Job数 这些Job的总输入数据规模 Hadoop为什么要这么做？

三：Hadoop维护与出现的问题 妙手回春 (死节点自动重启) 包括datanode与tasktracker的守护进程 密级： 妙手回春 (死节点自动重启) 包括datanode与tasktracker的守护进程 从JobTracker页面抽取死掉的tasktracker 从NameNode页面抽取死掉的datanode 分别对上述的死节点执行重启操作 将上述程序放入定时器让其每隔一定时间执行一次 Hadoop为什么要这么做？

三：Hadoop维护与出现的问题 我的地盘听我的 1) Hadoop权限管理 用户与组别设置: 对应客户端的用户与组名吗？ 密级： 我的地盘听我的 1) Hadoop权限管理 用户与组别设置: 对应客户端的用户与组名吗？ /user/xxx权限管理 2) Hadoop资源分组 capacity-scheduler 每个用户限制Job个数 每个组限制系统资源 Hadoop为什么要这么做？

三：Hadoop维护与出现的问题 后继有人(NameNode镜像备份) 1) 设置定时器自动拷贝镜像 使用expect 密级： 后继有人(NameNode镜像备份) 1) 设置定时器自动拷贝镜像 使用expect 2) 网络文件系统备份 新建NFS hdfs-site.xml 中 dfs.name.dir Hadoop为什么要这么做？

三：Hadoop维护与出现的问题 机架感知 1) 设置core-site.xml中topology.script.file.name属性 密级： 机架感知 1) 设置core-site.xml中topology.script.file.name属性 2) rack.py 可执行权限 输入ip 输出机架名 Hadoop为什么要这么做？

三：Hadoop维护与出现的问题 有只拦路虎(集群负载不均衡) 根据槽位数分配任务 用了少数几个槽位也可能会导致机器负载高 密级： 三：Hadoop维护与出现的问题 有只拦路虎(集群负载不均衡) 根据槽位数分配任务 用了少数几个槽位也可能会导致机器负载高 如果还往这台机器分配任务…… JobTracker死锁 Hadoop为什么要这么做？

Thanks for listening and thinking! 密级： 欢迎有识之士加入亿赞普 Thanks for listening and thinking! xiaoyanjing@izptec.com