架構(gòu)扼要
想讀懂此文，讀者必須先要明確以下幾點(diǎn)，以作為閱讀后續(xù)內(nèi)容的基礎(chǔ)知識(shí)儲(chǔ)備：
- Mapreduce是一種模式。
- Hadoop是一種框架。
- Hadoop是一個(gè)實(shí)現(xiàn)了mapreduce模式的開源的分布式并行編程框架。
所以，你現(xiàn)在，知道了什么是mapreduce，什么是hadoop，以及這兩者之間最簡(jiǎn)單的聯(lián)系，而本文的主旨即是，一句話概括：在hadoop的框架上采取mapreduce的模式處理海量數(shù)據(jù)。下面，咱們可以依次深入學(xué)習(xí)和了解mapreduce和hadoop這兩個(gè)東西了。
Mapreduce模式
前面說(shuō)了，mapreduce是一種模式，一種什么模式呢?一種云計(jì)算的核心計(jì)算模式，一種分布式運(yùn)算技術(shù)，也是簡(jiǎn)化的分布式編程模式，它主要用于解決問題的程序開發(fā)模型，也是開發(fā)人員拆解問題的方法。
Ok，光說(shuō)不上圖，沒用。如下圖所示，mapreduce模式的主要思想是將自動(dòng)分割要執(zhí)行的問題（例如程序）拆解成map（映射）和reduce（化簡(jiǎn)）的方式，流程圖如下圖1所示：
在數(shù)據(jù)被分割后通過(guò)Map 函數(shù)的程序?qū)?shù)據(jù)映射成不同的區(qū)塊，分配給計(jì)算機(jī)機(jī)群處理達(dá)到分布式運(yùn)算的效果，在通過(guò)Reduce 函數(shù)的程序?qū)⒔Y(jié)果匯整，從而輸出開發(fā)者需要的結(jié)果。
MapReduce 借鑒了函數(shù)式程序設(shè)計(jì)語(yǔ)言的設(shè)計(jì)思想，其軟件實(shí)現(xiàn)是指定一個(gè)Map 函數(shù)，把鍵值對(duì)(key/value)映射成新的鍵值對(duì)(key/value)，形成一系列中間結(jié)果形式的key/value 對(duì)，然后把它們傳給Reduce(規(guī)約)函數(shù)，把具有相同中間形式key 的value 合并在一起。Map 和Reduce 函數(shù)具有一定的關(guān)聯(lián)性。函數(shù)描述如表1 所示：
MapReduce致力于解決大規(guī)模數(shù)據(jù)處理的問題，因此在設(shè)計(jì)之初就考慮了數(shù)據(jù)的局部性原理，利用局部性原理將整個(gè)問題分而治之。MapReduce集群由普通PC機(jī)構(gòu)成，為無(wú)共享式架構(gòu)。在處理之前，將數(shù)據(jù)集分布至各個(gè)節(jié)點(diǎn)。處理時(shí)，每個(gè)節(jié)點(diǎn)就近讀取本地存儲(chǔ)的數(shù)據(jù)處理（map），將處理后的數(shù)據(jù)進(jìn)行合并（combine）、排序（shuffle and sort）后再分發(fā)（至reduce節(jié)點(diǎn)），避免了大量數(shù)據(jù)的傳輸，提高了處理效率。無(wú)共享式架構(gòu)的另一個(gè)好處是配合復(fù)制（replication）策略，集群可以具有良好的容錯(cuò)性，一部分節(jié)點(diǎn)的down機(jī)對(duì)集群的正常工作不會(huì)造成影響。
ok，你可以再簡(jiǎn)單看看下副圖，整幅圖是有關(guān)hadoop的作業(yè)調(diào)優(yōu)參數(shù)及原理，圖的左邊是MapTask運(yùn)行示意圖，右邊是ReduceTask運(yùn)行示意圖：
如上圖所示，其中map階段，當(dāng)map task開始運(yùn)算，并產(chǎn)生中間數(shù)據(jù)后并非直接而簡(jiǎn)單的寫入磁盤，它首先利用內(nèi)存buffer來(lái)對(duì)已經(jīng)產(chǎn)生的buffer進(jìn)行緩存，并在內(nèi)存buffer中進(jìn)行一些預(yù)排序來(lái)優(yōu)化整個(gè)map的性能。而上圖右邊的reduce階段則經(jīng)歷了三個(gè)階段，分別Copy->Sort->reduce。我們能明顯的看出，其中的Sort是采用的歸并排序，即merge sort。
了解了什么是mapreduce，接下來(lái)，咱們可以來(lái)了解實(shí)現(xiàn)了mapreduce模式的開源框架—hadoop。
Hadoop框架
前面說(shuō)了，hadoop是一個(gè)框架，一個(gè)什么樣的框架呢?Hadoop 是一個(gè)實(shí)現(xiàn)了MapReduce 計(jì)算模型的開源分布式并行編程框架，程序員可以借助Hadoop 編寫程序，將所編寫的程序運(yùn)行于計(jì)算機(jī)機(jī)群上，從而實(shí)現(xiàn)對(duì)海量數(shù)據(jù)的處理。
此外，Hadoop 還提供一個(gè)分布式文件系統(tǒng)(HDFS）及分布式數(shù)據(jù)庫(kù)（HBase）用來(lái)將數(shù)據(jù)存儲(chǔ)或部署到各個(gè)計(jì)算節(jié)點(diǎn)上。所以，你可以大致認(rèn)為：Hadoop=HDFS（文件系統(tǒng)，數(shù)據(jù)存儲(chǔ)技術(shù)相關(guān)）+HBase（數(shù)據(jù)庫(kù)）+MapReduce（數(shù)據(jù)處理）。Hadoop 框架如圖2 所示：
借助Hadoop 框架及云計(jì)算核心技術(shù)MapReduce 來(lái)實(shí)現(xiàn)數(shù)據(jù)的計(jì)算和存儲(chǔ)，并且將HDFS 分布式文件系統(tǒng)和HBase 分布式數(shù)據(jù)庫(kù)很好的融入到云計(jì)算框架中，從而實(shí)現(xiàn)云計(jì)算的分布式、并行計(jì)算和存儲(chǔ)，并且得以實(shí)現(xiàn)很好的處理大規(guī)模數(shù)據(jù)的能力。
Hadoop的組成部分
我們已經(jīng)知道，Hadoop是Google的MapReduce一個(gè)Java實(shí)現(xiàn)。MapReduce是一種簡(jiǎn)化的分布式編程模式，讓程序自動(dòng)分布到一個(gè)由普通機(jī)器組成的超大集群上并發(fā)執(zhí)行。Hadoop主要由HDFS、MapReduce和HBase等組成。具體的hadoop的組成如下圖：
由上圖，我們可以看到：
1、 Hadoop HDFS是Google GFS存儲(chǔ)系統(tǒng)的開源實(shí)現(xiàn)，主要應(yīng)用場(chǎng)景是作為并行計(jì)算環(huán)境（MapReduce）的基礎(chǔ)組件，同時(shí)也是BigTable（如HBase、HyperTable）的底層分布式文件系統(tǒng)。HDFS采用master/slave架構(gòu)。一個(gè)HDFS集群是有由一個(gè)Namenode和一定數(shù)目的Datanode組成。Namenode是一個(gè)中心服務(wù)器，負(fù)責(zé)管理文件系統(tǒng)的namespace和客戶端對(duì)文件的訪問。Datanode在集群中一般是一個(gè)節(jié)點(diǎn)一個(gè)，負(fù)責(zé)管理節(jié)點(diǎn)上它們附帶的存儲(chǔ)。在內(nèi)部，一個(gè)文件其實(shí)分成一個(gè)或多個(gè)block，這些block存儲(chǔ)在Datanode集合里。如下圖所示（HDFS體系結(jié)構(gòu)圖）：
2、 Hadoop MapReduce是一個(gè)使用簡(jiǎn)易的軟件框架，基于它寫出來(lái)的應(yīng)用程序能夠運(yùn)行在由上千個(gè)商用機(jī)器組成的大型集群上，并以一種可靠容錯(cuò)的方式并行處理上TB級(jí)別的數(shù)據(jù)集。
一個(gè)MapReduce作業(yè)（job）通常會(huì)把輸入的數(shù)據(jù)集切分為若干獨(dú)立的數(shù)據(jù)塊，由 Map任務(wù)（task）以完全并行的方式處理它們。框架會(huì)對(duì)Map的輸出先進(jìn)行排序，然后把結(jié)果輸入給Reduce任務(wù)。通常作業(yè)的輸入和輸出都會(huì)被存儲(chǔ)在文件系統(tǒng)中。整個(gè)框架負(fù)責(zé)任務(wù)的調(diào)度和監(jiān)控，以及重新執(zhí)行已經(jīng)失敗的任務(wù)。如下圖所示（Hadoop MapReduce處理流程圖）：
3、 Hive是基于Hadoop的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)工具，處理能力強(qiáng)而且成本低廉。
主要特點(diǎn)：
存儲(chǔ)方式是將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫(kù)表。提供類SQL語(yǔ)言，實(shí)現(xiàn)完整的SQL查詢功能?？梢詫QL語(yǔ)句轉(zhuǎn)換為MapReduce任務(wù)運(yùn)行，十分適合數(shù)據(jù)倉(cāng)庫(kù)的統(tǒng)計(jì)分析。
不足之處：
采用行存儲(chǔ)的方式（SequenceFile）來(lái)存儲(chǔ)和讀取數(shù)據(jù)。效率低：當(dāng)要讀取數(shù)據(jù)表某一列數(shù)據(jù)時(shí)需要先取出所有數(shù)據(jù)然后再提取出某一列的數(shù)據(jù)，效率很低。同時(shí)，它還占用較多的磁盤空間。
由于以上的不足，有人（查禮博士）介紹了一種將分布式數(shù)據(jù)處理系統(tǒng)中以記錄為單位的存儲(chǔ)結(jié)構(gòu)變?yōu)橐粤袨閱挝坏拇鎯?chǔ)結(jié)構(gòu)，進(jìn)而減少磁盤訪問數(shù)量，提高查詢處理性能。這樣，由于相同屬性值具有相同數(shù)據(jù)類型和相近的數(shù)據(jù)特性，以屬性值為單位進(jìn)行壓縮存儲(chǔ)的壓縮比更高，能節(jié)省更多的存儲(chǔ)空間。如下圖所示（行列存儲(chǔ)的比較圖）：
4、 HBase
HBase是一個(gè)分布式的、面向列的開源數(shù)據(jù)庫(kù)，它不同于一般的關(guān)系數(shù)據(jù)庫(kù),是一個(gè)適合于非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)的數(shù)據(jù)庫(kù)。另一個(gè)不同的是HBase基于列的而不是基于行的模式。HBase使用和 BigTable非常相同的數(shù)據(jù)模型。用戶存儲(chǔ)數(shù)據(jù)行在一個(gè)表里。一個(gè)數(shù)據(jù)行擁有一個(gè)可選擇的鍵和任意數(shù)量的列，一個(gè)或多個(gè)列組成一個(gè)ColumnFamily，一個(gè)Fmaily下的列位于一個(gè)HFile中，易于緩存數(shù)據(jù)。表是疏松的存儲(chǔ)的，因此用戶可以給行定義各種不同的列。在HBase中數(shù)據(jù)按主鍵排序，同時(shí)表按主鍵劃分為多個(gè)HRegion，如下圖所示（HBase數(shù)據(jù)表結(jié)構(gòu)圖）：
Ok，行文至此，看似洋洋灑灑近千里，但若給讀者造成閱讀上的負(fù)擔(dān)，則不是我本意。接下來(lái)的內(nèi)容，我不會(huì)再引用諸多繁雜的專業(yè)術(shù)語(yǔ)，以給讀者心里上造成不良影響。
我再給出一副圖，算是對(duì)上文所說(shuō)的hadoop框架及其組成部分做個(gè)總結(jié)，如下圖所示，便是hadoop的內(nèi)部結(jié)構(gòu)，我們可以看到，海量的數(shù)據(jù)交給hadoop處理后，在hadoop的內(nèi)部中，正如上文所述：hadoop提供一個(gè)分布式文件系統(tǒng)（HDFS）及分布式數(shù)據(jù)庫(kù)（Hbase）用來(lái)存儲(chǔ)或部署到各個(gè)計(jì)算點(diǎn)上，最終在內(nèi)部采取mapreduce的模式對(duì)其數(shù)據(jù)進(jìn)行處理，然后輸出處理結(jié)果：
第二部分、淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)解讀—學(xué)習(xí)海量數(shù)據(jù)處理經(jīng)驗(yàn)
在上面的本文的第一部分中，我們已經(jīng)對(duì)mapreduce模式及hadoop框架有了一個(gè)深入而全面的了解。不過(guò)，如果一個(gè)東西，或者一個(gè)概念不放到實(shí)際應(yīng)用中去，那么你對(duì)這個(gè)理念永遠(yuǎn)只是停留在理論之內(nèi)，無(wú)法向?qū)嵺`邁進(jìn)。
Ok，接下來(lái)，本文的第二部分，咱們以淘寶的數(shù)據(jù)魔方技術(shù)架構(gòu)為依托，通過(guò)介紹淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，來(lái)進(jìn)一步學(xué)習(xí)和了解海量數(shù)據(jù)處理的經(jīng)驗(yàn)。
淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)
如下圖2-1所示，即是淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，咱們下面要針對(duì)這個(gè)架構(gòu)來(lái)一一剖析與解讀。
相信，看過(guò)本博客內(nèi)其它文章的細(xì)心讀者，定會(huì)發(fā)現(xiàn)，圖2-1最初見于本博客內(nèi)的此篇文章：從幾幅架構(gòu)圖中偷得半點(diǎn)海量數(shù)據(jù)處理經(jīng)驗(yàn)之上，同時(shí)，此圖2-1最初發(fā)表于《程序員》8月刊，作者：朋春。
在此之前，有一點(diǎn)必須說(shuō)明的是：本文下面的內(nèi)容大都是參考自朋春先生的這篇文章：淘寶數(shù)據(jù)魔方技術(shù)架構(gòu)解析所寫，我個(gè)人所作的工作是對(duì)這篇文章的一種解讀與關(guān)鍵技術(shù)和內(nèi)容的抽取，以為讀者更好的理解淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)。與此同時(shí)，還能展示我自己讀此篇的思路與感悟，順帶學(xué)習(xí)，何樂而不為呢?。
Ok，不過(guò)，與本博客內(nèi)之前的那篇文章（幾幅架構(gòu)圖中偷得半點(diǎn)海量數(shù)據(jù)處理經(jīng)驗(yàn)）不同，本文接下來(lái)，要詳細(xì)闡述這個(gè)架構(gòu)。我也做了不少準(zhǔn)備工作（如把這圖2-1打印了下來(lái)，經(jīng)常琢磨）：
圖2-1 淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)
好的，如上圖所示，我們可以看到，淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，分為以下五個(gè)層次，從上至下來(lái)看，它們分別是：數(shù)據(jù)源，計(jì)算層，存儲(chǔ)層，查詢層和產(chǎn)品層。我們來(lái)一一了解這五層：
- 數(shù)據(jù)來(lái)源層。存放著淘寶各店的交易數(shù)據(jù)。在數(shù)據(jù)源層產(chǎn)生的數(shù)據(jù)，通過(guò)DataX，DbSync和Timetunel準(zhǔn)實(shí)時(shí)的傳輸?shù)较旅娴?點(diǎn)所述的“云梯”。
- 計(jì)算層。在這個(gè)計(jì)算層內(nèi)，淘寶采用的是hadoop集群，這個(gè)集群，我們暫且稱之為云梯，是計(jì)算層的主要組成部分。在云梯上，系統(tǒng)每天會(huì)對(duì)數(shù)據(jù)產(chǎn)品進(jìn)行不同的mapreduce計(jì)算。
- 存儲(chǔ)層。在這一層，淘寶采用了兩個(gè)東西，一個(gè)使MyFox，一個(gè)是Prom。MyFox是基于MySQL的分布式關(guān)系型數(shù)據(jù)庫(kù)的集群，Prom是基于hadoop Hbase技術(shù)的（讀者可別忘了，在上文第一部分中，咱們介紹到了這個(gè)hadoop的組成部分之一，Hbase—在hadoop之內(nèi)的一個(gè)分布式的開源數(shù)據(jù)庫(kù)）的一個(gè)NoSQL的存儲(chǔ)集群。
- 查詢層。在這一層中，有一個(gè)叫做glider的東西，這個(gè)glider是以HTTP協(xié)議對(duì)外提供restful方式的接口。數(shù)據(jù)產(chǎn)品通過(guò)一個(gè)唯一的URL來(lái)獲取到它想要的數(shù)據(jù)。同時(shí)，數(shù)據(jù)查詢即是通過(guò)MyFox來(lái)查詢的。下文將具體介紹MyFox的數(shù)據(jù)查詢過(guò)程。
- 產(chǎn)品層。簡(jiǎn)單理解，不作過(guò)多介紹。
接下來(lái)，咱們重點(diǎn)來(lái)了解第三層-存儲(chǔ)層中的MyFox與Prom，然后會(huì)稍帶分析下glide的技術(shù)架構(gòu)，最后，再了解下緩存。文章即宣告結(jié)束。
我們知道，關(guān)系型數(shù)據(jù)庫(kù)在我們現(xiàn)在的工業(yè)生產(chǎn)中有著廣泛的引用，它包括Oracle，MySQL、DB2、Sybase和SQL Server等等。
MyFOX
淘寶選擇了MySQL的MyISAM引擎作為底層的數(shù)據(jù)存儲(chǔ)引擎。且為了應(yīng)對(duì)海量數(shù)據(jù)，他們?cè)O(shè)計(jì)了分布式MySQL集群的查詢代理層-MyFOX。
如下圖所示，是MySQL的數(shù)據(jù)查詢過(guò)程：
圖2-2 MyFOX的數(shù)據(jù)查詢過(guò)程
在MyFOX的每一個(gè)節(jié)點(diǎn)中，存放著熱節(jié)點(diǎn)和冷節(jié)點(diǎn)兩種節(jié)點(diǎn)數(shù)據(jù)。顧名思義，熱節(jié)點(diǎn)存放著最新的，被訪問頻率較高的數(shù)據(jù)；冷節(jié)點(diǎn)，存放著相對(duì)而來(lái)比較舊的，訪問頻率比較低的數(shù)據(jù)。而為了存儲(chǔ)這兩種節(jié)點(diǎn)數(shù)據(jù)，出于硬件條件和存儲(chǔ)成本的考慮，你當(dāng)然會(huì)考慮選擇兩種不同的硬盤，來(lái)存儲(chǔ)這兩種訪問頻率不同的節(jié)點(diǎn)數(shù)據(jù)。如下圖所示：
圖2-3 MyFOX節(jié)點(diǎn)結(jié)構(gòu)
“熱節(jié)點(diǎn)”，選擇每分鐘15000轉(zhuǎn)的SAS硬盤，按照一個(gè)節(jié)點(diǎn)兩臺(tái)機(jī)器來(lái)計(jì)算，單位數(shù)據(jù)的存儲(chǔ)成本約為4.5W/TB。相對(duì)應(yīng)地，“冷數(shù)據(jù)”我們選擇了每分鐘7500轉(zhuǎn)的SATA硬盤，單碟上能夠存放更多的數(shù)據(jù)，存儲(chǔ)成本約為1.6W/TB。
Prom
出于文章篇幅的考慮，本文接下來(lái)不再過(guò)多闡述這個(gè)Prom了。如下面兩幅圖所示，他們分別表示的是Prom的存儲(chǔ)結(jié)構(gòu)以及Prom查詢過(guò)程：
圖2-4 Prom的存儲(chǔ)結(jié)構(gòu)
圖2-5 Prom查詢過(guò)程
glide的技術(shù)架構(gòu)
圖2-6 glider的技術(shù)架構(gòu)
在這一層-查詢層中，淘寶主要是基于用中間層隔離前后端的理念而考慮。Glider這個(gè)中間層負(fù)責(zé)各個(gè)異構(gòu)表之間的數(shù)據(jù)JOIN和UNION等計(jì)算，并且負(fù)責(zé)隔離前端產(chǎn)品和后端存儲(chǔ)，提供統(tǒng)一的數(shù)據(jù)查詢服務(wù)。
緩存
除了起到隔離前后端以及異構(gòu)“表”之間的數(shù)據(jù)整合的作用之外，glider的另外一個(gè)不容忽視的作用便是緩存管理。我們有一點(diǎn)須了解，在特定的時(shí)間段內(nèi)，我們認(rèn)為數(shù)據(jù)產(chǎn)品中的數(shù)據(jù)是只讀的，這是利用緩存來(lái)提高性能的理論基礎(chǔ)。
在上文圖2-6中我們看到，glider中存在兩層緩存，分別是基于各個(gè)異構(gòu)“表”（datasource）的二級(jí)緩存和整合之后基于獨(dú)立請(qǐng)求的一級(jí)緩存。除此之外，各個(gè)異構(gòu)“表”內(nèi)部可能還存在自己的緩存機(jī)制。
圖2-7 緩存控制體系
圖2-7向我們展示了數(shù)據(jù)魔方在緩存控制方面的設(shè)計(jì)思路。用戶的請(qǐng)求中一定是帶了緩存控制的“命令”的，這包括URL中的query string，和HTTP頭中的“If-None-Match”信息。并且，這個(gè)緩存控制“命令”一定會(huì)經(jīng)過(guò)層層傳遞，最終傳遞到底層存儲(chǔ)的異構(gòu)“表”模塊。
緩存系統(tǒng)往往有兩個(gè)問題需要面對(duì)和考慮：緩存穿透與失效時(shí)的雪崩效應(yīng)。
緩存穿透是指查詢一個(gè)一定不存在的數(shù)據(jù)，由于緩存是不命中時(shí)被動(dòng)寫的，并且出于容錯(cuò)考慮，如果從存儲(chǔ)層查不到數(shù)據(jù)則不寫入緩存，這將導(dǎo)致這個(gè)不存在的數(shù)據(jù)每次請(qǐng)求都要到存儲(chǔ)層去查詢，失去了緩存的意義。至于如何有效地解決緩存穿透問題，最常見的則是采用布隆過(guò)濾器（這個(gè)東西，在我的此篇文章中有介紹：），將所有可能存在的數(shù)據(jù)哈希到一個(gè)足夠大的bitmap中，一個(gè)一定不存在的數(shù)據(jù)會(huì)被這個(gè)bitmap攔截掉，從而避免了對(duì)底層存儲(chǔ)系統(tǒng)的查詢壓力。
而在數(shù)據(jù)魔方里，淘寶采用了一個(gè)更為簡(jiǎn)單粗暴的方法，如果一個(gè)查詢返回的數(shù)據(jù)為空（不管是數(shù)據(jù)不存在，還是系統(tǒng)故障），我們?nèi)匀话堰@個(gè)空結(jié)果進(jìn)行緩存，但它的過(guò)期時(shí)間會(huì)很短，最長(zhǎng)不超過(guò)五分鐘。
2、緩存失效時(shí)的雪崩效應(yīng)盡管對(duì)底層系統(tǒng)的沖擊非?？膳?。但遺憾的是，這個(gè)問題目前并沒有很完美的解決方案。大多數(shù)系統(tǒng)設(shè)計(jì)者考慮用加鎖或者隊(duì)列的方式保證緩存的單線程（進(jìn)程）寫，從而避免失效時(shí)大量的并發(fā)請(qǐng)求落到底層存儲(chǔ)系統(tǒng)上。
在數(shù)據(jù)魔方中，淘寶設(shè)計(jì)的緩存過(guò)期機(jī)制理論上能夠?qū)⒏鱾€(gè)客戶端的數(shù)據(jù)失效時(shí)間均勻地分布在時(shí)間軸上，一定程度上能夠避免緩存同時(shí)失效帶來(lái)的雪崩效應(yīng)。
本文參考：
基于云計(jì)算的海量數(shù)據(jù)存儲(chǔ)模型，侯建等。
基于hadoop的海量日志數(shù)據(jù)處理，王小森
基于hadoop的大規(guī)模數(shù)據(jù)處理系統(tǒng)，王麗兵。
淘寶數(shù)據(jù)魔方技術(shù)架構(gòu)解析，朋春。
Hadoop作業(yè)調(diào)優(yōu)參數(shù)整理及原理，guili。
讀者點(diǎn)評(píng)@xdylxdyl：
We want to count all the books in the library. You count up shelf #1, I count up shelf #2. That's map. The more people we get, the faster it goes. Now we get together and add our individual counts. That's reduce。
數(shù)據(jù)魔方里的緩存穿透,架構(gòu),空數(shù)據(jù)緩存這些和Hadoop一點(diǎn)關(guān)系都么有，如果是想講一個(gè)Hadoop的具體應(yīng)用的話,數(shù)據(jù)魔方這部分其實(shí)沒講清楚的。
感覺你是把兩個(gè)東西混在一起了。不過(guò)這兩個(gè)都是挺有價(jià)值的東西,或者說(shuō)數(shù)據(jù)魔方的架構(gòu)比Hadoop可能更重要一些,基本上大的互聯(lián)網(wǎng)公司都會(huì)選擇這么做。Null對(duì)象的緩存保留五分鐘未必會(huì)有好的結(jié)果吧,如果Null對(duì)象不是特別大,數(shù)據(jù)的更新和插入不多也可以考慮實(shí)時(shí)維護(hù)。
Hadoop本身很笨重，不知道在數(shù)據(jù)魔方里是否是在扮演著實(shí)時(shí)數(shù)據(jù)處理的角色?還是只是在做線下的數(shù)據(jù)分析的？
結(jié)語(yǔ)：寫文章是一種學(xué)習(xí)的過(guò)程。尊重他人勞動(dòng)成果，轉(zhuǎn)載請(qǐng)注明出處。謝謝。July、2011/8/20。完。
