何鵬是即刻搜索研發(fā)部系統(tǒng)平臺組的工程師，即刻搜索是人民網(wǎng)其下的搜索引擎，由人民搜索轉(zhuǎn)變而來，于今年6月20日正式上線。據(jù)何鵬介紹，即刻搜索 目前存放了200億個文件以上，其整個系統(tǒng)架構采用Hadoop海量數(shù)據(jù)分析平臺，并針對特定環(huán)境對應用程序做了修改。在本次演講中，何鵬工程師將為我們 分析基于Hadoop的海量網(wǎng)頁分析案例。

▲即刻搜索研發(fā)部系統(tǒng)平臺組工程師何鵬

　　即刻搜索整體架構借助了Hadoop整個海量分析平臺，并針對特定環(huán)境增刪修改了部分中間件，改良了部分應用程序，以提高性能，下圖所展示的是即刻搜索的整體框架圖：

▲即刻搜索整體架構圖

　　在上圖中，HDFS即為Hadoop海量數(shù)據(jù)處理平臺，其中Hdfs_Bridge為新添加的中間件，并且，JikeSpider為即刻搜索工程師新開發(fā)的應用，并對部分程序進行了改良。

　　Hdfs_Bridge為即刻搜索海量數(shù)據(jù)處理平臺的中間件，主要是滿足爬蟲的快速寫，并對文件提供自動Flush sstable功能。其通過將寫轉(zhuǎn)化為內(nèi)存寫，用DFS直接Flush。以此替代HDFS的多次不必要的序列化和反序列化。

▲

　　并且，即刻還對Hadoop Pipes進行了改良。通過修改Hadoop pipse的通信寫u，將單一的路勁輸入輸出改為多路徑輸入輸出。還進行本地化調(diào)試，并對部分代碼進行了優(yōu)化。

　　據(jù)何鵬工程師介紹，目前即刻搜索的海量數(shù)據(jù)處理平臺還存在一些不足，正在不斷優(yōu)化。比如在部分大型作業(yè)時，多個task分配到同一臺及其，導致該機器負載過大，從而拖慢整個作業(yè)進度，甚至在極端狀況下，出現(xiàn)內(nèi)存過慢的情況。何鵬認為，其主要原因在于任務調(diào)度分配不合理，其技術團隊正在開發(fā)一個中間件，以對集群內(nèi)的機器任務進行合理分配。

　　何鵬介紹說，其初步設想是通過tasktracker對CPU、內(nèi)存、硬盤以及網(wǎng)絡等信息進行搜集，并匯報給jobtracker。調(diào)度器接受到這些信息之后，在調(diào)度任務時將CPU、內(nèi)存、硬盤以及網(wǎng)絡等信息納入考慮之中，在進行合理的任務分配。

　　并且，由于數(shù)據(jù)中心的能耗較大，何鵬希望能夠通過技術手段來降低數(shù)據(jù)中心的能耗。例如集群能源進行管理，當CPU、I/O以及磁盤長時間處于idle時，即可整機進入省電模式;甚至還可對idle較長的模塊進行關閉操作。

總結

以上是生活随笔為你收集整理的[Hadoop in China 2011] 何鹏：Hadoop在海量网页搜索中应用分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。