國外Hadoop的應用現狀

1.Yahoo

Yahoo是Hadoop的最大支持者，截至2012年，Yahoo的Hadoop機器總節點數目超過42?000個，有超過10萬的核心CPU在運行Hadoop。最大的一個單Master節點集群有4500個節點（每個節點雙路4核心CPUboxesw，4×1TB磁盤，16GBRAM）。總的集群存儲容量大于350PB，每月提交的作業數目超過1000萬個，在Pig中超過60%的Hadoop作業是使用Pig編寫提交的。

Yahoo的Hadoop應用主要包括以下幾個方面：

• 支持廣告系統

• 用戶行為分析

• 支持Web搜索

• 反垃圾郵件系統

• 會員反濫用

• 內容敏捷

• 個性化推薦

同時Pig研究并測試支持超大規模節點集群的Hadoop系統。

2.Facebook

Facebook使用Hadoop存儲內部日志與多維數據，并以此作為報告、分析和機器學習的數據源。目前Hadoop集群的機器節點超過1400臺，共計11?200個核心CPU，超過15PB原始存儲容量，每個商用機器節點配置了8核CPU，12TB數據存儲，主要使用StreamingAPI和JavaAPI編程接口。Facebook同時在Hadoop基礎上建立了一個名為Hive的高級數據倉庫框架，Hive已經正式成為基于Hadoop的Apache一級項目。此外，還開發了HDFS上的FUSE實現。

3.A9.com

A9.com為Amazon使用Hadoop構建了商品搜索索引，主要使用StreamingAPI以及C++、Perl和Python工具，同時使用Java和StreamingAPI分析處理每日數以百萬計的會話。A9.com為Amazon構建的索引服務運行在100節點左右的Hadoop集群上。

4.Adobe

Adobe主要使用Hadoop及HBase，同于支撐社會服務計算，以及結構化的數據存儲和處理。大約有超過30個節點的Hadoop-HBase生產集群。Adobe將數據直接持續地存儲在HBase中，并以HBase作為數據源運行MapReduce作業處理，然后將其運行結果直接存到HBase或外部系統。Adobe在2008年10月就已經將Hadoop和HBase應用于生產集群。

5.CbIR

自2008年4月以來，日本的CbIR（Content-basedInformationRetrieval）公司在AmazonEC2上使用Hadoop來構建圖像處理環境，用于圖像產品推薦系統。使用Hadoop環境生成源數據庫，便于Web應用對其快速訪問，同時使用Hadoop分析用戶行為的相似性。

6.Datagraph

Datagraph主要使用Hadoop批量處理大量的RDF數據集，尤其是利用Hadoop對RDF數據建立索引。Datagraph也使用Hadoop為客戶執行長時間運行的離線SPARQL查詢。Datagraph是使用AmazonS3和Cassandra存儲RDF數據輸入和輸出文件的，并已經開發了一個基于MapReduce處理RDF數據的Ruby框架——RDFgrid。

Datagraph主要使用Ruby、RDF.rb以及自己開發的RDFgrid框架來處理RDF數據，主要使用HadoopStreaming接口。

7.EBay

單集群超過532節點集群，單節點8核心CPU，容量超過5.3PB存儲。大量使用的MapReduce的Java接口、Pig、Hive來處理大規模的數據，還使用HBase進行搜索優化和研究。

8.IBM

IBM藍云也利用Hadoop來構建云基礎設施。IBM藍云使用的技術包括：Xen和PowerVM虛擬化的Linux操作系統映像及Hadoop并行工作量調度，并發布了自己的Hadoop發行版及大數據解決方案。

9.Last.Fm

Last.Fm主要用于圖表計算、專利申報、日志分析、A/B測試、數據集合并等，也使用Hadoop對超過百萬的曲目進行大規模的音頻特征分析。

節點超過100臺機器，集群節點配置雙四核XeonL5520@2.27GHzL5630@2.13GHz，24GB內存，8TB（4×2TB）存儲。

10.LinkedIn

LinkedIn有多種硬件配置的Hadoop集群，主要集群配置如下：

• 800節點集群，基于Westmere的惠普SL170X與2×4的核心，24GB內存，6×2TBSATA。

• 1900節點集群，基于Westmere的超微-HX8DTT，與2×6的核心，24GB內存，6×2TBSATA。

• 1400節點集群，基于SandyBridge超微與2×6的核心，32GB內存，6×2TBSATA。

使用的軟件如下：

• 操作系統使用RHEL6.3。

• JDK使用SUNJDK1.6.0_32。

• Apache的Hadoop0.20.2的補丁和ApacheHadoop的1.0.4補丁。

• Azkaban和Azkaban用于作業調度。

• Hive、Avro、Kafka等。

11.MobileAnalytic.TV

主要使用Hadoop應用在并行化算法領域，涉及的MapReduce應用算法如下。

• 信息檢索和分析。

• 機器生成的內容——文檔、文本、音頻、視頻。

• 自然語言處理。

• 項目組合包括：

• 移動社交網絡。

• 網絡爬蟲。

• 文本到語音轉化。

• 音頻和視頻自動生成。

12.Openstat

主要利用Hadoop定制一個網絡日志分析并生成報告，其生產環境下超過50個節點集群（雙路四核Xeon處理器，16GB的RAM，4～6硬盤驅動器），還有兩個相對小的集群用于個性化分析，每天處理約500萬的事件，每月15億美元的交易數據，集群每天產生大約25GB的報告。

使用的技術主要包括：CDH、Cascading、Janino。

13.Quantcast

3000個CPU核心，3500TB存儲，每日處理1PB以上的數據，使用完全自定義的數據路徑和排序器的Hadoop調度器，對KFS文件系統有突出貢獻。

14.Rapleaf

超過80個節點的集群（每個節點有2個雙核CPU，2TB×8存儲，16GBRAM內存）；主要使用Hadoop、Hive處理Web上關聯到個人的數據，并引入Cascading簡化數據流穿過各種處理階段。

15.WorldLingo

硬件上超過44臺服務器（每臺有2個雙核CPU，2TB存儲，8GB內存），每臺服務器均運行Xen，啟動一個虛擬機實例運行Hadoop/HBase，再啟動一個虛擬機實例運行Web或應用程序服務器，即有88臺可用的虛擬機；運行兩套獨立的Hadoop/HBase機群，它們各自擁有22個節點。Hadoop主要用于運行HBase和MapReduce作業，掃描HBase的數據表，執行特定的任務。HBase作為一種可擴展的、快速的存儲后端，用于保存數以百萬的文檔。目前存儲了1200萬篇文檔，近期的目標是存儲4.5億篇文檔。

16.格拉斯哥大學的TerrierTeam

超過30個節點的實驗集群（每節點配置XeonQuadCore2.4GHz，4GB內存，1TB存儲）。使用Hadoop促進信息檢索研究和試驗，特別是用于TREC，用于TerrierIR平臺。Terrier的開源發行版中包含了基于HadoopMapReduce的大規模分布式索引。

17.內布拉斯加大學的HollandComputingCenter

運行一個中等規模的Hadoop機群（共計1.6PB存儲）用于存儲和提供物理數據，以支持緊湊型μ子螺旋型磁譜儀（CompactMuonSolenoid，CMS）實驗的計算。這需要一類能夠以幾Gbps的速度下載數據，并以更高的速度處理數據的文件系統的支持。

18.VisibleMeasures

將Hadoop作為可擴展數據流水線的一個組件，最終用于VisibleSuite等產品。使用Hadoop匯總、存儲和分析與網絡視頻觀眾收看行為相關的數據流。目前的網格包括超過128個CPU核心，超過100TB的存儲，并計劃大幅擴容。

國內Hadoop的應用現狀

Hadoop在國內的應用主要以互聯網公司為主，下面主要介紹大規模使用Hadoop或研究Hadoop的公司。

1.百度

百度在2006年就開始關注Hadoop并開始調研和使用，在2012年其總的集群規模達到近十個，單集群超過2800臺機器節點，Hadoop機器總數有上萬臺機器，總的存儲容量超過100PB，已經使用的超過74PB，每天提交的作業數目有數千個之多，每天的輸入數據量已經超過7500TB，輸出超過1700TB。

百度的Hadoop集群為整個公司的數據團隊、大搜索團隊、社區產品團隊、廣告團隊，以及LBS團體提供統一的計算和存儲服務，主要應用包括：

• 數據挖掘與分析。

• 日志分析平臺。

• 數據倉庫系統。

• 推薦引擎系統。

• 用戶行為分析系統。

同時百度在Hadoop的基礎上還開發了自己的日志分析平臺、數據倉庫系統，以及統一的C++編程接口，并對Hadoop進行深度改造，開發了HadoopC++擴展HCE系統。

2.阿里巴巴

阿里巴巴的Hadoop集群截至2012年大約有3200臺服務器，大約30?000物理CPU核心，總內存100TB，總的存儲容量超過60PB，每天的作業數目超過150?000個，每天hivequery查詢大于6000個，每天掃描數據量約為7.5PB，每天掃描文件數約為4億，存儲利用率大約為80%，CPU利用率平均為65%，峰值可以達到80%。阿里巴巴的Hadoop集群擁有150個用戶組、4500個集群用戶，為淘寶、天貓、一淘、聚劃算、CBU、支付寶提供底層的基礎計算和存儲服務，主要應用包括：

• 數據平臺系統。

• 搜索支撐。

• 廣告系統。

• 數據魔方。

• 量子統計。

• 淘數據。

• 推薦引擎系統。

• 搜索排行榜。

為了便于開發，其還開發了WebIDE繼承開發環境，使用的相關系統包括：Hive、Pig、Mahout、Hbase等。

3.騰訊

騰訊也是使用Hadoop最早的中國互聯網公司之一，截至2012年年底，騰訊的Hadoop集群機器總量超過5000臺，最大單集群約為2000個節點，并利用Hadoop-Hive構建了自己的數據倉庫系統TDW，同時還開發了自己的TDW-IDE基礎開發環境。騰訊的Hadoop為騰訊各個產品線提供基礎云計算和云存儲服務，其支持以下產品：

• 騰訊社交廣告平臺。

• 搜搜（SOSO）。

• 拍拍網。

• 騰訊微博。

• 騰訊羅盤。

• QQ會員。

• 騰訊游戲支撐。

• QQ空間。

• 朋友網。

• 騰訊開放平臺。

• 財付通。

• 手機QQ。

• QQ音樂。

4.奇虎360

奇虎360主要使用Hadoop-HBase作為其搜索引擎so.com的底層網頁存儲架構系統，360搜索的網頁可到千億記錄，數據量在PB級別。截至2012年年底，其HBase集群規模超過300節點，region個數大于10萬個，使用的平臺版本如下。

• HBase版本：facebook0.89-fb。

• HDFS版本：facebookHadoop-20。

奇虎360在Hadoop-HBase方面的工作主要為了優化減少HBase集群的啟停時間，并優化減少RS異常退出后的恢復時間。

5.華為

華為公司也是Hadoop主要做出貢獻的公司之一，排在Google和Cisco的前面，華為對Hadoop的HA方案，以及HBase領域有深入研究，并已經向業界推出了自己的基于Hadoop的大數據解決方案。

6.中國移動

中國移動于2010年5月正式推出大云BigCloud1.0，集群節點達到了1024。中國移動的大云基于Hadoop的MapReduce實現了分布式計算，并利用了HDFS來實現分布式存儲，并開發了基于Hadoop的數據倉庫系統HugeTable，并行數據挖掘工具集BC-PDM，以及并行數據抽取轉化BC-ETL，對象存儲系統BC-ONestd等系統，并開源了自己的BC-Hadoop版本。

中國移動主要在電信領域應用Hadoop，其規劃的應用領域包括：

• 經分KPI集中運算。

• 經分系統ETL/DM。

• 結算系統。

• 信令系統。

• 云計算資源池系統。

• 物聯網應用系統。

• E-mail。

• IDC服務等。

7.盤古搜索

盤古搜索（目前已和即刻搜索合并為中國搜索）主要使用Hadoop集群作為搜索引擎的基礎架構支撐系統，截至2013年年初，集群中機器數量總計超過380臺，存儲總量總計3.66PB，主要包括的應用如下。

• 網頁存儲。

• 網頁解析。

• 建索引。

• Pagerank計算。

• 日志統計分析。

• 推薦引擎等。

8.即刻搜索（人民搜索）

即刻搜索（目前已與盤古搜索合并為中國搜索）也使用Hadoop作為其搜索引擎的支撐系統，截至2013年，其Hadoop集群規模總計超過500臺節點，配置為雙路6核心CPU，48G內存，11×2T存儲，集群總容量超過10PB，使用率在78%左右，每天處理讀取的數據量約為500TB，峰值大于1P，平均約為300TB。

即刻搜索在搜索引擎中使用sstable格式存儲網頁并直接將sstable文件存儲在HDFS上面，主要使用HadoopPipes編程接口進行后續處理，也使用Streaming接口處理數據，主要的應用包括：

• 網頁存儲。

• 解析。

• 建索引。

• 推薦引擎。

本文節選自《Hadoop核心技術》一書。翟周偉著，由機械工業出版社華章公司，2015年4月出版