[Hadoop] 实际应用场景之 - 百度

百度在2008年就开始使用Hadoop作为其离线数据分析平台，从Hadoop v0.18/0.19开始，300台机器，2个集群，现在的规模为2W台节点以上，最大集群接近4,000节点，每日处理数据20PB+，每日作业数120,000+

Hadoop在百度主要用于如下场景：

• 日志的存储和统计;
  
• 网页数据的分析和挖掘;
  
• 商业分析，如用户的行为和广告关注度等;
  
• 在线数据的反馈，及时得到在线广告的点击情况;
  
• 用户网页的聚类，分析用户的推荐度及用户之间的关联度。
  

百度和其它公司对Hadoop的应用最大的不同是对源代码做了大量的修改，当Hadoop 2.0官方版本还没有出来时，百度就已经在开发自己的Hadoop 2.0，如下图所示：

HDFS 1.0面临的问题有：

• 集群规模大，Namenode响应变慢
• Namenode单点，切换时间太长
• 没有数据压缩
• Namespace过于耗用资源

百度自己开发的HDFS 2.0改进了如下功能：

• Namenade热备切换
• 分钟级别切换
• 最坏情况，可能丢失1分钟数据
• 透明数据压缩（利用CPU低谷时压缩、长时间未使用的块才压缩等）

MapReduce 1.0面临的问题有：

• JobTracker单点问题
• 资源粒度过粗（slot）
• 资源利用率不高

百度自己开发的MapReduce 2.0改进了如下功能：

• 可扩展性强（支持万台节点以上）
• 架构松耦合，支持多种计算框架
• 可支持热升级
• 更精细的资源控制
• MR优化：Shuffle独立/Task同质调度