阿里云 EMR最佳实践和容灾

阿里云EMR（Elastic MapReduce）是一项 Web 服务，简化了大数据处理，提供的大数据框架可以让您轻松、高速、经济、安全、稳定地处理大数据，满足如日志分析、数据仓库、商业智能、机器学习、科学模拟等业务需求。

 

一. 最佳实践

 

1. 混合使用包年及按需计费，节约成本

 

数据都存在热、冷的差异。一般建议把冷数据存放在OSS中，热数据放在本地HDFS中。晚上00:00-06:00按需运行，运行完成后释放集群，节约成本。晚上ECS水位低，比较容易申请到大集群。

 

 

 

 

2. 离线处理-用户行为分析

 

服务端会把这些信息存储在OSS中，再启动E-MapReduce中的Hive脚本分析这些数据，如：统计pv和uv，再把每个链接的访问情况存储在RDS中，最后通过报表系统展示。    

 

 

3. 离线处理+在线服务进行多维度信息统计

 

比如考虑到这样的一个场景，车载APP会实时上传汽车的物理指标，包括车速、发动机功耗、电池电压等，这些信息首先存储到EMR Hbase中，再启用E-MapReduce的hive或者mapreduce或者spark离线分析，按照城市的粒度，即分析出来某个城市某个时段的车辆出行率、出行里程平均数、车速平均值、平均油耗、出行车辆数、平均怠速时间、剧烈驾驶次数，这些信息又存放到Hbase中做成服务。

 

 

4. 离线处理-推荐（机器学习）

 

 

用户会对视频发生点赞、喜欢、收藏、分享、观看等行为，将用户对某个视频产生同一行为的用户进行关联分析建模。然后当某个用户看了某个视频，而相关联的好友用户没有看过该视频的话，就会在该用户观看视频播放器的下方进行推荐。整个过程用了协同过滤算法。主要是spark mllib分析oss中用户的日志，存放在rds中。

 

 

5. 实时处理-监控报警

 

统计数据从多个维度来展现当前服务质量，例如各种请求状态码占比，请求接口占比，每种请求的状态码占比，请求延时分布，每种请求的时延占比。最终结果可以呈现给运维人员或者开发人员，用来进一步保证服务质量和优化服务性能。如果出现一些异常情况，则报警给运维人员或者开发人员。主要的架构就是使用了spark streaming接受logservice实时推送过来的日志，分析完成后，实时存放到rds中，出现问题时监控报警系统会触发报警。

 

 

6. 在线离线混合

 

 

例如一个有用户浏览的网站，日志信息用logService接收。一方面存入到OSS中，晚上启动E-MapReduce离线分析，比如，页面的UV、从A页面到B页面的调转，提供运营同学数据化支持。另一方面，用户在不断浏览过程中，我们希望根据浏览情况实时自动推荐用户内容，E-MapReduce spark Streaming就实时接收 logService的数据，再结合spark mllib的算法，自动算出推荐内容，存储到RDS中，前端用户浏览时推荐的内容会实时发生变化。

 

二. 容灾设计

 

1. 数据容灾

 

Hadoop分布式文件系统(HDFS)将每一个文件的数据进行分块存储，同时每一个数据块又保存有多个副本(系统默认为每一个数据块存放3个副本),尽量保证这些数据块副本分布在不同的机架之上（在大多数情况下，副本系数是3，HDFS的存放策略是将一个副本存放在本地机架节点上，一个副本存放在同一个机架的另一个节点上，最后一个副本放在不同机架的节点上）。

 

HDFS会定期扫描数据副本，若发现数据副本发生丢失，则会快速的进行数据的复制以保证副本的数量。若发现节点丢失，则节点上的所有数据也会快速的进行复制恢复。在阿里云上，如果是使用云盘的技术，则在后台每一个云盘都会对应三个数据副本，当其中的任何一个出现问题时，副本数据都会自动进行切换并恢复，以保证数据的可靠性。

 

Hadoop HDFS是一个经历了长时间考验且具有高可靠性的数据存储系统，已经能够实现海量数据的高可靠性存储。同时基于云上的特性，也可以在OSS等服务上进行数据的额外备份，来达到更高的数据可靠性。

 

2. 服务容灾

 

Hadoop的核心组件都会进行HA的部署，即有至少2个节点的服务互备，如YARN，HDFS，Hive Server，Hive Meta，以保证在任何时候，其中任何一个服务节点挂掉时，当前的服务节点都能自动的进行切换，保证服务不会受到影响。