基于HadooP的交通物流数据仓库构建技术研究

赵继新

摘要：随着社会经济的高速发展，交通物流行业对交通数据存储、管理和分析的要求越来越高。文章在对比Hadoop与MPP等技术的基础上，基于对MapReduce并行计算、HDFS分布式文件系统、数仓工具Hive和Sqoop采集组件等架构的分析，研究了Hadoop交通物流数据仓库的构建技术，建设了交通物流数据仓库，实现了海量交通物流数据文件的元数据管理、分布式存储和交通物流数据查询。经测试验证：利用交通物流数据仓库进行大型交通物流数据文件的存储和操作时，能有效提高数据吞吐率及其读写效率。

关键词：交通物流数据;数据仓库;Hadoop

中图分类号：U492.3 文献标识码：A DOI：10.13282/j.cnki.wccst.2019.10.045

文章编号：1673-4874（2019）10-0162-04

0引言

随着交通物流现代化水平的提高、业务体系的发展和信息化能力的增强，已逐步累积了海量、多源、动态、异构的交通物流信息资料，全量交通物流数据所蕴含的信息非常丰富。如何将如此海量异构的信息资源进行有效利用，是现阶段交通物流管理部’刁的迫切需要。

传统的交通物流数据库是基于关系型数据库开发的，不管是否采用分布式架构，都无法实现对交通物流海量异构数据的高效处理。而Hadoop集群技术能够为海量、异构的交通物流数据提供高效的数据存储、筛选、加工和分析挖掘，其分布式的系统基础架构，可以通过增加Hadoop数据节点提高系统处理的容量，且对部署的硬件设备性能要求不高，能够有效節约存储成本。

本文基于Hadoop分布式系统架构，设计并实现了支持海量、异构的交通物流数据仓库.Hadoop集群可以方便地扩充存储容量，分布式计算可以高效地处理数据，基于Hive可以便捷地管理元数据，完全满足了海量交通物流数据存储管理和分析应用的实际要求。

1交通物流数据仓库构建方法

针对交通物流数据存储管理和分析的实际需要，对MPP和Hadoop两种技术进行系统的分析和比较。

1.1 MPP技术

MPP（Massivel parallel processing）是面向结构化的数据进行处理和设计的数据库管理系统，是一种大规模并行处理数据库。该系统中的每个节点CPU均无法对另一节点内存进行直接访问，节点之间通过互联网络来实现信息的交互。基于共享资源架构，易于实现资源的水平扩展。该数据库具有统一的SQL接口，适用于结构化数据的复杂查询、深度分析及自主分析类应用。

MPP数据库在灵活查询、复杂关联汇总、深度分析等方面性能出众，适合交通物流数据中心场景中的数据挖掘、自助分析、数据关联等复杂逻辑加工场景，但是MPP数据库在大规模数据及半结构化、非结构化数据处理方面性能会下降，无法满足交通物流中的多源异构数据的应用场景需要。

1.2Hadoop技术

Hadoop是一个开源的分布式计算架构，由Apache基金会开发，核心部件包括两部分：分布式文件系统HDFS和分布式数据处理MapReduce。HDFS既可以支持结构化数据，也可以支持半/非结构化数据，能够存储、查询和分析所需的数据，文件按照块进行划分存储在多台机器上，并通过副本的方式保证高可用;MapReduce通过Map的方式将计算任务扩展到多台机器上，进而通过Reduce的方式将多个节点上的结果进行合并。

Hadoop基于HDFS及MapReduce之上的SQLon Hadoop组件Hive，通过定义类SQL语言，可以大幅简化SQL用户进行数据查询的过程。Hive查询操作的过程必须严格遵循Hadoop MaCReduce的作业执行模型，用户的Hive SQL语句通过解释器能够转换成MapReduce作业，并提交到Hadoop集群，Hadoop对作业执行过程进行监控，并将作业执行结果返回用户。

在Hadoop架构中，Hive只能用于结构化数据，而更底层的MaCReduce可用于结构化与非结构化数据。在调优、性能方面，Hive不如MapReduce，尤其是MapReduce可以针对性地对某些应用进行算法优化。此外，Hive还具备类SQL语言实验的机制，可以大幅提高开发人员工效，并降低工作量。

1.3 对比分析

由于MPP与Hadoop分别采用了不同的理论依据和技术路线，虽同属分布式计算，但各自的优缺点及适用范围不同。Hadoop具有对非结构化和半结构化数据的处理优势，适用于海量数据的批量化处理。而MPP适合进行大数据的高效处理，能有效替代现有的关系数据库，但其可用性在大规模集群数据下会降低。MPP适用于数据集市和多维数据分析等，Hadoop则更适用于批量数据ETL及海量数据查询存储等。

交通物流数据往往呈现多源、异构及海量等特征，除了结构化的业务数据还包含各类半结构化、非结构化的GIS数据、影像数据及视频流媒体数据等，在分析多源异构的海量交通物流数据时，需要联合结构化与半/非结构化数据一起分析。因此，通过综合比较与对比分析，本文采用Hadoop集群技术构建交通物流数据仓库。

2 交通物流数据仓库设计与实现

本文基于Hadoop分布式架构进行交通物流数据仓库的设计，目标是实现海量交通物流数据的分布式存储，以满足交通物流管理部门对交通物流数据的备份、恢复、管理、存储和共享等各项需求。

交通物流数据仓库体系结构由集群上的HDFS分布式存储、YARN资源调度、Sqoop数据采集、Ma-pReduce并行计算及Hive数据访司组件组成。基于不同的数据源，收集并汇聚到统一的数据仓库，由数据仓库来高效集中地进行存储和管理，并为交通云提供数据基础和分析、挖掘及预报预测等支持和服务。

2.1交通物流分布式文件存储设计与实现

HDFS（Hadoop Distributed File System，基于Ha-doop的文件系统）可以进行分布式计算，其容错性能好、数据吞吐率高、易于部署实施，非常适用于信息量大、且读写频繁的交通物流数据存储。

集群中主控管理层里有一个交通物流主控节点（NameNode），存储层有4个数据节点（DataNode）。主控节点主要负责文件系统命名空间（NameSpace）的维护、协调客户端文件访司、记录命名空间内的改动及命名空间的属性变化。数据节点主要负责进行其物理节点的存储管理。

数据仓库中的物流数据采用“一次写入、多次读取”的方式，通常以64MB规格切分为不同的数据块（Block），并尽量将每个数据块分散存储到不同的数据节点，同时完成多重备份，确保任意节点的故障都不会对数据的可操作性与完整性产生影响。数据仓库在执行作业的过程中，会将MapReduce的每个作业处理结果直接写入数据仓库文件系统。执行作业时，基于HDFS的容错性能，若某节点出现故障，则只需重新调度执行该节点的任务即可，无需重新提交查询。

2.2 交通物流数据MapReduce任务设计与实现

在本文建设的物流数据仓库中，元数据管理和海量数据处理采用了基于Hadoop的开源数据工具Hive。海量的物流数据直接存储在HDFS中，利用类SOL语言进行自动化处理和存儲管理。按分布式存储的方式在HDFS中对物流数据进行物理存储，利用Hive转换和解析元数据，形成一系列MapReduce任务，最后通过这些任务的执行来完成数据处理。

基于Hive提供的数据存储与处理机制，能够把物流数据的元数据和日志映射为表结构，并形成Ma-pReduce任务，从而完成数据和日志的处理。基于浏览器端的Hive接口，能大幅降低MapReduce作业难度，从而节省数据开发工作量。

通过分离简化管理元数据等，各数据节点可以直接访司并具有计算性能，从而达到数据共享和高性能分析的要求。元数据是数据质量、内容、条件等数据的数据，是数据质量水平和来源的描述，也是数据适用范围及可信度的判别依据。Hive完成了Hadoop与关系数据库的结合，由MapReduce完成数据转换与装载等，由关系型数据库来管理元数据并进行密集型任务的查询。

3 交通物流数据仓库数据性能分析

本文基于已设计构建的数据仓库，利用已汇聚的5.8亿条实际交通物流信息数据，进行数据仓库的性能分析。数据包含每一辆通过高速公路收费站的车辆相关收费信息，包括车牌号、入站口及入站时间、出站口及出站时间、实收金额等信息，其关系示意如图1所示。基于同一数据集，分别在Hadoop平台以及SQL Server上完成数据采集、数据查询、数据转换以及数据导出的测试，比较其性能。

基于Hadoop架构的交通物流数据仓库中的Sqoop数据采集组件，能够解决Hadoop和关系型数据库之间的数据传递，基于Sqoop组件能快速实现关系型数据库和HDFS之间的数据导入与导出。Sqoop数据采集组件是采用MapReduce任务的形式分布式并行进行的。在Hadoop平台上使用Sqoop组件对数据进行采集，测试结果如表1所示。

实验中，基于Hadoop和Hive进行数据组合训练后，复制到MapReduce上，再把测试数据集的文件映射为数据库表，并提供完成的类SQL查询功能，可以将Hive转换为MapReduce任务执行。对测试数据集进行Hive查询操作，结果如表2所示。

在数据转换测试中，使用类SQL的Hive脚本进行Group By操作，统计每天的收费金额，其结果如表3所示。

本实验主要目的在于测试基于Hadoop架构的交通物流数据仓库在不同数据量下系统的采集、转换和导出功能的性能。

在相同的实验环境下SQL Server在执行5.8亿条数据转换脚本时，经过3h的运算，最终由于内存溢出而导致脚本执行失败。在Hadoop集群中计算相同数据，仅耗时29min13S便完成转换任务。由此可见大数据平台在此数据量下的计算能力优于传统数据库。

在实验过程中，基于Hadoop的交通物流数据仓库资源占用率不到80%。本次实验环境使用的交换机设备为H3C S1208和H3C$5130-28S-SI，实验数据持续2h不间断地向HDFS文件系统中写入数据，在写入的过程中，测试数据集流量达到网络链路承载上限，即占满整个千兆以太网链路，平均速率为154.59Mbps，在满负荷的情况下，仍能以最快速度完成此任务，性能表现良好。

4 结语

本文对构建交通物流数据仓库的必要性和重要性进行了系统阐述，分析对比了Hadoop与MPP两种技术构建交通物流数据仓库的优劣性，通过利用Ha-doop集群技术在海量异构数据处理性能上的优势，设计架构完成了交通物流信息的数据仓库，并利用实际物流数据对其性能进行分析评测。实践证明，该数据仓库能够对海量交通物流数据进行分布式存储、分布式处理、元数据管理和备份，具有优越的容错性和安全性，任何一个或几个节点出现故障，都不会对整个系统集数据造成较大影响，其综合性能具有明显优势。此外，集群节点均为普通计算机，其成本低廉，且易于架构实现。