HBase互聯(lián)網(wǎng)電視論文
1整體架構(gòu)
1.1Hbase原有系統(tǒng)架構(gòu)
HBase是ApacheHadoop的數(shù)據(jù)庫(kù)，能夠?qū)Υ笮蛿?shù)據(jù)提供隨機(jī)、實(shí)時(shí)的讀寫(xiě)訪問(wèn)。HBase的目標(biāo)是存儲(chǔ)并處理大型的數(shù)據(jù)。HBase是一個(gè)開(kāi)源的、分布式的、多版本的、面向列的存儲(chǔ)模型，它存儲(chǔ)的是松散型數(shù)據(jù)。相比傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)，HBase具有易擴(kuò)展、大數(shù)量、擴(kuò)展靈活、成本低等優(yōu)勢(shì)。
1.2OTT用戶行為數(shù)據(jù)系統(tǒng)架構(gòu)圖
在OTT體系中，每個(gè)機(jī)頂盒終端就是一個(gè)用戶，有唯一的用戶標(biāo)識(shí)UserID；用戶通過(guò)機(jī)頂盒來(lái)訪問(wèn)和使用互聯(lián)網(wǎng)電視業(yè)務(wù)，用戶在盒端系統(tǒng)上產(chǎn)生的所有行為日志都上傳給系統(tǒng)平臺(tái)（OpenApi），由系統(tǒng)平臺(tái)進(jìn)行數(shù)據(jù)的處理后進(jìn)行入庫(kù)，供經(jīng)分系統(tǒng)進(jìn)行單用戶或批量用戶的查詢。
2數(shù)據(jù)結(jié)構(gòu)
2.1數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)
Hbase底層是基于列式存儲(chǔ)的，可以在不浪費(fèi)存儲(chǔ)空間的情況下將表設(shè)計(jì)得非常稀疏。因此可以將所有的用戶行為數(shù)據(jù)存儲(chǔ)在一張寬的表中，消除在進(jìn)行“行為間組合查詢條件”查詢時(shí)帶來(lái)的表聯(lián)開(kāi)銷。由于Hbase目前并不能很好的處理兩個(gè)或者三個(gè)以上的列族，本場(chǎng)景中采用單列族設(shè)計(jì)，列族的大版本數(shù)（MaxVersion）設(shè)定為1。想要獲得較好的查詢效率，應(yīng)該將頻繁查詢的條件放在RowKey中，盡量保證查詢條件都在RowKey中有所體現(xiàn)。從圖3可以看出Hbase的查詢效率從高到低依次為RowKey、ColumnFamily、ColumnQualifier、TimeStamp和Value。因此想要獲得較好的查詢效率，應(yīng)該將頻繁查詢的條件放在RowKey中，盡量保證查詢條件都在RowKey中有所體現(xiàn)。本應(yīng)用場(chǎng)景中，需要頻繁查詢的條件依次為用戶身份標(biāo)識(shí)（userID）、行為發(fā)生時(shí)間、行為類型和行為類型所包含的字段及其屬性值。根據(jù)查詢條件的頻繁度，可將RowKey設(shè)計(jì)成userID、行為發(fā)生時(shí)間和用戶行為ID的組合。同時(shí)考慮到RowKey的散列性，Key設(shè)計(jì)方案為：反轉(zhuǎn)userID+“，”+行為發(fā)生日期+“，”+用戶行為ID。由于單個(gè)用戶在特定的某一天，相同的行為類型可以發(fā)生多次（例如123456789用戶在2013年9月1日這一天可以發(fā)生多次播放行為），如果采用真實(shí)的字段名稱作為列名，后來(lái)寫(xiě)入的數(shù)據(jù)會(huì)把前面寫(xiě)入的數(shù)據(jù)覆蓋掉。為了保證數(shù)據(jù)的完整性，需要在原有字段名的后面加上一個(gè)當(dāng)天唯一的列ID以作區(qū)分。列ID僅僅為了保證數(shù)據(jù)的完整性，無(wú)任何實(shí)際意義，可以是一個(gè)從0開(kāi)始依次遞增的數(shù)字序列。
2.2數(shù)據(jù)格式
源數(shù)據(jù)部分表示由平臺(tái)產(chǎn)生的原始日志，自定義部分表示源數(shù)據(jù)經(jīng)過(guò)人工處理后的擴(kuò)展屬性，行為ID為人為定義，列ID為人工生成的標(biāo)識(shí)ID。列ID在一天內(nèi)的.同一個(gè)行為日志中具有唯一性。由反轉(zhuǎn)userID和用戶行為發(fā)生的日期以及用戶行為ID組成RowKey，由真實(shí)的列名加上列ID組成Hbase里面的列名。
3數(shù)據(jù)處理
源數(shù)據(jù)入庫(kù)過(guò)程分為2個(gè)步驟，源數(shù)據(jù)處理和并行入庫(kù)。源數(shù)據(jù)處理部分進(jìn)行源數(shù)據(jù)整理，包括日志的清洗，RowKey和列ID的生成。并行入庫(kù)過(guò)程將處理好的源數(shù)據(jù)以MapReduce方式將源數(shù)據(jù)導(dǎo)入到Hbase中。
3.1數(shù)據(jù)入庫(kù)
源數(shù)據(jù)處理過(guò)程負(fù)責(zé)進(jìn)行數(shù)據(jù)清洗及RowKey和列ID的生成，并將生成好的數(shù)據(jù)文件拷貝到HDFS中。一種列ID的設(shè)計(jì)方案是將列ID設(shè)定為一個(gè)從0開(kāi)始依次遞增的數(shù)字序列，此ID使得同一天內(nèi)，同一種用戶行為類型的每一條數(shù)據(jù)都具有唯一標(biāo)識(shí)。以表1中模擬的播放日志數(shù)據(jù)為例。并行入庫(kù)部分負(fù)責(zé)將處理好的源數(shù)據(jù)以MapReduce方式從HDFS導(dǎo)入到Hbase中。此方式通過(guò)讀取HDFS上的文件，以Put的方式在Map過(guò)程中完成數(shù)據(jù)寫(xiě)入，無(wú)Reduce過(guò)程。
3.2數(shù)據(jù)查詢
進(jìn)行用戶行為軌跡查詢時(shí)需要輸入userID的集合、用戶行為發(fā)生的時(shí)間區(qū)間和行為類型信息這3個(gè)參數(shù)。這3個(gè)參數(shù)限定了查詢的范圍，即指定用戶在指定時(shí)間內(nèi)發(fā)生的指定行為。通過(guò)解析userID參數(shù)可以得到RowKey的前綴部分；解析用戶行為發(fā)生的時(shí)間區(qū)間參數(shù)可以得到RowKey的中間部分；解析行為類型參數(shù)可以得到RowKey的后綴部分和各行為查詢所需要的字段。組成RowKey的全部參數(shù)集合都確定后，可以通過(guò)迭代將查詢所涉及到的RowKey全部窮舉出來(lái)，生成Get對(duì)象的列表，進(jìn)行批量提交。在生成Get對(duì)象的時(shí)候，可以調(diào)用多重列前綴過(guò)濾器（MultipleColumnPrefixFilter），使查詢結(jié)果只包含所需字段，提高查詢效率。
3.2.1單用戶查詢
查詢數(shù)據(jù)時(shí)，根據(jù)上文提到的查詢邏輯，將生成的Get的列表一次性提交，獲取查詢結(jié)果。由于Hbase的設(shè)計(jì)是基于列的，想要使查詢結(jié)果按行顯示，還需進(jìn)行查詢結(jié)果的解析。同時(shí)，部分在HBase中無(wú)法實(shí)現(xiàn)的數(shù)據(jù)篩選功能如“行為間組合查詢條件”、值過(guò)濾等，可在此時(shí)通過(guò)編程語(yǔ)言靈活實(shí)現(xiàn)。遍歷結(jié)果進(jìn)行解析時(shí)，可以生成一個(gè)哈希表resultMap、resultMap的key為列ID、value為真實(shí)字段名的字符串組合。在遍歷中可以根據(jù)列ID將真實(shí)字段名所對(duì)應(yīng)的查詢值替換哈希表中value的值。遍歷完成后對(duì)resultMap的值集合進(jìn)行排序，排序結(jié)果即為用戶的行為軌跡。此方法僅需對(duì)查詢結(jié)果進(jìn)行一次遍歷即可完成解析。
3.2.2批量用戶查詢
批量用戶查詢時(shí)采用MapReduce方式提交查詢、解析查詢結(jié)果。由于Hbase官方提供的MapReduce接口InputFormat（TableInputFormat）只支持Scan方式來(lái)獲取數(shù)據(jù)，并不適用Get方式。因此實(shí)現(xiàn)批量用戶行為軌跡的分布式提取和解析，需要自定義3個(gè)類，即PrefixInputFormat（繼承自InputFormat）、PrefixSplit（繼承自InputSplit）和PrefixRecordReader（繼承自RecordReader）。自定義這3個(gè)類的目的在于將輸入的userID參數(shù)（包含RowKey前綴信息）、日期區(qū)間參數(shù)（包含RowKey中間部分信息）和用戶行為類型參數(shù)（包含RowKey的后綴信息和查詢所需的列）傳入到PrefixInputFormat中，在PrefixInputFormat根據(jù)每個(gè)userID所在的Region將其分配到不同的PrefixSplit上，在PrefixRecordReader中根據(jù)PrefixSplit傳入的參數(shù)信息完成RowKey的組裝和Get列表的生成，并將Get列表作為VALUEIN傳遞給Mapper進(jìn)行查詢和解析。
4性能對(duì)比
測(cè)試數(shù)據(jù)：天翼視訊9月1日到10日之間10d的登陸、播放、訪問(wèn)和訂購(gòu)數(shù)據(jù)，總計(jì)條數(shù)約1億條，日志文件總大小21G；任務(wù)描述：找出在9月1日到9月10日這段時(shí)間內(nèi)輸入用戶集合中同時(shí)發(fā)生播放、訂購(gòu)、訪問(wèn)、登陸4種行為的活躍用戶，并提取這部分用戶在這段時(shí)間內(nèi)的用戶行為軌跡。
5結(jié)論
本文通過(guò)對(duì)HBase數(shù)據(jù)架構(gòu)及數(shù)據(jù)字段設(shè)計(jì)的分析，設(shè)計(jì)了基于互聯(lián)網(wǎng)電視用戶行為分析的數(shù)據(jù)系統(tǒng)模型和數(shù)據(jù)庫(kù)表結(jié)構(gòu)。經(jīng)過(guò)實(shí)際測(cè)試發(fā)現(xiàn)，在提取用戶行為軌跡的數(shù)據(jù)分析時(shí)，HBase與傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)相比，在讀寫(xiě)性能上均具有明顯優(yōu)勢(shì)。伴隨互聯(lián)網(wǎng)電視業(yè)務(wù)發(fā)展和用戶行為數(shù)據(jù)量的增加，對(duì)用戶行為數(shù)據(jù)的查詢及分析顯得尤為重要目前,在對(duì)普通的互聯(lián)網(wǎng)電視用戶的盒端對(duì)用戶行為數(shù)據(jù)的采集方面還不夠完善，還需要繼續(xù)完善補(bǔ)充用戶行為字段，優(yōu)化完善基于HBase數(shù)據(jù)字段及數(shù)據(jù)庫(kù)結(jié)構(gòu)，建立數(shù)據(jù)挖掘模型，通過(guò)對(duì)用戶行為數(shù)據(jù)的深層次挖掘分析來(lái)優(yōu)化完善業(yè)務(wù)和產(chǎn)品，為互聯(lián)網(wǎng)電視業(yè)務(wù)在新疆兵團(tuán)的持續(xù)優(yōu)化發(fā)展和運(yùn)營(yíng)分析提供決策支持。
【HBase互聯(lián)網(wǎng)電視論文】相關(guān)文章：
1.數(shù)字電視與互聯(lián)網(wǎng)電視論文
2.數(shù)字版權(quán)管理互聯(lián)網(wǎng)電視論文
3.業(yè)務(wù)思考互聯(lián)網(wǎng)電視的論文
5.互聯(lián)網(wǎng)電視的功能與現(xiàn)狀探析論文
6.互聯(lián)網(wǎng)電視提升用戶感知方法探析論文