1.4 论文组织结构

本文基于云计算平台hadoop研究电商用户行为，论文主体分为六章，具体内容安排如下：

第一章，主要介绍本课题的研究背景，包括大数据时代的挑战和机遇，并根据现有的问题，提出基于hadoop研究用户行为的课题，介绍了大数据hadoop框架的基本架构，并介绍国内外企业和学者对于用户行为的研究现状，最后介绍了本文的主要工作与组织结构。

第二章，主要介绍了大数据云平台hadoop的分布式机制，并且详细介绍了HDFS、MapReduce、Flume、HBase、Hive、Sqoop、Oozie这些hadoop生态圈的框架，及其运行机制，为本文后面的架构设计和研究做铺垫。

第三章，对于高可用的集群进行设计和搭建，完成Centos6.6+Hadoop2.5.0+Hbase 0.98.6+Hive0.13.1+Sqoop1.4.5+Mysql5.6的集群设计。

第四章，提出基于MapReduce的分布式中文分词算法，并对分词后的数据进行深入的处理，设计Hive分区表结构，并将数据分析结果分别存放在Hive分区表中。

第五章，针对数据分析结果，设计分布式数据迁移框架，把分析结果从HDFS中导出到Mysql对应的结果表中。设计结果展示框架，基于Mysql+jdbc+http+Ajax开发web界面的结果展示图，全面展示分析结果。

第六章，总结和展望，主要是总结了本文的工作，同时对于后期进一步改进提出了展望。

2 大数据技术HADOOP的研究

上一章简要介绍了hadoop框架的总体结构，随着全球开发者人员的贡献，hadoop生态圈包含的内容也越来越丰富。其包含Flume,Hive,Sqoop,HBase,impala,pig,mahout,  zookeeper,oozie等子框架。其中HDFS类似于Google的GFS分布式文件系统，但性能优于GFS文件系统，其根本就是一个文件存储系统。MapReduce类似于Google的Map-Reduce分布式计算模型。HBase非关系型数据库类似于Google的BigTable数据库。Flume是一个服务器数据采集或者数据迁移框架，负责把所需的数据传输到HDFS或者其他分布式文件系统中。Hive其实际是一个数据仓库，负责对建立于HDFS上的表进行数据分析和数据挖掘。Sqoop是一个通用型的数据迁移工具，通过设定传统型数据库的链接地址，账号密码，库名就能够实现HDFS和传统型数据库之间的数据传输。impala类似于Hive角色，是新一代的数据挖掘工具，其性能单节点情况优于Hive10倍，集群情况优于Hive100倍。mahout是基于MapReduce开发的机器学习框架，包含了基本的分类，聚类机器学习算法。zookeeper是负责hadoop所有节点的负载均衡[18]。Oozie负责分布式计算的任务调度，包括调度MapReduce、pig、Hive的调度。下面章节，将详细介绍各个子框架的结构和运行机制。

2.1 分布式存储HDFS

Hadoop FileSystem（HDFS）是基于谷歌GFS进行改进开发的框架，HDFS能够搭建于任何普通硬件上。HDFS跟其它的底层分布式存储系统相比拥有以下几个优点：

（1）HDFS是通过读取主节点元数据信息，通过元数据信息寻找到数据块所在的位置，从而再次去子节点位置读取文件内容，这样子能够达到更高效率的写入和读取效率。

（2）HDFS能够很好的将数据负载均衡分布在集群的各个机器中，因此理论上，无论多大的数据都能完整的存放。

（3）HDFS能够保证数据的可靠性，其主动备份3份或以上的数据，并且能够实时监测每一个节点的运行情况，当某一个子节点宕机后能够很快的察觉并进行数据迁移和从新备份。

（4）HDFS设计之初就是作为分布式存储，而MapReduce设计初衷也是作为分布式计算，所以HDFS和MapReduce能够很好的结合在一起，完成分布式存储和分布式计算的任务。