張學偉

摘要：隨著互聯(lián)網(wǎng)及大數(shù)據(jù)時代的到來，新數(shù)據(jù)的產(chǎn)生以指數(shù)級的速度增長，而這大量的數(shù)據(jù)中，又以格式不確定的非結(jié)構(gòu)化數(shù)據(jù)為主。主流的關(guān)系型數(shù)據(jù)庫技術(shù)很難駕馭非結(jié)構(gòu)化數(shù)據(jù)，本文提出基于Hadoop分布式框架的非結(jié)構(gòu)化數(shù)據(jù)管理體系。采用HBase數(shù)據(jù)庫技術(shù)處理多格式的大量小文件，利用Lucene檢索引擎設計全文檢索策略，并在此基礎(chǔ)上搭建分層體系架構(gòu)。

關(guān)鍵詞：Hadoop；非結(jié)構(gòu)化數(shù)據(jù)；Lucene

中圖分類號：TP311 文獻標識碼：A 文章編號：1007-9416（2017）05-0054-01

1 引言

在油田開發(fā)過程中，積累了大量的信息數(shù)據(jù)，包括辦公文檔、地震數(shù)據(jù)、方案文檔及各種圖件等非結(jié)構(gòu)化的數(shù)據(jù)。將這些數(shù)據(jù)進行妥善的存儲和管理，進一步挖掘數(shù)據(jù)價值對油田的可持續(xù)發(fā)展有著重要意義。

2 Hadoop環(huán)境下的文檔存儲技術(shù)

2.1 數(shù)據(jù)庫技術(shù)對比分析

以Oracle為代表的傳統(tǒng)關(guān)系型數(shù)據(jù)庫能夠?qū)Y(jié)構(gòu)化數(shù)據(jù)進行很好的管理，也可以通過二進制大對象（BLOB）作為容器來存儲非結(jié)構(gòu)化數(shù)據(jù)。Oracle在管理與檢索非結(jié)構(gòu)化數(shù)據(jù)時，需要額外的處理能力和內(nèi)存才能獲得與文件系統(tǒng)存儲非結(jié)構(gòu)化數(shù)據(jù)同樣的性能。

由于對硬件性能的高要求，就使得許多針對非結(jié)構(gòu)化數(shù)據(jù)的存儲方案誕生，其中以開源的Hadoop分布式計算框架為代表。

Hadoop采用流式數(shù)據(jù)訪問模式，并使用主/從架構(gòu)模式，通過多數(shù)據(jù)副本保存和分布式處理，保證了Hadoop能夠以可靠、高效、可伸縮的方式存儲處理數(shù)據(jù)。

Hadoop是為存儲大文件設計的，在處理大量小文件時，每個小文件都以對象的形式存儲在元數(shù)據(jù)節(jié)點內(nèi)存中，大量小文件會占用大量內(nèi)存，這樣元數(shù)據(jù)節(jié)點的內(nèi)存容量會嚴重制約集群的擴展；Hadoop以流式訪問大量小文件時，需要頻繁請求數(shù)據(jù)節(jié)點以獲取文件，嚴重影響元數(shù)據(jù)節(jié)點和數(shù)據(jù)節(jié)點的IO性能。

HBase是Hadoop中帶有的分布式的、面向列的開源數(shù)據(jù)庫。使用HBase存儲非結(jié)構(gòu)化數(shù)據(jù)，具有系統(tǒng)層小文件打包、全局命名空間等多種優(yōu)勢。

2.2 Oracle和HBase效率比較

仿照Oracle文檔存儲結(jié)構(gòu)，設計HBase表行鍵結(jié)構(gòu)，其中以文檔代碼為行鍵，錄入時間為時間戳，列簇包括項目名稱、文檔名稱、最后更改時間、文檔內(nèi)容、用戶名稱等，列簇字段可后期根據(jù)需要添加，保證了表格的擴展性。

使用Java語言接口分別連接Hbase數(shù)據(jù)庫及Oracle數(shù)據(jù)庫，在相同實驗環(huán)境下，對文檔上傳下載效率進行測試。上傳20個共130M的文檔文件， Oracle耗時330秒，HBase耗時19秒；下載同樣大小文檔，Oracle耗時42秒，HBase耗時14秒。通過對比得知，使用HBase存儲非結(jié)構(gòu)化數(shù)據(jù)，文件吞吐效率明顯高于傳統(tǒng)數(shù)據(jù)庫。

3 全文檢索引擎Lucene

Lucene是一套開源的全文搜索框架。非結(jié)構(gòu)化數(shù)據(jù)入庫前需要先對文檔進行分詞處理，之后Lucene通過全文掃描，將解析出來的信息寫入索引庫，主要包括：文件名稱、全文本內(nèi)容、文檔時間、文檔大小、文檔頁數(shù)等。當用戶查詢時，Lucene根據(jù)建立的索引內(nèi)容進行查找，并將索引庫的匹配內(nèi)容返回，類似于字典查字的使用過程。

4 體系架構(gòu)搭建

以HBase存儲為基礎(chǔ)，結(jié)合Lucene全文檢索引擎設計基于Hadoop的非結(jié)構(gòu)化數(shù)據(jù)管理系統(tǒng)。同時為保證與企業(yè)現(xiàn)有的管理系統(tǒng)集成，采用三層架構(gòu)，通過訪問接口和功能模塊均能訪問底層數(shù)據(jù)。架構(gòu)圖如下圖1所示。

存儲層使用Oracle存儲結(jié)構(gòu)化數(shù)據(jù)，Hbase存儲非結(jié)構(gòu)化數(shù)據(jù)，Lucene存儲非結(jié)構(gòu)化數(shù)據(jù)索引。HBase的行操作遵從事務處理模式，確保庫中數(shù)據(jù)的完整性。同時提供雙機熱備解決方案，當服務器宕機時，其服務和數(shù)據(jù)可以迅速、完整、無縫的使用備份服務器運行。

接口層定義了標準數(shù)據(jù)處理接口，方便各模塊調(diào)用，并能為不同系統(tǒng)提供文件數(shù)據(jù)處理、目錄管理、組合查詢、訪問控制、站內(nèi)消息等可復用功能。

按照統(tǒng)一開發(fā)標準，設計可擴展、可復用的模塊資源中心，提供包括文件上傳、下載、預覽、刪除等14個功能模塊，并且各模塊間松耦合，方便不用系統(tǒng)服務間調(diào)用。

5 結(jié)語

隨著油田信息化工作的不斷深入，企業(yè)對不同專業(yè)的綜合應用要求也在不斷提高。本文在對比分析傳統(tǒng)數(shù)據(jù)庫與Hadoop分布式存儲系統(tǒng)的優(yōu)劣后，提出基于HBase和Lucene的完整數(shù)據(jù)管理體系，實現(xiàn)文件儲存管理、全庫智能檢索等核心功能。endprint