eBay使用Hadoop和HBase成功构建下一代搜索

robin

eBay在Hadoop世界（Hadoop World)大会的主题演讲中展示了一种全新的搜索引擎Cassini的架构，该引擎预计在2012年上线。它对所有的内容和用户的元数据进行索引来得到更好的排名，并每小时刷新索引。它使用Apache Hadoop来支持每小时进行的索引更新，使用Apache HBase对随机存取信息提供支持。Hugh E. Williams（eBay交易市场的搜索平台和体验部门的副总裁）发表了演讲，介绍了项目的规模、使用的技术和完全重建eBay核心站点搜索过程中得到的经验。这次重建工作由100多位工程师耗时18个月完成。新Cassini平台将能支持：

9700万活动的买家和卖家
每天2.5亿次查询
2亿多件商品和5万多种分类
eBay已经在Hadoop和Teredata[1]集群存储了9PB用来做分析的数据，但这将是生产环境里提供给用户直接使用第一个应用。新系统将会比当前的系统（Galileo）规模更大：
老系统: Galileo新系统: Cassini
10个排名因子100个排名因子
默认只匹配标题默认使用所有字段匹配
上线、监测、修复需要人工干预上线、监测、修复不需要人工干预

Cassini将保留90天的历史数据在线——按照目前的规模是10亿条数据记录，包括用来做排名的用户和行为数据。支持搜索系统所需的大部分工作是由每小时在Hadoop上运行的批处理作业完成的。各种不同索引将在同一集群中生成（对Galileo的一项改进）。Hadoop环境使eBay能够恢复或重新分类整个站点的库存，这是一项重大改进。

记录存储在HBase里，通常在每个小时索引更新的时候进行扫描。当一条新的记录上线，几分钟内就能从HBase里进行查询，并被加入实时索引里。HBase还支持批量和增量写操作和快速读写记录注释。

Williams提到，团队熟悉Hadoop的运维，系统运行很稳定，基本没出什么问题。与此相反，他指出HBase似乎很难驾驭。Williams表示eBay仍然致力于使用该技术，向社区提交发现的问题的补丁。在过去的两个星期里，事情已经顺利很多了。团队对于使用HBase还是新手，在测试规模的时候遇到一些问题：
* 产品集群的负载配置
* 硬件问题
* 稳定性：不稳定的区域服务器，不稳定的主服务器，在切换的时候区域服务被堵塞
* 监控HBase的健康：往往直到问题影响到线上服务的时候才被发现，尽管团队已经加入大量的监控装置
* 管理多步MapReduce作业

总体来说，Williams觉得项目虽然宏大，但是目前进展顺利，团队已经使用Hadoop和HBase构建出一种显著改善的搜索体验。[size=large]