騰訊搜搜日志分析語言LP的設計與實現(xiàn).pdf

1、隨著互聯(lián)網的使用人數(shù)和網絡應用的不斷增多,全球互聯(lián)網在技術方面一直在向云計算方向不斷發(fā)展。云計算的興起,究其原因,在于互聯(lián)網數(shù)據量的高速增長?，F(xiàn)在整個互聯(lián)網每年產生的數(shù)據量是在8億TB左右,如何能夠快速的處理和分析這些數(shù)據成為互聯(lián)網企業(yè)生存的關鍵。
　　搜索引擎作為使用人數(shù)最多的互聯(lián)網應用,其后臺服務代碼產生的日志數(shù)據是海量的。日志數(shù)據通常是半結構化的文本行,是一種平面的正則結構。只有將半結構化的數(shù)據轉化為結構化的數(shù)據,并存儲在分

2、布式存儲系統(tǒng)(如騰訊的XFS)或者數(shù)據庫系統(tǒng)(如騰訊的XCUBE)中,才能夠保證數(shù)據倉庫中的數(shù)據質量,這些數(shù)據才能夠變?yōu)檎嬲捎煤陀杏玫臄?shù)據,從而更好的支持數(shù)據挖掘。
　　本文主要研究如何設計一種編程語言,也就是腳本語言,這種語言能夠將日志ETL(Extract、TransformandLoad)化中的日志分析工作更加簡單化和高效化,避免繁瑣的轉換代碼的編寫,降低代碼的維護成本。同時考慮到海量數(shù)據的分布式處理,能夠在數(shù)據量不斷增大

3、的情況下,僅僅通過平行地增加機器,不改動ETL代碼而達到擴容的目的。
　　語言LP(LogParser)是一門DSL(Domain-SpecificLanguage)語言。LP設計的目標包括以下幾個方面:
　　(1)支持基本的語言特性:包括詞法、語法以及語義的設計和實現(xiàn);語言插件庫的動態(tài)加載;以及代碼的優(yōu)化。LP語言將專注于日志數(shù)據的抽取,轉換和清洗。
　　(2)提供ETL功能的庫函數(shù)的設計和實現(xiàn),專注于庫函數(shù)的高效設