小紅書將業(yè)界最大數(shù)據(jù)湖遷至阿里云

記者獲悉，經(jīng)過一年奮戰(zhàn)，小紅書已把業(yè)界體量最大的數(shù)據(jù)湖0故障遷上阿里云。據(jù)統(tǒng)計(jì)，該項(xiàng)目共有1500人參與，遷移數(shù)據(jù)500PB。

作為中國頭部互聯(lián)網(wǎng)公司之一，小紅書月活已過3億，其數(shù)據(jù)湖存儲(chǔ)了過去11年的所有原始數(shù)據(jù)，包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。近年來，隨著業(yè)務(wù)的高速增長，小紅書在線處理數(shù)據(jù)的需求不斷增加，同時(shí)離線處理所積累的歷史問題，也會(huì)在未來的切換中帶來更多成本與風(fēng)險(xiǎn)。

為此，2023年11月，小紅書發(fā)起遷云項(xiàng)目——計(jì)劃一年內(nèi)，把小紅書的數(shù)據(jù)湖搬上阿里云。

遷移至阿里云上后，數(shù)據(jù)湖可通過多個(gè)OSS Bucket支持納入統(tǒng)一資源池，實(shí)現(xiàn)多個(gè)Bucket共享資源池內(nèi)的OSS吞吐及QPS能力。這樣的流控能力在面向小紅書復(fù)雜業(yè)務(wù)場景，可靈活調(diào)配資源，高效利用吞吐性能，降低不同業(yè)務(wù)租戶間的互相影響。阿里云原生HDFS+DLA元數(shù)據(jù)可實(shí)現(xiàn)無縫對(duì)接Hadoop EMR體系，支持元數(shù)據(jù)線性擴(kuò)展能力，輕松應(yīng)對(duì)小紅書數(shù)百PB數(shù)據(jù)下的元數(shù)據(jù)線性增長。

較于過往業(yè)界體量最大的案例，小紅書的本次遷移的數(shù)據(jù)體量更大。

 

*注：任務(wù)=數(shù)據(jù)處理過程

 （圖片來自小紅書官方公眾號(hào)）

據(jù)介紹，小紅書的遷云項(xiàng)目經(jīng)歷了三個(gè)階段。第一步，項(xiàng)目組首先解決標(biāo)準(zhǔn)問題，然后根據(jù)標(biāo)準(zhǔn)進(jìn)行治理；第二步，完成治理后，項(xiàng)目在2024年5月正式進(jìn)入雙跑階段。把數(shù)據(jù)拷貝到阿里云上，兩邊同時(shí)跑數(shù)，驗(yàn)證正確性與及時(shí)性；第三步，2024年8月，項(xiàng)目結(jié)束雙跑，進(jìn)入割接階段。阿里云團(tuán)隊(duì)全程在現(xiàn)場保障，順利完成了割接。

2024年11月，小紅書遷云項(xiàng)目正式宣告結(jié)束。在0故障的情況下，遷移數(shù)據(jù)500PB，任務(wù)11萬，參與人數(shù)1500人，涉及部門40多個(gè)。項(xiàng)目涉及產(chǎn)品之多和數(shù)據(jù)體量之大均創(chuàng)下業(yè)界記錄。

雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))