HBase之Bulk Load实现快速导入数据

  目录：

     【1】传统的HTableOutputFormat写HBase有什么问题？

    【2】BulkLoad的流程与实现？

    【3】说明

 【1】传统的HTableOutputFormat写HBase有什么问题？

通常的Mapreduce在写入HBase时使用的是TableOutputFormat方式，在Reduce中直接生成Put对象写入到HBase。

该方式的不足：在大数据量些入时效率低下，因为HBase会block写入，频繁进行flush，split和compact等大量IO操作），并对HBase节点的稳定性造成一定的影响（GC时间过长，响应变慢，导致节点超时退出，并引起一系列连锁反应）。

BulkLoad入库方式。

原理：利用HBase的数据信息按照特定的格式存储在 hdfs内，直接在HDFS中生成持久化的HFile数据格式文件，然后上传至合适的位置。

优点：配合mapreduce高效便捷，不占用region资源，增添负载，大数据量写入时效率高，降低了对HBase节点的写入压力。

相比较：

（1）消除了对Hbase集群的插入压力

（2）提高了Job的运行速度，降低了Job的执行时间

不足：目前BulkLoad只适用于只有一个列族的情况，在新版本的HBase中，但列族的限制会消除。

【2】BulkLoad的流程与实现？

需要两个Job配合完成：

（1）第一个Job运行原来业务处理逻辑，处理的结果不直接调用HTableOutputFormat写入到HBase，而是写入到HDFS上面。

（2）第二个Job以第一个Job写入到HDFS上的数据作为输入，然后将其格式化为Hbase的底层存储文件HFile。

（3）调用BulkLoad将第二个Job生成的HFile导入到相应的HBase表中。

代码示例：

001	import java.io.IOException;

002

003	import org.apache.hadoop.conf.Configuration;

004	import org.apache.hadoop.fs.Path;

005	import org.apache.hadoop.hbase.HBaseConfiguration;

006	import org.apache.hadoop.hbase.KeyValue;

007	import org.apache.hadoop.hbase.client.HTable;

008	import org.apache.hadoop.hbase.client.Put;

009	import org.apache.hadoop.hbase.io.ImmutableBytesWritable;

010	import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat;

011	import org.apache.hadoop.hbase.mapreduce.KeyValueSortReducer;

012	import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;

013	import org.apache.hadoop.hbase.util.Bytes;

014	import org.apache.hadoop.io.IntWritable;

015	import org.apache.hadoop.io.LongWritable;

016	import org.apache.hadoop.io.Text;

017	import org.apache.hadoop.mapreduce.Job;

018	import org.apache.hadoop.mapreduce.Mapper;

019	import org.apache.hadoop.mapreduce.Reducer;

020	import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

021	import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

022	import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

023	import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

024	import org.apache.hadoop.util.GenericOptionsParser;

026	public class GeneratePutHFileAndBulkLoadToHBase {

028	public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>

029

{

031	private Text wordText=new Text();

032	private IntWritable one=new IntWritable(1);

033

@Override

034	protected void map(LongWritable key, Text value, Context context)

035	throws IOException, InterruptedException {

036	// TODO Auto-generated method stub

037	String line=value.toString();

038	String[] wordArray=line.split(" ");

039	for(String word:wordArray)

040

{

041	wordText.set(word);

042	context.write(wordText, one);

043

}

044

045

}

046

}

048	public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>

049

{

051	private IntWritable result=new IntWritable();

052	protected void reduce(Text key, Iterable<IntWritable> valueList,

053	Context context)

054	throws IOException, InterruptedException {

055	// TODO Auto-generated method stub

056	int sum=0;

057	for(IntWritable value:valueList)

058

{

059	sum+=value.get();

060

}

061	result.set(sum);

062	context.write(key, result);

063

}

065

}

067	public static class ConvertWordCountOutToHFileMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put>

068

{

070

@Override

071	protected void map(LongWritable key, Text value, Context context)

072	throws IOException, InterruptedException {

073	// TODO Auto-generated method stub

074	String wordCountStr=value.toString();

075	String[] wordCountArray=wordCountStr.split("\t");

076	String word=wordCountArray[0];

077	int count=Integer.valueOf(wordCountArray[1]);

079	//创建HBase中的RowKey

080	byte[] rowKey=Bytes.toBytes(word);

081	ImmutableBytesWritable rowKeyWritable=new ImmutableBytesWritable(rowKey);

082	byte[] family=Bytes.toBytes("cf");

083	byte[] qualifier=Bytes.toBytes("count");

084	byte[] hbaseValue=Bytes.toBytes(count);

085	// Put 用于列簇下的多列提交，若只有一个列，则可以使用 KeyValue 格式

086	// KeyValue keyValue = new KeyValue(rowKey, family, qualifier, hbaseValue);

087	Put put=new Put(rowKey);

088	put.add(family, qualifier, hbaseValue);

089	context.write(rowKeyWritable, put);

091

}

093

}

095	public static void main(String[] args) throws Exception {

096	// TODO Auto-generated method stub

097	Configuration hadoopConfiguration=new Configuration();

098	String[] dfsArgs = new GenericOptionsParser(hadoopConfiguration, args).getRemainingArgs();

100	//第一个Job就是普通MR，输出到指定的目录

101	Job job=new Job(hadoopConfiguration, "wordCountJob");

102	job.setJarByClass(GeneratePutHFileAndBulkLoadToHBase.class);

103	job.setMapperClass(WordCountMapper.class);

104	job.setReducerClass(WordCountReducer.class);

105	job.setOutputKeyClass(Text.class);

106	job.setOutputValueClass(IntWritable.class);

107	FileInputFormat.setInputPaths(job, new Path(dfsArgs[0]));

108	FileOutputFormat.setOutputPath(job, new Path(dfsArgs[1]));

109	//提交第一个Job

110	int wordCountJobResult=job.waitForCompletion(true)?0:1;

112	//第二个Job以第一个Job的输出做为输入，只需要编写Mapper类，在Mapper类中对一个job的输出进行分析，并转换为HBase需要的KeyValue的方式。

113	Job convertWordCountJobOutputToHFileJob=new Job(hadoopConfiguration, "wordCount_bulkload");

115	convertWordCountJobOutputToHFileJob.setJarByClass(GeneratePutHFileAndBulkLoadToHBase.class);

116	convertWordCountJobOutputToHFileJob.setMapperClass(ConvertWordCountOutToHFileMapper.class);

117	//ReducerClass 无需指定，框架会自行根据 MapOutputValueClass 来决定是使用 KeyValueSortReducer 还是 PutSortReducer

118	//convertWordCountJobOutputToHFileJob.setReducerClass(KeyValueSortReducer.class);

119	convertWordCountJobOutputToHFileJob.setMapOutputKeyClass(ImmutableBytesWritable.class);

120	convertWordCountJobOutputToHFileJob.setMapOutputValueClass(Put.class);

122	//以第一个Job的输出做为第二个Job的输入

123	FileInputFormat.addInputPath(convertWordCountJobOutputToHFileJob, new Path(dfsArgs[1]));

124	FileOutputFormat.setOutputPath(convertWordCountJobOutputToHFileJob, new Path(dfsArgs[2]));

125	//创建HBase的配置对象

126	Configuration hbaseConfiguration=HBaseConfiguration.create();

127

//创建目标表对象

128	HTable wordCountTable =new HTable(hbaseConfiguration, "word_count");

129	HFileOutputFormat.configureIncrementalLoad(convertWordCountJobOutputToHFileJob,wordCountTable);

130

131	//提交第二个job

132	int convertWordCountJobOutputToHFileJobResult=convertWordCountJobOutputToHFileJob.waitForCompletion(true)?0:1;

134	//当第二个job结束之后，调用BulkLoad方式来将MR结果批量入库

135	LoadIncrementalHFiles loader = new LoadIncrementalHFiles(hbaseConfiguration);

136	//第一个参数为第二个Job的输出目录即保存HFile的目录，第二个参数为目标表

137	loader.doBulkLoad(new Path(dfsArgs[2]), wordCountTable);

139	//最后调用System.exit进行退出

140	System.exit(convertWordCountJobOutputToHFileJobResult);

142

}

144

}

比如原始的输入数据的目录为：/rawdata/test/wordcount/20131212 

中间结果数据保存的目录为：/middata/test/wordcount/20131212 
最终生成的HFile保存的目录为：/resultdata/test/wordcount/20131212 
运行上面的Job的方式如下： 
hadoop jar test.jar /rawdata/test/wordcount/20131212 /middata/test/wordcount/20131212 /resultdata/test/wordcount/20131212 

【3】说明

（1）HFile方式在所有的加载方案里面是最快的，前提是：表是空的。如果表中已经有了数据，HFile再导入到HBase的表中会触发Split操作。

（2）最终的输出结果。

无论是map还是reduce，输出部分key和value的类型是：<ImmutableBytesWritable,keyvalue>或者<ImmutableBytesWritable,Put>.

（3）最终输出部分，Value类型是KeyValue 或Put，对应的Sorter分别是KeyValueSortReducer或PutSortReducer，这个 SorterReducer 可以不指定，因为源码中已经做了判断

（4)MR例子中Job.setOutputFormatClass（HFileOutputFormat.class)；HFileOutputFormat只适合一次对但列族组织成HFile文件，多列簇需要多个Job，不过新版本的HBase已经解决了这个限制。

（5）MR例子中最后生成HFile存储在HDFS上，输出路径下的子目录是各个列族。如果对HFile进行入库HBase，相当于move HFile到HBase的Region中，HFile子目录的列族内容就没有了。

（6）最后一个Reduce没有setNumReduceTasks是因为，该设置由框架根据region个数自动配置。