hbase bulk load 小实践及一些总结

转载请注明出处：http://blog.csdn.net/lonelytrooper/article/details/17042391

很早就知道bulk load这个东西，也大致都清楚怎么回事，居然直到前几天才第一次实践... 

这篇文章大致分为三个部分：

1. 使用hbase自带的importtsv工具

2. 自己实现写mr生成hfile并加载

3. bulk load本身及对依赖的第三方包的一些总结

第一部分：

导入的文件是data.txt，符合tsv格式，如下：

做一些准备工作：

a. 在hdfs上穿件/test目录，并将data.txt传至该目录下

b. 创建hbase表bl_tmp

c. 将依赖的jar加到$HADOOP_HOME/conf/hadoop-env.sh (每个人的不一定一样，加你需要的)

运行hbase自带的imprttsv工具，这里输出路径是output，列的定义由-Dimporttsv.columns指定：

程序正常运行，运行成功后，查看/output目录，output目录下会根据列族名生成一个自录，这里是d，d目录下为具体的hfile文件：

运行completebulkload工具将hfile装载到表bl_tmp中：

装载完之后,d目录下的hfile不存在了，这时查询bl_tmp表，如下：

第二部分：

源码直接贴了，简明扼要，没什么好说的... 关键的点详见前边两篇简要介绍相关源码的博文...

import java.io.IOException;
import java.util.Date;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat;
import org.apache.hadoop.hbase.mapreduce.PutSortReducer;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public final class HBaseBulkLoadDemo extends Configured implements Tool {

	public static class BulkLoadDemoMapper extends
			Mapper<LongWritable, Text, ImmutableBytesWritable, Put> {

		private static final byte[] FAMILY_NAME = "d".getBytes();
		private static final byte[] COLUMN_A = "colA".getBytes();
		private static final byte[] COLUMN_B = "colB".getBytes();
		private static final byte[] COLUMN_C = "colC".getBytes();

		protected void map(LongWritable key, Text value, Context context) throws IOException,
				InterruptedException {
			String line = value.toString();
			String[] fields = line.split("\t");
			byte[] rowkeybytes = Bytes.toBytes(fields[0]);
			ImmutableBytesWritable rowkey = new ImmutableBytesWritable(rowkeybytes);
			Put put = new Put(rowkeybytes);
			put.add(FAMILY_NAME, COLUMN_A, fields[1].getBytes());
			put.add(FAMILY_NAME, COLUMN_B, fields[2].getBytes());
			put.add(FAMILY_NAME, COLUMN_C, fields[3].getBytes());
			context.write(rowkey, put);
		}

	}

	/**
	 * @param args
	 * @throws Exception
	 */
	public static void main(String[] args) throws Exception {
		System.exit(ToolRunner.run(new HBaseBulkLoadDemo(), args));
	}

	public int run(String[] args) throws Exception {
		Configuration conf = HBaseConfiguration.create();
		String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
		if (otherArgs.length != 3) {
			System.err.println("Usage: <tableName> <inputDir> <outputDir>");
			System.exit(2);
		}
		HTable table = new HTable(conf, otherArgs[0]);
		Job job = new Job(conf);
		job.setJarByClass(HBaseBulkLoadDemo.class);
		job.setJobName("HBaseBulkLoadDemo " + new Date());
		job.setMapperClass(BulkLoadDemoMapper.class);
		job.setReducerClass(PutSortReducer.class);
		job.setMapOutputKeyClass(ImmutableBytesWritable.class);
		job.setMapOutputValueClass(Put.class);
		FileInputFormat.addInputPath(job, new Path(otherArgs[1]));
		FileOutputFormat.setOutputPath(job, new Path(otherArgs[2]));
		HFileOutputFormat.configureIncrementalLoad(job, table);
		return job.waitForCompletion(true) ? 0 : 1;
	}

}

程序用打包后，扔到集群上运行，为验证结果，注意先truncate掉bl_tmp表并删掉/output目录。

另外一点，这里运行自己打的包，如果你没有打依赖包的话，因为你用到hbase-version.jar，所以你需要把它加到HADOOP_CLASSPATH上：

运行自己打的jar包：

程序正确运行，查看/output下的输出：

将数据装在进bl_tmp仍然可以用completebulkload工具，或者你可以自己写一个工具，非常简单，就是构造一个LoadIncrementalHFile对象，并调用它的doBulkLoad方法就好了。 然后查看这时的bl_tmp(注意列名，与importtsv时不一样...)：

第三部分：

关于bulkload本身：

1.这种方式适合初次导入，对于大数据量，效率非常可观，并且不需要表offline

2.目前貌似只适合每次对一个单列族导入..

3.数据量很大时，因为reduce个数与region个数对应，所以导数前记得对表进行预分区。

4.自己实现时，map阶段的输出只能是<ImmutableBytesWritable,KeyValue>或者<ImmutableBytesWritable,Put>，对应的reducer分别是KeyValueSortReducer和PutSortReducer。

关于hadoop对jar的加载方式及bulk load时第三方jar的一些说明，自己在实践的时候起初迷惑了很久，所以特意总结了下：

1.hadoop jar在运行时一定会将HADOOP_CLASSPATH加到CLASSPATH上(感兴趣可以cat hadoop看下)，并且将hadoop jar运行的目标jar拷贝到子节点。
2.依赖的第三方jar,一般三种方式处理，要么-libjars，要么加到HADOOP_HOME/lib下(所有子节点)，要么打包进目标jar。
3.运行hadop jar hbase-version.jar importtsv时，由于将依赖的jar加到了HADOOP_CLASSPATH，并且在主节点本地可以找到，所以依托TableMapReduceUtil.addDependencyJars方法的作用，依赖的第三方jar在运行时被作为分布式缓存拷贝到了子节点，程序得以正确运行。

完...