【hbase】HBase 定期备份

Author：Pirate Leo

myBlog: http://blog.csdn.net/pirateleo/

myEmail: codeevoship@gmail.com

转载请注明出处，谢谢。

文中可能涉及到的API：

Hadoop/HDFS:http://hadoop.apache.org/common/docs/current/api/

HBase: http://hbase.apache.org/apidocs/index.html?overview-summary.html

Begin！

一、概述

使用了HBase提供的Export与Import工具。

Export：http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/mapreduce/Export.html

Import：http://hbase.apache.org/apidocs/org/apache/hadoop/hbase/mapreduce/Import.html

看到这两个类所在目录我们了解到，Export与Import的实质是MapReduce任务。

关于这两个工具API中写的很清楚：

Export an HBase table. Writes content to sequence files up in HDFS. Use Import to read it back in again.

将HBase的表导出为HDFS的sequence files。

Export如其名，只是导出工具，如何完成备份功能呢？

二、功能实验

测试过程涉及很多数据，这里仅提供重要结论：

1、Export是以表为单位导出数据的，若想完成整库的备份需要执行n遍。

2、Export在shell中的调用方式类似如下格式：

./hbase org.apache.hadoop.hbase.mapreduce.Export 表名 备份路径 （版本号） （起始时间戳） （结束时间戳） 

Export [-D <property = value>]* <tableName> <outputDir> [<versions> [<startTime> [<endTime>]]]

括号内为可选项，例如

./hbase org.apache.hadoop.hbase.mapreduce.Export 'contentTbl' /home/codeevoship/contentBackup20120920 1 123456789

备份contentTbl这张表到/home/codeevoship/contentBackup20120920目录下（最后一级目录必须由Export自己创建），版本号为1，备份记录从123456789这个时间戳开始到当前时间内所有的执行过put操作的记录。

注意：为什么是所有put操作记录？因为在备份时是扫描所有表中所有时间戳大于等于123456789这个值的记录并导出。如果是delete操作，则表中这条记录已经删除，扫描时也无法获取这条记录信息。

3、当不指定时间戳时，备份的就是当前完整表中的数据。

三、实施细节

1、如何在增量备份时体现出对数据的删除操作？

由于Export按时间戳备份只能反映出Put过的表项，若我在一个备份（增量包）时间区间内删除了某条已有记录，当数据库回档时，这条被删除的记录又会出现在我的表中。

因此，我将所有的删除操作替换为Put操作：

a、给每行数据添加了一个无效标志位，在删除记录时使用Put给该标志位写为1。

b、在单条查询时，根据rowKey取出记录后会根据这个标志位判断这条记录是否已被“删除”，以此决定是否返回这条记录。在多条查询时（scan），使用列值过滤器，过滤出所有这个标志位不为1的记录。（可参见我之前的博文《HBase 条件查询》）

2、在备份过程中新增的数据是否会影响备份内容的准确性？

可以指定小于等于当前时刻的结束时间戳，以便将需要备份的数据范围明确。

3、如何备份到其他机器？

a、Export支持提供地址的备份。最简单的方法，直接把远端存储挂载到本地，然后使用本地路径。

b、使用API调用时，Path如果使用file:///home/codeevoship/backup，代表使用本地文件系统。若直接写为/home/codeevoship 代表使用HDFS层的路径。在使用Shell调用时则相反。

4、如何使用API调用？

通过MapReduce的Job：http://hadoop.apache.org/docs/r0.20.2/api/org/apache/hadoop/mapreduce/Job.html

先通过Export类提供的方法创建Job实例，再调用Job的submit()或waitForCompletion(boolean verbose)；异步与同步。




四、其他解决方案

1、HDFS层的HDFS Replication或DistCp

2、Cluster Replication

转载一份使用Export与Import定期备份的Python代码。每月15日做一次完整备份，每天进行一次增量备份。

[python]  view plain copy print ?

1. import time    
2. import datetime    
3. from datetime import date    
4. import sys    
5. import os    
6.     
7. tablename=sys.argv[1]    
8. backupDst=sys.argv[2]    
9. today=date.today()    
10. if today.day == 15:    //every month, we do a full backup    
11.         backupSubFolder=backupDst+today.isoformat()+"-full"    
12.         cmd="hbase org.apache.hadoop.hbase.mapreduce.Export %s %s"%(tablename,backupSubFolder)    
13. else:    
14.     
15.         yesterday=datetime.date.today()- datetime.timedelta(days=1)    
16.         todayTimeStamp=time.mktime(today.timetuple())    
17.         yesTimeStamp=time.mktime(yesterday.timetuple())    
18.         backupSubFolder=backupDst+today.isoformat()    
19.         cmd="hbase org.apache.hadoop.hbase.mapreduce.Export %s %s %s"%(tablename,backupSubFolder,str(int(todayTimeStamp)*1000)    
20.     
21. print cmd    
22.     
23. os.system(cmd)  

注意最后的cmd字符串构建，视HBase版本在对应位置添加上版本号。