【HBase高级】4. HBase协处理器（Coprocessor）

前言

本文先对Bulk load 银行转账记录海量冷数据存储案例做个结尾，而后介绍第三部分：HBase协处理器（Coprocessor）。

2.3.5 编写驱动类

分析：
MapReduce执行时，需要读取HBase表的region相关信息，故需要获取HBase的表

实现步骤：
1、使用HBaseConfiguration.create()加载配置文件
2、创建HBase连接
3、获取HTable
4、构建MapReduce JOB

1. 使用Job.getInstance构建一个Job对象
2. 调用setJarByClass设置要执行JAR包的class
3. 调用setInputFormatClass为TextInputFormat.class
4. 设置MapperClass
5. 设置输出键Output Key Class
6. 设置输出值Output Value Class
7. 设置输入输出到HDFS的路径，输入路径/bank/input，输出路径/bank/output
   1. FileInputFormat.setInputPaths
   2. FileOutputFormat.setOutputPath
8. 使用connection.getRegionLocator获取HBase Region的分布情况
9. 使用HFileOutputFormat2.configureIncrementalLoad配置HFile输出

5、调用job.waitForCompletion执行MapReduce程序

public class BulkloadDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        // 加载配置文件
        Configuration configuration = HBaseConfiguration.create();

        // 配置JOB
        Job instance = Job.getInstance(configuration);
        instance.setJarByClass(BulkloadDriver.class);
        instance.setMapperClass(BankRecordMapper.class);

        // 配置输入
        instance.setInputFormatClass(TextInputFormat.class);
        FileInputFormat.setInputPaths(instance, new Path("hdfs://node1.itcast.cn:8020/bank/input"));

        // 配置输出
        FileOutputFormat.setOutputPath(instance, new Path("hdfs://node1.itcast.cn:8020/bank/output"));
        instance.setOutputKeyClass(ImmutableBytesWritable.class);
        instance.setOutputValueClass(MapReduceExtendedCell.class);

        // 配置HFileoutputFormat2
        Connection connection = ConnectionFactory.createConnection(configuration);
        Table table = connection.getTable(TableName.valueOf("ITCAST_BANK:TRANSFER_RECORD"));
        // 获取表的Region检索对象
        RegionLocator regionLocator = connection.getRegionLocator(TableName.valueOf("ITCAST_BANK:TRANSFER_RECORD"));
        HFileOutputFormat2.configureIncrementalLoad(instance, table, regionLocator);

        // 执行job
        if (instance.waitForCompletion(true)) {
            System.out.println("任务执行成功！");
        }
        else {
            System.out.println("任务执行失败！");
            System.exit(1);
        }
    }
}

2.3.6 上传数据到文件到HDFS

将资料中的数据集 bank_record.csv 上传到HDFS的 /bank/input 目录。该文件中包含50W条的转账记录数据。
hadoop fs -mkdir -p /bank/input
hadoop fs -put bank_record.csv /bank/input
然后，执行MapReduce程序。

2.3.7 加载数据文件到HBase

hbase org.apache.hadoop.hbase.tool.LoadIncrementalHFiles /bank/output ITCAST_BANK:TRANSFER_RECORD

2.3.8 MapReduce程序排错

编写MapReduce程序排错，有些是比较难找到问题的：

Exception in thread “main” java.lang.RuntimeException: java.lang.InstantiationException
at org.apache.hadoop.util.ReflectionUtils.newInstance(ReflectionUtils.java:134)
at org.apache.hadoop.mapreduce.JobSubmitter.writeNewSplits(JobSubmitter.java:299)
at org.apache.hadoop.mapreduce.JobSubmitter.writeSplits(JobSubmitter.java:318)
at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:196)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287)
at java.security.AccessController.doPrivileged(Native Method)
at javax.security.auth.Subject.doAs(Subject.java:422)
at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1754)
at org.apache.hadoop.mapreduce.Job.submit(Job.java:1287)
at org.apache.hadoop.mapreduce.Job.waitForCompletion(Job.java:1308)
at cn.itcast.bank_record.bulkload.mr1.BulkloadDriver.main(BulkloadDriver.java:53)
Caused by: java.lang.InstantiationException
at sun.reflect.InstantiationExceptionConstructorAccessorImpl.newInstance(InstantiationExceptionConstructorAccessorImpl.java:48)
at java.lang.reflect.Constructor.newInstance(Constructor.java:423)
at org.apache.hadoop.util.ReflectionUtils.newInstance(ReflectionUtils.java:132)
… 11 more

上述问题，大家通过异常能找到问题吗？

见过该错误的读者，可能能看出来，但如果将来有一些问题，我们压根没见过，我们就可以尝试关联源代码来去找问题。

上述例子，我们通过关联Hadoop的源代码，就可以看出来是在：299行，在通过反射创建InputFormatClass对象时执行失败，我们看到这个就得去检查InputFormatClass的设置了。

3. HBase的协处理器（Coprocessor）

http://hbase.apache.org/book.html#cp

3.1 起源

• Hbase 作为列族数据库最经常被人诟病的特性包括：
  • 无法轻易建立“二级索引”
  • 难以执 行求和、计数、排序等操作
    
    比如，在旧版本的(<0.92)Hbase 中，统计数据表的总行数，需要使用 Counter 方法，执行一次 MapReduce Job 才能得到。虽然 HBase 在数据存储层中集成了 MapReduce，能够有效用于数据表的分布式计算。然而在很多情况下，做一些简单的相加或者聚合计算的时候， 如果直接将计算过程放置在 server 端，能够减少通讯开销，从而获 得很好的性能提升
• 于是， HBase 在 0.92 之后引入了协处理器(coprocessors)，实现一些激动人心的新特性：能够轻易建立二次索引、复杂过滤器(谓词下推)以及访问控制等。

3.2 协处理器有两种： observer 和 endpoint

observer协处理器
Observer 类似于传统数据库中的触发器，当发生某些事件的时候这类协处理器会被 Server 端调用。Observer Coprocessor 就是一些散布在 HBase Server 端代码中的 hook 钩子， 在固定的事件发生时被调用。比如： put 操作之前有钩子函数 prePut，该函数在 put 操作
执行前会被 Region Server 调用；在 put 操作之后则有 postPut 钩子函数

• 以 Hbase2.0.0 版本为例，它提供了三种观察者接口：

  RegionObserver：提供客户端的数据操纵事件钩子： Get、 Put、 Delete、 Scan 等
  WALObserver：提供 WAL 相关操作钩子。
  MasterObserver：提供 DDL-类型的操作钩子。如创建、删除、修改数据表等。

• 到 0.96 版本又新增一个 RegionServerObserver

下图是以 RegionObserver 为例子讲解 Observer 这种协处理器的原理：

1.客户端发起get请求
2.该请求被分派给合适的RegionServer和Region
3.coprocessorHost拦截该请求，然后在该表上登记的每个RegionObserer上调用preGet()
4.如果没有被preGet拦截，该请求继续送到Region，然后进行处理
5.Region产生的结果再次被coprocessorHost拦截，调用posGet()处理
6.加入没有postGet()拦截该响应，最终结果被返回给客户端

endpoint协处理器

• Endpoint 协处理器类似传统数据库中的存储过程，客户端可以调用这些 Endpoint 协处理器执行一段 Server 端代码，并将 Server 端代码的结果返回给客户端进一步处理，最常见的用法就是进行聚集操作
• 如果没有协处理器，当用户需要找出一张表中的最大数据，即max 聚合操作，就必须进行全表扫描，在客户端代码内遍历扫描结果，并执行求最大值的操作。这样的方法无法利用底层集群的并发能力，而将所有计算都集中到 Client 端统一执 行，势必效率低下。
• 利用 Coprocessor，用户可以将求最大值的代码部署到 HBase Server 端，HBase 将利用底层 cluster 的多个节点并发执行求最大值的操作。即在每个 Region 范围内 执行求最大值的代码，将每个 Region 的最大值在 Region Server 端计算出，仅仅将该 max 值返回给客户端。在客户端进一步将多个 Region 的最大值进一步处理而找到其中的最大值。这样整体的执行效率就会提高很多
• 下图是 EndPoint 的工作原理：
  
  总结
• Observer 允许集群在正常的客户端操作过程中可以有不同的行为表现
• Endpoint 允许扩展集群的能力，对客户端应用开放新的运算命令
• observer 类似于 RDBMS 中的触发器，主要在服务端工作
• endpoint 类似于 RDBMS 中的存储过程，主要在 服务器端、client 端工作
• observer 可以实现权限管理、优先级设置、监控、 ddl 控制、 二级索引等功能
• endpoint 可以实现 min、 max、 avg、 sum、 distinct、 group by 等功能

3.3 协处理器加载方式

协处理器的加载方式有两种：

静态加载方式（ Static Load）
动态加载方式 （ Dynamic Load）

静态加载的协处理器称之为 System Coprocessor，动态加载的协处理器称 之为 Table Coprocessor。

静态加载

• 通过修改 hbase-site.xml 这个文件来实现
• 启动全局 aggregation，能过操纵所有的表上的数据。只需要添加如下代码：

<property>
<name>hbase.coprocessor.user.region.classes</name>
<value>org.apache.hadoop.hbase.coprocessor.AggregateImplementation</value>
</property>

为所有 table 加载了一个 cp class，可以用” ,”分割加载多个 class

动态加载

• 启用表 aggregation，只对特定的表生效
• 通过 HBase Shell 来实现，disable 指定表
  hbase> disable 'mytable'
• 添加 aggregation
  hbase> alter 'mytable', METHOD => 'table_att','coprocessor'=> '|org.apache.Hadoop.hbase.coprocessor.AggregateImplementation||'
• 重启启用表
  hbase> enable 'mytable'

协处理器卸载
只需三步：

disable ‘test’
alter ‘test’, METHOD => ‘table_att_unset’, NAME => ‘coprocessor$1’
enable ‘test’