bulkload向hbase表中入数据

1、为何要 BulkLoad 导入？传统的 HTableOutputFormat 写 HBase 有什么问题？

我们先看下 Hbase 的写流程：

通常 MapReduce 在写HBase时使用的是 TableOutputFormat 方式，在reduce中直接生成put对象写入HBase，该方式在大数据量写入时效率低下（HBase会block写入，频繁进行flush，split，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），而HBase支持 bulk load 的入库方式，它是利用hbase的数据信息按照特定格式存储在hdfs内这一原理，直接在HDFS中生成持久化的HFile数据格式文件，然后上传至合适位置，即完成巨量数据快速入库的办法。配合mapreduce完成，高效便捷，而且不占用region资源，增添负载，在大数据量写入时能极大的提高写入效率，并降低对HBase节点的写入压力。
通过使用先生成HFile，然后再BulkLoad到Hbase的方式来替代之前直接调用HTableOutputFormat的方法有如下的好处：
（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

目前此种方式仅仅适用于只有一个列族的情况，在新版 HBase 中，单列族的限制会消除。

2、bulkload 流程与实践

bulkload 方式需要两个Job配合完成：  
（1）第一个Job还是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，而是先写入到HDFS上的一个中间目录下（如 middata）  
（2）第二个Job以第一个Job的输出（middata）做为输入，然后将其格式化HBase的底层存储文件HFile  
（3）调用BulkLoad将第二个Job生成的HFile导入到对应的HBase表中。

了解了BULKLOAD基本过程后，开始进行我们的程序编写：

主函数流程：

1.首先加载集群配置文件

2.判断是否需要建表

3.执行builload任务

public static void main(String[] args) {
		
		Configuration conf = HadoopConfiguration.getConf();
		conf.set(XXT_CLICKLOG_COLUMN_FAMILY, familyName);
		conf.set("hbase.zookeeper.quorum", "cmaster1.hadoop.xxt.cn,cmaster0.hadoop.xxt.cn,cslave0.hadoop.xxt.cn");
		conf.set("zookeeper.znode.parent", "/hbase-unsecure");
		conf.set("hbase.fs.tmp.dir", "/tmp/hbase/bulkload/hbase-staging");
		Connection connection = null;
		Admin admin = null;
		try {
			connection = ConnectionFactory.createConnection(conf);
			admin = connection.getAdmin();
			
			TableName tn = TableName.valueOf(tableName);
			createTableIfNotExist(admin, tn);
			
			boolean isSuccess = runBulkLoadJob(connection, admin , tn, conf);
			
			System.exit(isSuccess?0:1);
			
		} catch (IOException e) {
			log.error("Clicklog bulkload job execute failed!", e);
			throw new RuntimeException("Clicklog bulkload job execute failed!", e);
		}
		finally {
			try {
				if (connection != null) {
					connection.close();
				}
				
				if (admin != null) {
					admin.close();
				}
			} catch (IOException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			}
		}
	}

建表函数

如果表不存在建表，定义好列族及表名，并设置snappy压缩。

根据rowkey业务数据的分布特点进行预分区，尽量使落在每个region分区的数据均匀。

public static void createTableIfNotExist(Admin admin, TableName tableName) throws IOException {
	
		if (!admin.tableExists(tableName)) {	
			HTableDescriptor tableDesc =  new HTableDescriptor(tableName);
			HColumnDescriptor columnDesc = new HColumnDescriptor(Bytes.toBytes(familyName));
			columnDesc.setCompressionType(Algorithm.SNAPPY);
			tableDesc.addFamily(columnDesc);
			byte[][] splitKey = new byte[][]{Bytes.toBytes("000001000000"),Bytes.toBytes("000010000000"),
				Bytes.toBytes("000050000000"), Bytes.toBytes("000100000000")};
				
			admin.createTable(tableDesc, splitKey);
			log.info("create table success");
		}
		else {
			log.info("Table already exists!");
		}
	}

最后开始执行bulkload任务了

	public static boolean runBulkLoadJob(Connection connection, Admin admin, TableName tn, Configuration conf) {
		
		try {
			Job job = Job.getInstance(conf, "BulkLoad");
			/**
			 * 利用分布式缓存加载依赖第三方jar包
			 */
			FileSystem fs = FileSystem.get(conf);
			FileStatus[] files = fs.listStatus(new Path(DISTRIBUTE_LIB_PATH));
			for(FileStatus file : files)
			{
				log.info("file path:" + file.getPath().toString());
				job.addCacheFile(file.getPath().toUri());
			}
			job.setJarByClass(ClickLogBulkLoadJob.class);
			job.setMapperClass(ClickLogBulkLoadMap.class);
			job.setMapOutputKeyClass(ImmutableBytesWritable.class);
			job.setMapOutputValueClass(Put.class);
			
			job.setSpeculativeExecution(false);
			job.setReduceSpeculativeExecution(false);
			job.setInputFormatClass(TextInputFormat.class);
			job.setOutputFormatClass(HFileOutputFormat2.class);
			
			
			FileInputFormat.setInputPaths(job, inputPath);
			finalOutputPath = outputPath + System.currentTimeMillis();
			FileOutputFormat.setOutputPath(job, new Path(finalOutputPath));
			
			Table table = connection.getTable(tn);
			//HTable htable = new HTable(conf, tableName);
			RegionLocator regionLocator = connection.getRegionLocator(tn);
			HFileOutputFormat2.configureIncrementalLoad(job, table, regionLocator);
			//HFileOutputFormat2.configureIncrementalLoad(job, htable);
			if (job.waitForCompletion(true)) {
				
				log.info("Clicklog bulkload job execute success, load data to hbase...");
				doBulkLoadData(job, admin, table, regionLocator);
				processFinalFile(conf, true);
				//doBulkLoadData(job, htable);
				return true;
			}
			else {
				processFinalFile(conf, false);
				log.error("Clicklog bulkload job execute failed!");
				return false;
			}
			
			
		} catch (Exception e) {
			log.error("Clicklog bulkload job execute failed!", e);
			throw new RuntimeException("Clicklog bulkload job execute failed!", e);
		} 
		
	}

map函数代码：

	@Override
	protected void map(LongWritable key, Text value, Context context)
			throws IOException, InterruptedException {
		/**
		 * 输入数据格式：
		 * xxtsessionId webId ip agentType
		 * time url urlParam referUrl referUrlParam device os net browser remainTime
		 */
		log.info("-----this data-----" + value.toString());
		String[] valueStrSplit = value.toString().split("#");
		
		String hkey = getRowKey(valueStrSplit[1],valueStrSplit[4]);
		String[] columnValue = new String[]{valueStrSplit[2],valueStrSplit[3],valueStrSplit[5],valueStrSplit[6],
				valueStrSplit[7],valueStrSplit[8],valueStrSplit[9],valueStrSplit[10],valueStrSplit[11],
				valueStrSplit[12],valueStrSplit[13]};
		final byte[] rowKey = Bytes.toBytes(hkey);
		final ImmutableBytesWritable hKey = new ImmutableBytesWritable(rowKey);
		Put put = new Put(rowKey);
		for(int i = 0; i < columnNames.length; i++) {
			log.info("column name:" + columnNames[i] + ",column value :" + columnValue[i]);
			put.add(Bytes.toBytes(family), Bytes.toBytes(columnNames[i]), Bytes.toBytes(columnValue[i]));
		}
		
		context.write(hKey, put);
	}

注意：我们只需要实现map函数即可，将我们的原始文本数据处理成ImmutableBytesWritable - put的键值对即可。然后利用HBase自带的HFileOutputFormat2.configureIncrementalLoad(job, table, regionLocator);生成HFile文件。
最终调用bulkload工具LoadIncrementalHFiles
将HFile文件move到对应的region分区下面。

private static void doBulkLoadData(Job job, Admin admin, Table table, RegionLocator regionLocator) {
		try {
			LoadIncrementalHFiles loader = new LoadIncrementalHFiles(job.getConfiguration());
			loader.doBulkLoad(new Path(finalOutputPath), admin, table, regionLocator);
			log.info("bulkload date success!");
		} catch (Exception e) {
			log.error("bulkload date failed!", e);
			throw new RuntimeException("bulkload date failed!" ,e);
		}