我们的最终目标是将数据导入Hadoop，在之前的章节中，我们介绍了如何将传统关系数据库的数据导入Hadoop，本节涉及到了HBase。HBase是一种实时分布式数据存储系统，通常位于与Hadoop集群相同的硬件上，或者与Hadoop集群紧密相连，能够直接在MapReduce中使用HBase数据，或将其导入HDFS，这是选择HBase作为解决方案的巨大优势之一。
（注：本文为《Hadoop从入门到精通》大型专题的第五章内容，本专题的其他文章见文末链接，专题的上半部也将于不久之后与大家见面，请持续关注本专题！）
实践：将HBase数据导入HDFS
如果将要在MapReduce中使用的客户数据与HDFS中的数据结合使用，那该怎么办?可以编写一个MapReduce作业，该作业将HDFS数据集作为输入，并直接从HBase的map或reduce代码中提取数据。但在某些情况下，将HBase中的数据直接转储到HDFS可能更有用，特别是如果计划在多个MapReduce作业中使用该数据并且HBase数据不可变或不经常更改。
问题
将HBase数据导入HDFS
解决方案
HBase包含一个Export类，可用于将HBase数据以SequenceFile格式导入HDFS。此技术还介绍了可用于读取导入的HBase数据代码。
讨论
在开始使用这种技术之前，需要启动并运行HBase。
为了能够从HBase导出数据，首先需要将一些数据加载到HBase。加载器创建一个名为stocks_example的HBase表，其中包含一个列族的详细信息，我们将HBase数据存储为Avro二进制序列化数据，此部分代码就不列举了。
运行加载程序并使用它将样本数据加载到HBase中：
可以使用HBase shell查看负载结果。list命令(不带任何参数)将显示HBase中的所有表，而带有单个参数的scan命令将转储表的所有内容：
有了这些数据，我们就可以将其导出到HDFS了。HBase附带了一个转储HBase表的org.apache.hadoop.hbase.mapreduce.Export类。以下代码段显示了使用Export类的示例。使用此命令，可以导出整个HBase表：
Export类还支持只导出单个列族，还可以压缩输出：
Export类以SequenceFile格式写入HBase输出，其中HBase行键使用org.apache.hadoop.hbase.io .ImmutableBytesWritable存储在SequenceFile记录键中，HBase值使用org.apache.hadoop.hbase.client.Result存储在SequenceFile记录值中.。
如果要在HDFS中处理导出的数据，该怎么办?以下列表显示了如何读取HBase SequenceFile并提取Avro记录的示例。
代码5.3 读取HBase SequenceFile以提取Avro记录
可以针对用于导出的HDFS目录运行代码并查看结果：
HBaseExportedStockReader类能够读取和转储HBase的Export类使用的SequenceFile内容。
使用内置的HBase Export类可以更轻松地将HBase中的数据导出到HDFS中。但是，如果不想将HBase数据写入HDFS，而是想直接在MapReduce作业中处理它，该怎么办?让我们看看如何使用HBase作为MapReduce作业的数据源。
实践：使用HBase作为 MapReduce的 数据源
内置的HBase导出器使用SequenceFile输出HBase数据，除了Java之外的编程语言不支持它，并且不支持模式演变。它仅支持Hadoop文件系统作为数据接收器。如果想要更多地控制HBase数据提取，可能需要其他HBase工具。
问题
希望直接在MapReduce作业中对HBase进行操作，而无需将数据复制到HDFS的中间步骤。
解决方案
HBase有一个TableInputFormat类，可以在MapReduce作业中使用，直接从HBase中提取数据。
讨论
HBase提供了一个名为TableInputFormat的InputFormat类，它可以将HBase用作MapReduce中的数据源。以下代码显示了一个MapReduce作业，它使用此输入格式(通过TableMapReduceUtil.initTableMapperJob调用)从HBase读取数据。
代码5.4 使用MapReduce将HBase数据导入HDFS
可以按如下方式运行此MapReduce作业：
$ hip hip.ch5.hbase.ImportMapReduce --output output
快速查看HDFS，告诉MapReduce作业是否按预期工作：
此输出确认MapReduce作业按预期工作。
总结
TableInputFormat类检查HBase并为每个HBase表区域创建输入拆分。如果有10个HBase region，则将执行10个map任务。输入格式还包括在输入拆分中托管region的服务器，这意味着map任务将被安排在与托管数据的HRegionServer相同的节点上执行。这提供了HBase level的位置，也提供了HDFS level的位置。从该区读取的数据可能来自本地磁盘，因为一段时间后，所有区的数据都将是本地的。这一切都假定HRegionServers与DataNode在同一主机上运行。
我们的最后关注点是持久存储，包括对关系数据库和HBase。接下来，我们将改变方向，看看如何利用kafka将数据导入Hadoop。
相关文章：
1、《第一章：Hadoop生态系统及运行MapReduce任务介绍！》链接： http://blog.itpub.net/31077337/viewspace-2213549/
2、《学习Hadoop生态第一步：Yarn基本原理和资源调度解析！》链接： http://blog.itpub.net/31077337/viewspace-2213602/
3、《MapReduce如何作为Yarn应用程序运行？》链接： http://blog.itpub.net/31077337/viewspace-2213676/
4、《Hadoop生态系统各组件与Yarn的兼容性如何？》链接： http://blog.itpub.net/31077337/viewspace-2213960/
5、《MapReduce数据序列化读写概念浅析！》链接： http://blog.itpub.net/31077337/viewspace-2214151/
6、《MapReuce中对大数据处理最合适的数据格式是什么？》链接： http://blog.itpub.net/31077337/viewspace-2214325/
7、《如何在MapReduce中使用SequenceFile数据格式？》链接： http://blog.itpub.net/31077337/viewspace-2214505/
8、《如何在MapReduce中使用Avro数据格式？》链接： http://blog.itpub.net/31077337/viewspace-2214709/
9、《企业自有数据格式杂乱，MapReduce如何搞定？》链接： http://blog.itpub.net/31077337/viewspace-2214826/
10、《企业使用Hadoop的重大挑战：如何在HDFS中组织和使用数据？》链接： http://blog.itpub.net/31545816/viewspace-2215158/ 》
11、《如何在HDFS中进行数据压缩以实现高效存储？》链接： http://blog.itpub.net/31545816/viewspace-2215281/
12、《Hadoop数据传输：如何将数据移入和移出Hadoop？》链接： http://blog.itpub.net/31545816/viewspace-2215580/
13、《如何将日志和二进制文件连续移入HDFS？》链接： http://blog.itpub.net/31545816/viewspace-2215948/
14、《如何将传统关系数据库的数据导入Hadoop？》链接： http://blog.itpub.net/31545816/viewspace-2216000/
来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/31545816/viewspace-2216036/，如需转载，请注明出处，否则将追究法律责任。
转载于:http://blog.itpub.net/31545816/viewspace-2216036/
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
