HBase 中加盐（Salting）之后的表如何读取：协处理器篇

最新推荐文章于 2024-04-19 17:47:18 发布

小东升职记

最新推荐文章于 2024-04-19 17:47:18 发布

阅读量494

点赞数

分类专栏： Hbase 文章标签： hbase

原文链接：https://www.iteblog.com/archives/2507.html?from=related

版权

Hbase 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

在《HBase Rowkey 设计指南》文章中，我们介绍了避免数据热点的三种比较常见方法：

加盐 - Salting
哈希 - Hashing
反转 - Reversing

其中在加盐（Salting）的方法里面是这么描述的：给 Rowkey 分配一个随机前缀以使得它和之前排序不同。但是在 Rowkey 前面加了随机前缀，那么我们怎么将这些数据读出来呢？我将分三篇文章来介绍如何读取加盐之后的表，其中每篇文章提供一种方法，主要包括：

使用协处理器读取加盐的表
使用 Spark 读取加盐的表
使用 MapReduce 读取加盐的表

关于协处理器的入门及实战，请参见这里。本文使用的各组件版本：hadoop-2.7.7，hbase-2.0.4，jdk1.8.0_201。

文章目录

测试数据生成

在介绍如何查询数据之前，我们先创建一张名为 iteblog 的 HBase 表，用于测试。为了数据均匀和介绍的方便，这里使用了预分区，并设置了27个分区，如下：

hbase(main):002:0> create 'iteblog', 'f', SPLITS => ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z']

0 row(s) in 2.4880 seconds

然后我们使用下面方法生成了1000000条测试数据。RowKey 的形式为 UID + 当前数据生成时间戳；由于 UID 的长度为4，所以1000000条数据会存在大量的 UID 一样的数据，所以我们使用加盐方法将这些数据均匀分散到上述27个 Region 里面（注意，其实第一个 Region 其实没数据）。具体代码如下：

package com.iteblog.data;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.hbase.HBaseConfiguration;

import org.apache.hadoop.hbase.HConstants;

import org.apache.hadoop.hbase.TableName;

import org.apache.hadoop.hbase.client.*;

import org.apache.hadoop.hbase.util.Bytes;

import java.io.IOException;

import java.util.ArrayList;

import java.util.List;

import java.util.Random;

import java.util.UUID;

public class HBaseDataGenerator {

private static byte[] FAMILY = "f".getBytes();

private static byte[] QUALIFIER_UUID = "uuid".getBytes();

private static byte[] QUALIFIER_AGE = "age".getBytes();

private static char generateLetter() {

return (char) (Math.random() * 26 + 'A');

}

private static long generateUid(int n) {

return (long) (Math.random() * 9 * Math.pow(10, n - 1)) + (long) Math.pow(10, n - 1);

}

public static void main(String[] args) throws IOException {

BufferedMutatorParams bmp = new BufferedMutatorParams(TableName.valueOf("iteblog"));

bmp.writeBufferSize(1024 * 1024 * 24);

Configuration conf = HBaseConfiguration.create();

conf.set(HConstants.ZOOKEEPER_QUORUM, "https://www.iteblog.com:2181");

Connection connection = ConnectionFactory.createConnection(conf);

BufferedMutator bufferedMutator = connection.getBufferedMutator(bmp);

int BATCH_SIZE = 1000;

int COUNTS = 1000000;

int count = 0;

List<Put> putList = new ArrayList<>();

for (int i = 0; i < COUNTS; i++) {

String rowKey = generateLetter() + "-"

+ generateUid(4) + "-"

+ System.currentTimeMillis();

Put put = new Put(Bytes.toBytes(rowKey));

byte[] uuidBytes = UUID.randomUUID().toString().substring(0, 23).getBytes();

put.addColumn(FAMILY, QUALIFIER_UUID, uuidBytes);

put.addColumn(FAMILY, QUALIFIER_AGE, Bytes.toBytes("" + new Random().nextInt(100)));

putList.add(put);

count++;

if (count % BATCH_SIZE == 0) {

bufferedMutator.mutate(putList);

bufferedMutator.flush();

putList.clear();

System.out.println(count);

}

if (putList.size() > 0) {

bufferedMutator.mutate(putList);

bufferedMutator.flush();

putList.clear();

}

运行完上面代码之后，会生成1000000条数据（注意，这里其实不严谨，因为 Rowkey 设计问题，可能会导致重复的 Rowkey 生成，所以实际情况下可能没有1000000条数据。）。我们limit 10条数据看下长成什么样：

hbase(main):001:0> scan 'iteblog', {'LIMIT'=>10}

ROW COLUMN+CELL

A-1000-1550572395399 column=f:age, timestamp=1549091990253, value=54

A-1000-1550572395399 column=f:uuid, timestamp=1549091990253, value=e9b10a9f-1218-43fd-bd01

A-1000-1550572413799 column=f:age, timestamp=1549092008575, value=4

A-1000-1550572413799 column=f:uuid, timestamp=1549092008575, value=181aa91e-5f1d-454c-959c

A-1000-1550572414761 column=f:age, timestamp=1549092009531, value=33

A-1000-1550572414761 column=f:uuid, timestamp=1549092009531, value=19aad8d3-621a-473c-8f9f

A-1001-1550572394570 column=f:age, timestamp=1549091989341, value=64

A-1001-1550572394570 column=f:uuid, timestamp=1549091989341, value=c6712a0d-3793-46d5-865b

A-1001-1550572405337 column=f:age, timestamp=1549092000108, value=96

A-1001-1550572405337 column=f:uuid, timestamp=1549092000108, value=4bf05d10-bb4d-43e3-9957

A-1001-1550572419688 column=f:age, timestamp=1549092014458, value=8

A-1001-1550572419688 column=f:uuid, timestamp=1549092014458, value=f04ba835-d8ac-49a3-8f96

A-1002-1550572424041 column=f:age, timestamp=1549092018816, value=84

A-1002-1550572424041 column=f:uuid, timestamp=1549092018816, value=99d6c989-afb5-4101-9d95

A-1003-1550572431830 column=f:age, timestamp=1549092026605, value=21

A-1003-1550572431830 column=f:uuid, timestamp=1549092026605, value=8c1ff1b6-b97c-4059-9b68

A-1004-1550572395399 column=f:age, timestamp=1549091990253, value=2

A-1004-1550572395399 column=f:uuid, timestamp=1549091990253, value=e240aa0f-c044-452f-89c0

A-1004-1550572403783 column=f:age, timestamp=1549091998555, value=6

A-1004-1550572403783 column=f:uuid, timestamp=1549091998555, value=e8df15c9-02fa-458e-bd0c

10 row(s)

Took 0.1104 seconds

使用协处理器查询加盐之后的表

现在有数据了，我们需要查询所有 UID = 1000 的用户所有历史数据，那么如何查呢？我们知道 UID = 1000 的用户数据是均匀放到上述的27个 Region 里面的，因为经过加盐了，所以这些数据前缀都是类似于 A-，B-，C- 等开头的。其次我们需要知道，每个 Region 其实是有 Start Key 和 End Key 的，这些 Start Key 和 End Key 其实就是我们创建 iteblog 表指定的。如果你看了《HBase 协处理器入门及实战》这篇文章，你就知道协处理器的代码其实是在每个 Region 里面执行的；而这些代码在 Region 里面执行的时候是可以拿到当前 Region 的信息，包括了 Start Key 和 End Key，所以其实我们可以将拿到的 Start Key 信息和查询的 UID 进行拼接，这样就可以查询我们要的数据。协处理器处理篇就是基于这样的思想来查询加盐之后的数据的。

定义 proto 文件

为什么需要定义这个请参见《HBase 协处理器入门及实战》这篇文章。因为我们查询的时候需要传入查询的参数，比如tableName、 StartKey 、 EndKey 以及是否加盐等标记；同时当查询到结果的时候，我们还需要将数据返回，所以我们定义的 proto 文件如下：

option java_package = "com.iteblog.data.coprocessor.generated";

option java_outer_classname = "DataQueryProtos";

option java_generic_services = true;

option java_generate_equals_and_hash = true;

option optimize_for = SPEED;

message DataQueryRequest {

optional string tableName = 1;

optional string startRow = 2;

optional string endRow = 3;

optional bool incluedEnd = 4;

optional bool isSalting = 5;

}

message DataQueryResponse {

message Cell{

required bytes value = 1;

required bytes family = 2;

required bytes qualifier = 3;

required bytes row = 4;

required int64 timestamp = 5;

}

message Row{

optional bytes rowKey = 1;

repeated Cell cellList = 2;

}

repeated Row rowList = 1;

}

service QueryDataService{

rpc queryByStartRowAndEndRow(DataQueryRequest)

returns (DataQueryResponse);

}

然后我们使用 protobuf-maven-plugin 插件将上面的 proto 生成 java 类，具体如何操作参见《在 IDEA 中使用 Maven 编译 proto 文件》。我们将生成的 DataQueryProtos.java 类拷贝到 com.iteblog.data.coprocessor.generated 包里面。

编写协处理器代码

有了请求和返回的类，现在我们需要编写协处理器的处理代码了，结合上面的分析，协处理器的代码实现如下：

package com.iteblog.data.coprocessor;

import com.google.protobuf.ByteString;

import com.google.protobuf.RpcCallback;

import com.google.protobuf.RpcController;

import com.google.protobuf.Service;

import com.iteblog.data.coprocessor.generated.DataQueryProtos.QueryDataService;

import com.iteblog.data.coprocessor.generated.DataQueryProtos.DataQueryRequest;

import com.iteblog.data.coprocessor.generated.DataQueryProtos.DataQueryResponse;

import org.apache.hadoop.hbase.Cell;

import org.apache.hadoop.hbase.CoprocessorEnvironment;

import org.apache.hadoop.hbase.client.Get;

import org.apache.hadoop.hbase.client.Result;

import org.apache.hadoop.hbase.client.Scan;

import org.apache.hadoop.hbase.coprocessor.CoprocessorException;

import org.apache.hadoop.hbase.coprocessor.RegionCoprocessor;

import org.apache.hadoop.hbase.coprocessor.RegionCoprocessorEnvironment;

import org.apache.hadoop.hbase.regionserver.InternalScanner;

import org.apache.hadoop.hbase.shaded.protobuf.ResponseConverter;

import org.apache.hadoop.hbase.util.Bytes;

import java.io.IOException;

import java.util.ArrayList;

import java.util.Collections;

import java.util.List;

public class SlatTableDataSearch extends QueryDataService implements RegionCoprocessor {

private RegionCoprocessorEnvironment env;

public Iterable<Service> getServices() {

return Collections.singleton(this);

}

@Override

public void queryByStartRowAndEndRow(RpcController controller,

DataQueryRequest request,

RpcCallback<DataQueryResponse> done) {

DataQueryResponse response = null;

String startRow = request.getStartRow();

String endRow = request.getEndRow();

String regionStartKey = Bytes.toString(this.env.getRegion().getRegionInfo().getStartKey());

if (request.getIsSalting()) {

String startSalt = null;

if (null != regionStartKey && regionStartKey.length() != 0) {

startSalt = regionStartKey;

}

if (null != startSalt && null != startRow) {

startRow = startSalt + "-" + startRow;

endRow = startSalt + "-" + endRow;

}

Scan scan = new Scan();

if (null != startRow) {

scan.withStartRow(Bytes.toBytes(startRow));

}

if (null != endRow) {

scan.withStopRow(Bytes.toBytes(endRow), request.getIncluedEnd());

}

try (InternalScanner scanner = this.env.getRegion().getScanner(scan)) {

List<Cell> results = new ArrayList<>();

boolean hasMore;

DataQueryResponse.Builder responseBuilder = DataQueryResponse.newBuilder();

do {

hasMore = scanner.next(results);

DataQueryResponse.Row.Builder rowBuilder = DataQueryResponse.Row.newBuilder();

if (results.size() > 0) {

Cell cell = results.get(0);

rowBuilder.setRowKey(ByteString.copyFrom(cell.getRowArray(), cell.getRowOffset(), cell.getRowLength()));

for (Cell kv : results) {

buildCell(rowBuilder, kv);

}

responseBuilder.addRowList(rowBuilder);

results.clear();

} while (hasMore);

response = responseBuilder.build();

} catch (IOException e) {

ResponseConverter.setControllerException(controller, e);

}

done.run(response);

}

private void buildCell(DataQueryResponse.Row.Builder rowBuilder, Cell kv) {

DataQueryResponse.Cell.Builder cellBuilder = DataQueryResponse.Cell.newBuilder();

cellBuilder.setFamily(ByteString.copyFrom(kv.getFamilyArray(), kv.getFamilyOffset(), kv.getFamilyLength()));

cellBuilder.setQualifier(ByteString.copyFrom(kv.getQualifierArray(), kv.getQualifierOffset(), kv.getQualifierLength()));

cellBuilder.setRow(ByteString.copyFrom(kv.getRowArray(), kv.getRowOffset(), kv.getRowLength()));

cellBuilder.setValue(ByteString.copyFrom(kv.getValueArray(), kv.getValueOffset(), kv.getValueLength()));

cellBuilder.setTimestamp(kv.getTimestamp());

rowBuilder.addCellList(cellBuilder);

}

/**

* Stores a reference to the coprocessor environment provided by the

* {@link org.apache.hadoop.hbase.regionserver.RegionCoprocessorHost} from the region where this

* coprocessor is loaded. Since this is a coprocessor endpoint, it always expects to be loaded

* on a table region, so always expects this to be an instance of

* {@link RegionCoprocessorEnvironment}.

*

* @param env the environment provided by the coprocessor host

* @throws IOException if the provided environment is not an instance of

* {@code RegionCoprocessorEnvironment}

*/

@Override

public void start(CoprocessorEnvironment env) throws IOException {

if (env instanceof RegionCoprocessorEnvironment) {

this.env = (RegionCoprocessorEnvironment) env;

} else {

throw new CoprocessorException("Must be loaded on a table region!");

}

@Override

public void stop(CoprocessorEnvironment env) {

// nothing to do

}

大家可以看到，这里面的代码框架和《HBase 协处理器入门及实战》里面介绍的 HBase 提供的 RowCountEndpoint 示例代码很类似。主要逻辑在 queryByStartRowAndEndRow 函数实现里面。我们通过 DataQueryRequest 拿到客户端查询的表，StartKey 和 EndKey 等数据。通过 this.env.getRegion().getRegionInfo().getStartKey() 可以拿到当前 Region 的 StartKey，然后再和客户端传进来的 StartKey 和 EndKey 进行拼接就可以拿到完整的 Rowkey 前缀。剩下的查询就是正常的 HBase Scan 代码了。

现在我们将 SlatTableDataSearch 类进行编译打包，并部署到 HBase 表里面去，具体如何部署参见《HBase 协处理器入门及实战》

协处理器客户端代码编写

到这里，我们的协处理器服务器端的代码和部署已经完成了，现在我们需要编写协处理器客户端代码。其实也很简单，如下：

package com.iteblog.data;

import com.iteblog.data.coprocessor.generated.DataQueryProtos.QueryDataService;

import com.iteblog.data.coprocessor.generated.DataQueryProtos.DataQueryRequest;

import com.iteblog.data.coprocessor.generated.DataQueryProtos.DataQueryResponse;

import com.iteblog.data.coprocessor.generated.DataQueryProtos.DataQueryResponse.*;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.hbase.HBaseConfiguration;

import org.apache.hadoop.hbase.TableName;

import org.apache.hadoop.hbase.client.Connection;

import org.apache.hadoop.hbase.client.ConnectionFactory;

import org.apache.hadoop.hbase.client.HTable;

import org.apache.hadoop.hbase.ipc.CoprocessorRpcUtils.BlockingRpcCallback;

import org.apache.hadoop.hbase.ipc.ServerRpcController;

import java.util.LinkedList;

import java.util.List;

import java.util.Map;

public class DataQuery {

private static Configuration conf = null;

static {

conf = HBaseConfiguration.create();

conf.set("hbase.zookeeper.quorum", "https://www.iteblog.com:2181");

}

static List<Row> queryByStartRowAndStopRow(String tableName,

String startRow, String stopRow,

boolean isIncludeEnd, boolean isSalting) {

final DataQueryRequest.Builder requestBuilder = DataQueryRequest.newBuilder();

requestBuilder.setTableName(tableName);

requestBuilder.setStartRow(startRow);

requestBuilder.setEndRow(stopRow);

requestBuilder.setIncluedEnd(isIncludeEnd);

requestBuilder.setIsSalting(isSalting);

try {

Connection connection = ConnectionFactory.createConnection(conf);

HTable table = (HTable) connection.getTable(TableName.valueOf(tableName));

Map<byte[], List<Row>> result = table.coprocessorService(QueryDataService.class,

null, null, counter -> {

ServerRpcController controller = new ServerRpcController();

BlockingRpcCallback<DataQueryResponse> call = new BlockingRpcCallback<>();

counter.queryByStartRowAndEndRow(controller, requestBuilder.build(), call);

DataQueryResponse response = call.get();

if (controller.failedOnException()) {

throw controller.getFailedOn();

}

return response.getRowListList();

});

List<Row> list = new LinkedList<>();

for (Map.Entry<byte[], List<Row>> entry : result.entrySet()) {

if (null != entry.getKey()) {

list.addAll(entry.getValue());

}

return list;

} catch (Throwable e) {

e.printStackTrace();

}

return null;

}

public static void main(String[] args) {

List<Row> rows = queryByStartRowAndStopRow("iteblog", "1000", "1001", false, true);

if (null != rows) {

System.out.println(rows.size());

for (DataQueryResponse.Row row : rows) {

List<DataQueryResponse.Cell> cellListList = row.getCellListList();

for (DataQueryResponse.Cell cell : cellListList) {

System.out.println(row.getRowKey().toStringUtf8() + " \t " +

"column=" + cell.getFamily().toStringUtf8() +

":" + cell.getQualifier().toStringUtf8() + ", " +

"timestamp=" + cell.getTimestamp() + ", " +

"value=" + cell.getValue().toStringUtf8());

}

我们运行上面的代码，可以得到如下的输出：

A-1000-1550572395399 column=f:age, timestamp=1549091990253, value=54

A-1000-1550572395399 column=f:uuid, timestamp=1549091990253, value=e9b10a9f-1218-43fd-bd01

A-1000-1550572413799 column=f:age, timestamp=1549092008575, value=4

A-1000-1550572413799 column=f:uuid, timestamp=1549092008575, value=181aa91e-5f1d-454c-959c

A-1000-1550572414761 column=f:age, timestamp=1549092009531, value=33

A-1000-1550572414761 column=f:uuid, timestamp=1549092009531, value=19aad8d3-621a-473c-8f9f

B-1000-1550572388491 column=f:age, timestamp=1549091983276, value=1

B-1000-1550572388491 column=f:uuid, timestamp=1549091983276, value=cf720efe-2ad2-48d6-81b8

B-1000-1550572392922 column=f:age, timestamp=1549091987701, value=7

B-1000-1550572392922 column=f:uuid, timestamp=1549091987701, value=8a047118-e130-48cb-adfe

hbase(main):020:0> scan 'iteblog', {STARTROW => 'A-1000', ENDROW => 'A-1001'}

ROW COLUMN+CELL

A-1000-1550572395399 column=f:age, timestamp=1549091990253, value=54

A-1000-1550572395399 column=f:uuid, timestamp=1549091990253, value=e9b10a9f-1218-43fd-bd01

A-1000-1550572413799 column=f:age, timestamp=1549092008575, value=4

A-1000-1550572413799 column=f:uuid, timestamp=1549092008575, value=181aa91e-5f1d-454c-959c

A-1000-1550572414761 column=f:age, timestamp=1549092009531, value=33

A-1000-1550572414761 column=f:uuid, timestamp=1549092009531, value=19aad8d3-621a-473c-8f9f

3 row(s)

Took 0.0569 seconds

可以看到，和我们使用 HBase Shell 输出的一致，而且我们还把所有的 UID = 1000 的数据拿到了。好了，到这里，使用协处理器查询 HBase 加盐之后的表已经算完成了，明天我将介绍使用 Spark 如何查询加盐之后的表。

小东升职记

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
HBase 中加盐（Salting）之后的表如何读取：协处理器篇

在《HBase Rowkey 设计指南》文章中，我们介绍了避免数据热点的三种比较常见方法：加盐 - Salting 哈希 - Hashing 反转 - Reversing其中在加盐（Salting）的方法里面是这么描述的：给 Rowkey 分配一个随机前缀以使得它和之前排序不同。但是在 Rowkey 前面加了随机前缀，那么我们怎么将这些数据读出来呢？我将分三篇文章来介绍如何读取加盐之后的表，其中每篇文章提供一种方法，主要包括：使用协处理器读取加盐的表使用 Spark 读取加盐的表使..
复制链接

扫一扫