课程笔记
今日内容:
-
- hbase的原理及其相关的工作机制 – 理解
-
- hbase的Bulk Load 的批量加载操作 – 操作
-
- hbase的协处理器 – 了解
-
- hbase的调优 – 了解
-
- 扩展 : hbase的数据结构 – 了解
1. apache HBase的原理
1.1 读取数据的流程
1) 由客户端发起读取数据的请求, 首先先连接 zookeeper , 从zookeeper获取hbase:meta表被哪个regionServer所管理
meta表中主要记录了 hbase中各个表有那些region,
以及每个region被哪个regionServer所管理
hbase中非常特殊的元数据存储表, 此表只会有一个region
2) 连接meta对应的regionServer, 从meta中获取要查询
数据的在那些region中, 并将其对应regionServer地址返回给客户端
3) 开始并行的连接这些regionServer, 从这些regionServer中获取数据
先从 memStore --> blockCache ---> storeFile ---> 大的Hfile
4) 各个regionserver将读取到数据返回给client , client根据需要过滤出需要的数据,
最后展示给调用者
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OZC0gFYf-1613913289238)(day18_课堂笔记.assets/image-20210118175811026.png)]
1.2 数据的写入流程
客户端的同步流程:
1) 客户端发起写入数据的请求, 首先会先连接zookeeper, 从zookeeper获取
hbase:meta表所在的regionServer的地址
2) 连接meta表对应的regionServer, 从meta表获取目标表对应要写入
数据的region的地址(基于region的startkey和endKey来确定)
3) 连接对应region的regionServer的地址, 开始进行数据的写入
4) 首先先将数据写入到这个regionServer的Hlog日志中, 然后在
将数据写入到 对应的region中store模块的memStore中, 当这个两个地方都
写入完成后, 客户端就会认为数据写入完成了
异步服务器端执行过程:
5) 客户端不断的进行数据的写入工作, memStore数据也会不断的增多, 当memStore中数据达到一定的阈值(128M|1小时)后, 内部最终启动一个flush线程, 将数据刷新到HDFS上, 形成一个storeFile文件
6) 随着memStore不断刷新数据到HDFS中, storeFile文件也会越来越多, 当storeFile的文件达到一定的阈值后(3个及以上), 启动compact线程, 将多个文件合并最终合并为一个大文件(Hfile)
7) 随着不断的合并, 这个大的Hfile文件也会越来越大, 当这个大的Hfile达到一定的阈值(最终10GB)后, 启动split机制, 将大的Hfile一分为二的操作, 此时region也会进行分割操作, 变成两个新的region, 每个region管理每个分割后新的Hfile文件, 原有就得region就会被下线
8) 随着不断的进行split, 表的region的数量也会越来越多的
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QFebVQWI-1613913289245)(day18_课堂笔记.assets/image-20210118181348381.png)]
2. HBase的原理及其相关的工作机制
2.1 HBase的flush刷新机制(溢写合并机制)
hbase2.0: flush溢写的流程说明
flush溢写流程: hbase 2.0版本后的流程
随着客户端不断写入数据到达memStore中, memStore内存就会被写满(128M), 当memStore内存达到一定的阈值后,
此时就会触发flush刷新线程, 将数据最终写入HDFS上, 形成一个StoreFile文件
1) 当memStore的内存写满后, 首先将这个内存空间关闭, 然后开启一个新的memStore, 将这个写满内存空间的数据存储到一个pipeline的管道(队列)中 (只能读, 不能改)
2) 在Hbase的2.0版本后, 这个管道中数据, 会尽可能晚刷新到磁盘中, 一直存储在内存中, 随着memStore不断的溢写, 管道中数据也会不断的变多
3) 当管道中数据, 达到一定的阈值后, hbase就会启动一个flush的刷新线程, 对pipeline管道中数据一次性全部刷新到磁盘上,而且在刷新的过程中, 对管道中数据进行排序合并压缩操作, 在HDFS上形成一个合并后的storeFile文件
1.0版本中:
区别在于 : 不存在 尽可能晚的刷新 , 也不存在合并溢写操作
注意: 虽然说在2.0时代加入这个内存合并方案, 但是默认情况下是不开启的
2.0中内存合并的策略:
basic(基础型):
说明: 仅做作为基本的合并, 不会对过期数据进行清除操作
优点: 效率高 ,适合于这种有大量写的模式
弊端: 如果数据中大多数都是已经过期的时候, 此时做了许多无用功, 对磁盘IO也会比较大
eager(饥渴型):
说明: 在合并的过程中, 尽可能的去除过期的无用的数据, 保证合并后数据在当下都是可用的
优点: 合并后的文件会较少, 对磁盘IO比较低, 适用于数据过期比较快的场景(比如 购物车数据)
弊端: 由于合并需要多干活,会资源使用也会更多, 导致合并效率降低, 虽然IO减少, 但是依然效率是比较低下的
adaptive(适应型):
说明: 在合并的过程中, 会根据数据的重复情况来决定是否需要采用哪种方案, 当重复数据过多, 就会采用eager型, 否则使用basic(基础型)
优点: 更智能化, 自动切换
弊端: 如果重复数据比较多 但是写入也比较频繁, 此时采用eager, 会导致资源被eager占用较大, 从而影响写入的效率
如何配置内存合并策略:
-
方案一: 全局配置, 所有表都生效
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-z803JVKI-1613913289249)(day18_课堂笔记.assets/image-20210119095808448.png)]
-
方案二: 针对某个表来设置
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xdL6mULO-1613913289252)(day18_课堂笔记.assets/image-20210119095842281.png)]
2.2 HBase的storeFile的合并机制
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uld7lPbV-1613913289258)(day18_课堂笔记.assets/image-20210119102815674.png)]
触发时机:
minor: 触发时机 storeFile文件达到3及以上的时候 | 刚刚启动Hbase集群的时候
major: 默认触发时间: 7天 | 刚刚启动Hbase集群的时候
- hbase矛盾点: HBase支持随机读写功能, HBase基于HDFS, 而HDFS不支持随机读写, 如何解决呢?
1) 在Hbase中, 所有的数据随机操作,都是对内存中数据进行处理, 如果是添加, 在内存中加入数据, 如果修改, 同样也是添加操作(时间戳记录版本), 如果删除,本应该是直接到磁盘中将数据删除, 但是HDFS不支持, 在内存中记录好这个标记,不显示给用户看即可
2) 在进行storeFile的major合并操作的时候, 此时将HDFS的数据读取出来到内存中, 边读取边处理, 边将数据追加到HDFS中
2.3 Hbase的split机制(region分裂)
-
split在最终达到10GB时候, 就会执行split分裂, 分裂之后, 就会形成两个新的Region, 原有Region就会被下线, 新的region会分别各种切分后Hfile文件
-
注意: split的 最终10Gb 指的是当Hbase中Region数量达到9个及以上的时候, 采用按照10GB进行分裂,而什么分裂取决于以下这个公式:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RElr1zJV-1613913289260)(day18_课堂笔记.assets/image-20210119105200036.png)]
R: 表的Region的数量
flush.size: 默认值为 128M
max.Filesize: 默认值 10GB
思考: 如果现在我希望, Region在5个时候, 最好就可以按照10GB分裂, 如何解决呢? 调整flush.size的大小
2.4 region server的上线流程:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FakseSpF-1613913289263)(day18_课堂笔记.assets/image-20210119111906090.png)]
2.5 regionServer的下线流程
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-yNhu6ANS-1613913289265)(day18_课堂笔记.assets/image-20210119112108603.png)]
2.6 master的上线和下线
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dlRVSOwg-1613913289267)(day18_课堂笔记.assets/image-20210119113135847.png)]
注意:
master下线短期对hbase没有太大的影响, 因为master不会参与数据IO操作, 数据读写操作不会使用master
master下线主要是影响了对表的一些 以及对region的操作
3. HBase的Bulk Load 批量加载操作
原有的数据写入操作大致流转流程:
正常写入数据的流程: 数据写入到Hlog --> memStore --> storeFile --> Hfile
如果以及有一批数据, 需要写入到Hbase中某个表中, 传统做法, 按照上述流程, 一步步将数据最终写入Hfile中, 此时整个region集群会经历大量的写入请求操作, hbase集群需要调度大量资源来满足本次的数据写入工作,如果这个时候, 又出现大量的读取数据请求也去访问这个表, 会发生什么问题呢? 读取性能有可能回受到影响 甚至出现卡顿现象
思考如何解决呢?
hbase的Bulk Load 说明:
对一批数据, 提前按照HBase的Hfile文件格式存储好, 然后将Hfile文件格式数据直接放置到Hbase对应数据目录下, 让Hbase直接加载, 此时不需要Hbase提供大量的写入资源, 即可完成全部数据写入操作
总结:
第一个步骤: 将数据文件转换为HFile文件格式 -- MapReduce
第二个步骤: 将Hfile文件格式数据加载到Hbase中
这里是引用
3.1 需求说明
- 需求: 需要将每一天的银行转账记录的数据 存储到HBase中 , 数据量比较的庞大
- 数据所在位置: HDFS中,
- 数据格式为: CSV 分割符号为逗号
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xIivGWWg-1613913289270)(day18_课堂笔记.assets/image-20210119145033844.png)]
3.2 准备工作
-
- 在hbase中创建名称空间, 并创建hbase的表
# 创建名称空间:
create_namespace 'ITCAST_BANK'
# 在名称空间下, 创建目标表:
create 'ITCAST_BANK:TRANSFER_RECORD' ,{NAME=>'C1',COMPRESSION=>'GZ'},{NUMREGIONS=>6,SPLITALGO=>'HexStringSplit'}
-
- 创建 maven项目 加载相关的pom 依赖
说明: 如果将此全部导入到本项目中, 出现全部爆红错误, 可以将此内容放置到父工程的pom依赖中
此时 有可能导致其他某个项目爆红(不用管), 只需要保证当前自己的项目没有任何问题即可
<repositories>
<repository>
<id>aliyun</id>
<url>http://maven.aliyun.com/nexus/content/groups/public/</url>
<releases>
<enabled>true</enabled>
</releases>
<snapshots>
<enabled>false</enabled>
<updatePolicy>never</updatePolicy>
</snapshots>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>org.apache.hbase</groupId>
<artifactId>hbase-client</artifactId>
<version>2.1.0</version>
</dependency>
<dependency>
<groupId>org.apache.hbase</groupId>
<artifactId>hbase-mapreduce</artifactId>
<version>2.1.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>2.7.5</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.7.5</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>2.7.5</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-auth</artifactId>
<version>2.7.5</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.7.5</version>
</dependency>
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.6</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.1</version>
<configuration>
<target>1.8</target>
<source>1.8</source>
</configuration>
</plugin>
</plugins>
</build>
-
- 在项目中创建包 和 添加配置文件log4j.properties
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iNWtGvDU-1613913289272)(day18_课堂笔记.assets/image-20210119151046606.png)]
-
- 将转换csv数据上传到HDFS中: 数据在资料中
hdfs dfs -mkdir -p /bulkLoad/output
hdfs dfs -put bank_record.csv /bulkLoad/output
3.3 将CSV数据转换为HFile文件格式数据
- map 程序的代码
package com.itheima.bulkload.mr;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class BulkLoadMapper extends Mapper<LongWritable,Text,ImmutableBytesWritable,Put> {
private ImmutableBytesWritable k2 = new ImmutableBytesWritable();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1. 获取一行数据
String line = value.toString();
if(line != null && !"".equalsIgnoreCase(line)){
//2. 对数据进行切割操作
String[] fields = line.split(",");
//3. 封装k2 和 v2的数据
//封装 k2
String rowkeyStr = fields[0];
k2.set(rowkeyStr.getBytes());
// 封装v2
Put v2 = new Put(rowkeyStr.getBytes());
v2.addColumn("C1".getBytes(),"code".getBytes(),fields[1].getBytes());
v2.addColumn("C1".getBytes(),"rec_account".getBytes(),fields[2].getBytes());
v2.addColumn("C1".getBytes(),"rec_bank_name".getBytes(),fields[3].getBytes());
v2.addColumn("C1".getBytes(),"rec_name".getBytes(),fields[4].getBytes());
v2.addColumn("C1".getBytes(),"pay_account".getBytes(),fields[5].getBytes());
v2.addColumn("C1".getBytes(),"pay_name".getBytes(),fields[6].getBytes());
v2.addColumn("C1".getBytes(),"pay_comments".getBytes(),fields[7].getBytes());
v2.addColumn("C1".getBytes(),"pay_channel".getBytes(),fields[8].getBytes());
v2.addColumn("C1".getBytes(),"pay_way".getBytes(),fields[9].getBytes());
v2.addColumn("C1".getBytes(),"status".getBytes(),fields[10].getBytes());
v2.addColumn("C1".getBytes(),"timestamp".getBytes(),fields[11].getBytes());
v2.addColumn("C1".getBytes(),"money".getBytes(),fields[12].getBytes());
//4. 输出
context.write(k2,v2);
}
}
}
- 驱动类的代码
package com.itheima.bulkload.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
public class BulkLoadDriver {
public static void main(String[] args) throws Exception {
//1. 获取job对象
//Configuration conf = new Configuration();
Configuration conf = HBaseConfiguration.create();
conf.set("hbase.zookeeper.quorum","node1:2181,node2:2181,node3:2181");
Job job = Job.getInstance(conf, "BulkLoadDriver");
//2. 配置集群运行的必备项
job.setJarByClass(BulkLoadDriver.class);
//3. 配置 MR的天龙八部
//3.1: 指定输入类, 及其输入的路径
job.setInputFormatClass(TextInputFormat.class);
TextInputFormat.addInputPath(job,new Path("hdfs://node1:8020/bulkLoad/input/bank_record.csv"));
//3.2: 指定map类 及其输出的k2和v2的类型
job.setMapperClass(BulkLoadMapper.class);
job.setMapOutputKeyClass(ImmutableBytesWritable.class);
job.setMapOutputValueClass(Put.class);
//3.3 : 指定 shuffle操作: 分区 排序 规约 分组 默认即可
//3.7: 指定reduce类, 及其输出 k3 和 v3的类型
job.setNumReduceTasks(0);
job.setOutputKeyClass(ImmutableBytesWritable.class);
job.setOutputValueClass(Put.class);
//3.8: 设置输出类, 及其输出的路径: HFile文件格式
job.setOutputFormatClass(HFileOutputFormat2.class);
HFileOutputFormat2.setOutputPath(job,new Path("hdfs://node1:8020/bulkLoad/output"));
Connection conn = ConnectionFactory.createConnection(conf);
Table table = conn.getTable(TableName.valueOf("ITCAST_BANK:TRANSFER_RECORD"));
HFileOutputFormat2.configureIncrementalLoad(job,table,conn.getRegionLocator(TableName.valueOf("ITCAST_BANK:TRANSFER_RECORD")));
//4. 提交任務
boolean flag = job.waitForCompletion(true);
//5. 退出程序
System.exit(flag ? 0 : 1);
}
}
3.4 将Hfile文件格式数据加载HBase中
语法说明:
hbase org.apache.hadoop.hbase.tool.LoadIncrementalHFiles 数据路径 Hbase表名
案例
hbase org.apache.hadoop.hbase.tool.LoadIncrementalHFiles hdfs://node1.itcast.cn:8020/bulkLoad/output/ ITCAST_BANK:TRANSFER_RECORD
导入时 发现报错了
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MliMn0E9-1613913289274)(day18_课堂笔记.assets/image-20210119161040733.png)]
此时可以通过查看当前执行对应regionServer的日志文件:
tail -100f hbase-root-regionserver-node2.out
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9XaS7etY-1613913289277)(day18_课堂笔记.assets/image-20210119161358682.png)]
错误原因: 是由于在安装软件过程中, 采用不同域名来操作, 导致Hbase无法识别 从而导致数据加载失败了
如何解决呢? 建议选择 HDFS的修改
修改 node1的hdfs的core-site.xml
cd /export/server/hadoop-2.7.5/etc/hadoop
vim core-site.xml
# 修改一下内容:
<property>
<name>fs.defaultFS</name>
<value>hdfs://node1.itcast.cn:8020</value>
</property>
修改完成后, 将core-site.xml 发送给node2和node3
scp -r core-site.xml node2:$PWD
scp -r core-site.xml node3:$PWD
还需要修改: slaves文件:
vim slaves
# 修改为以下内容:
node1.itcast.cn
node2.itcast.cn
node3.itcast.cn
# 将此文件 发生给 node2 和 node3
scp -r slaves node2:$PWD
scp -r slaves node3:$PWD
4. HBase的协处理器
Hbase的协处理器主要有二大类: observer 和 endpoint
-
observer: 可以将其看做是拦截器(过滤器 触发器), 可以基于这种协处理器对Hbase相关操作进行监控(钩子 Hook)
- 例如: 监控用户插入到某个表操作, 插入之前要打印一句话
- ObServer所提供一些类, 这些类可以监控到HBase中各种操作: 对数据的CURD 对表的CURD 对region的操作 对日志操作
- Observer能做什么事情?
-
- 记录操作日志
-
- 权限的管理
-
-
endpoint: 可以看做数据库中存储过程,也可以看做在java代码中封装一个方法(功能), 将这个方法放置服务端, 让服务器进行执行操作, 客户端只需要拿到服务端执行结果即可
- 作用: 执行一些聚合操作: 求和 求差 求最大 …