hbase bulk load相关源码简析之PutSortReducer、KeyValueSortReducer

转载请注明出处： http://blog.csdn.net/lonelytrooper/article/details/17040895

PutSortReducer：

// 对map阶段传递过来的puts中的KVs做排序，并将有序的KVs写到输出流(最终写的类是HFileWriterV1或HFileWriterV2的append方法)...
public class PutSortReducer extends
		Reducer<ImmutableBytesWritable, Put, ImmutableBytesWritable, KeyValue> {

	@Override
	protected void reduce(ImmutableBytesWritable row, java.lang.Iterable<Put> puts,
			Reducer<ImmutableBytesWritable, Put, ImmutableBytesWritable, KeyValue>.Context context)
			throws java.io.IOException, InterruptedException {
		// although reduce() is called per-row, handle pathological case
		// 设定一个RAM的阀值，用于应对非常规的情况.. 默认值2L * (1 << 30)为Integer.MAX_VALUE+1
		long threshold = context.getConfiguration().getLong("putsortreducer.row.threshold",
				2L * (1 << 30));
		Iterator<Put> iter = puts.iterator();
		while (iter.hasNext()) {
			TreeSet<KeyValue> map = new TreeSet<KeyValue>(KeyValue.COMPARATOR); // KVComparator
			long curSize = 0;
			// stop at the end or the RAM threshold
			// 用curSize累计当前puts的size，但这个size不能超过threshold...
			while (iter.hasNext() && curSize < threshold) {
				Put p = iter.next();
				for (List<KeyValue> kvs : p.getFamilyMap().values()) {
					for (KeyValue kv : kvs) {
						map.add(kv);
						curSize += kv.getLength();
					}
				}
			}
			// 记录已读取的map中的KV的个数，并将curSize转成易读的KB,MB,GB..
			context.setStatus("Read " + map.size() + " entries of " + map.getClass() + "("
					+ StringUtils.humanReadableInt(curSize) + ")");
			int index = 0;
			// 将当前有序的KV写到输出流..
			for (KeyValue kv : map) {
				context.write(row, kv);
				if (index > 0 && index % 100 == 0) // 记录进度，每100个记录一次..
					context.setStatus("Wrote " + index);
			}

			// if we have more entries to process
			//如果居然还有put没处理完..我们会通过context.write(null, null)强刷.. 这会关闭当前的Writer(StoreFile.Writer)，并形成了一个StoreFile。
			//在外层的下次循环中，会继续处理余下的数据，并创建新的StoreFile的Writer。 换言之，这种情况下相同rowkey的数据会被写到不同的StoreFile中...
			//细节部分可以看下HFileOutputFormat下RecordWriter类下的write方法..
			if (iter.hasNext()) {
				// force flush because we cannot guarantee intra-row sorted
				// order
				context.write(null, null);
			}
		}
	}
}

KeyValueSortReducer：

// 类比PutSortReducer，对map传递过来的KVs进行排序，并将有序的KVs写到输出流...
// 如果一行包含的列非常多的话，有oom的风险..
public class KeyValueSortReducer extends Reducer<ImmutableBytesWritable, KeyValue, ImmutableBytesWritable, KeyValue> {
  protected void reduce(ImmutableBytesWritable row, java.lang.Iterable<KeyValue> kvs,
      org.apache.hadoop.mapreduce.Reducer<ImmutableBytesWritable, KeyValue, ImmutableBytesWritable, KeyValue>.Context context)
  throws java.io.IOException, InterruptedException {
    TreeSet<KeyValue> map = new TreeSet<KeyValue>(KeyValue.COMPARATOR);
    for (KeyValue kv: kvs) {
      map.add(kv.clone());
    }
    context.setStatus("Read " + map.getClass());
    int index = 0;
    for (KeyValue kv: map) {
      context.write(row, kv);
      if (index > 0 && index % 100 == 0) context.setStatus("Wrote " + index);
    }
  }
}

简单说下TotalOrderPartitioner和SimpleTotalOrderPartitioner：

TotalOrderPartitioner：

做全排序的东东，hbase中的TOP其实就是hadoop中TOP的直接拷贝，通过从外部文件中读取分区点来实现。 在bulk load中，这个外部文件即为从HTable中获取的region的startKeys处理之后得到的split points，这个split points文件被写到了路径Path partitionsPath = new Path(job.getWorkingDirectory(), "partitions_" + UUID.randomUUID())。

SimpleTotalOrderPartitioner：

简单的做全排序的东东，原则是根据输入的startkey和endkey进行均分，区间是左闭右开。