前言
- 数据导入HBase时，若是小批量的数据，使用HBase提供的API就可以满足需求。
- 如果要灌入大量数据，使用API的方式导入，会占用大量的RegionServer的资源，影响该RegionServer上其他表的查询。
为了解决这种问题，HBase官方提供了两种基于MapReduce的大量数据导入的方法：
- ImportTSV
- BuckLoad
1. HBase导入数据的写入流程
- 客户端Client向HRegionServer发起请求，要求写入数据。
- HRegionServer先将数据写入HLog中，即图中WAL过程。=》防止数据丢失
- HRegionServer将数据写入Memstore中，做缓存。
- 当内存中的数据达到阀值时，将数据Flush(刷写)到硬盘中，即写入到HFile中，并同时删除MemStore和HLog中的数据。
2. HBase在hdfs中的存储结构
我们知道，HBase的数据最终是以HFile的形式存储在hdfs中的，在hdfs中hbase的目录结构如下
/HBase指定的存储目录/HBase表/表分布的Region/列族/HFile
- 举个例子：
现在有一张user表，表中有两个列族info和desc，user的region分布情况如下：（如下图示HBase WEB UI界面）
- 在hdfs中user表存储路径如下所示，无视两个.开头的文件，其他的目录名称均为上图中，Region对应的code码
- 点进去一个Region目录，目录内容如下图：
其中info和desc这两个目录，就是HBase创建表时定义的列族，HFile存放在该目录下
- 点进去info列族这个文件夹，可以看到这个列族下的HFile
3. ImportTSV初次见面，请多指教~
ImportTsv是HBase提供的一个命令行工具，将存储在hdfs上的数据文件，通过指定的分隔符解析后，导入到HBase表中。
使用ImportTsv的方式导入数据与正常写入流程不同的是，跳过了WAL（Client写入到HLog）、Memcache（Client写入到MemStore）与Flush的过程，直接将HFlie文件移动到HBase表空间目录下即可，不影响HRegionServer的性能
ImportTsv包含两种方式，能够将数据导入到HBase表中：
- 第一种，使用TableOutputformat在reduce端插入数据，但是这种方式导入大批量数据的时候有可能会存在问题，尤其是列比较多的宽表导入的时候，会出现RegionTooBusyException，导致数据丢失，如果数据量少，可以使用该方法
- 第二种（强烈推荐）：先使用MapReduce程序生成HFlie文件，再执行LoadlncrementaHFlies命令，将文件移动到HBase表中对应的存储目录下。
4. ImportTsv用法
4.1 命令如下
hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.columns=a,b,c <tablename> <inputdir>
默认情况下，是第一种导入方法，即将数据在reduce端直接导入到HBase中
4.2 参数说明
- -Dimporttsv.columns=a,b,c 指定导入到HBase表中的列
- <tablename> 表名
- <inputdir> 数据文件在hdfs上的目录地址（直接写目录地址即可，例：/data/data.txt）
如上参数，是默认直接导入所需基本的参数，如下是根据具体上传的文件指定参数
- 如果数据文件不是使用默认的分隔符 \t进行分割，需要指定文件分隔符：
-Dimporttsv.separator="," 指定分隔符为逗号 - 如果使用第二种方法，要生成HFlie文件，添加如下参数：
-Dimporttsv.bluck.output=/path/for/output 指定生成的HFlie文件在hdfs的存储目录地址
另外，还有一些运行参数可供选择
- -Dimporttsv.skip.bad.lines=true / false
在导入过程中，如果有不符合分割标准的行，被称之为badlines，设置是否跳过，如果不跳过，则Map-Reduce任务停止 - -Dimporttsv.timestamp=currentTimeAsLong 指定导入的时间戳
- -Dimporttsv.mapper.class=my.Mapper
指定用户自定义的Mapper程序，用于替换默认的Mapper：org.apache.hadoop.hbase.mapreduce.TsvImporterMapper - -Dmapreduce.job.name=jobName 用户指定MapReduce任务名称
- -Dcreate.table= yes/no
如果HBase中没有创建表，是否使用ImportTSV工具创建该表，如果设置为no，则在HBase中表必须存在 - -Dno.strict= true / false 是否忽略HBASE表中的列族检查，默认为false
如果考虑提升导入性能，可以参考如下参数
- -Dmapreduce.map.speculative=false 关闭Map端推断
- -Dmapreduce.reduce.speculative=false 关闭Reduce端推断
5. 使用ImportTsv导入HBase实例
5.1 数据文件user.txt
这里有一个数据文件，user.txt, 文件内容如下：如有雷同，纯属巧合
对应的列分别为：手机号反转、姓名、性别、年龄、身份证号、户籍地址、生日
现要将数据文件导入到user表中，user表建表语句如下：
info列簇是用户基本信息
desc列簇是其他描述信息
HBase创建表如下
create 'user',
{NAME => 'info', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROWCOL', COMPRESSION => 'SNAPPY', VERSIONS => '1', MIN_VERSIONS => '0', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536', IN_MEMORY => 'false', BLOCKCACHE => 'false',REPLICATION_SCOPE=>'1'},
{NAME => 'desc', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROWCOL', COMPRESSION => 'SNAPPY', VERSIONS => '1', MIN_VERSIONS => '0', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536',IN_MEMORY => 'false', BLOCKCACHE => 'false',REPLICATION_SCOPE=>'1'},
SPLITS => ['0','1', '2', '3', '4','5','6','7','8','9']
5.2 需求
需要将user.txt文件中的数据导入到user表中的info列族，row-key是用户手机号反转
5.3 第一种方式导入（简单了解下，重点还是第二种）
- 指定分隔符为逗号
- 指定导入的列：第一列为HBASE_ROW_KEY，其他列都是info列族下的name，gender，age，idNumber，address，birthday列
- 指定需要导入的表名：user
- 指定数据文件在hdfs上的目录地址：/louisvv/user.txt
hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.separator="," \
-Dimporttsv.columns=HBASE_ROW_KEY,info:name,info:gender,info:age,info:idNumber,info:address,info:birthday \
user /louisvv/user.txt
5.4 第二种方式导入（强烈推荐，重点介绍）
- 指定分隔符
- 指定产生的HFlie在hdfs上存放的临时目录： /louisvv/hfile_tmp
- 指定导入的列：第一列为hbase_row_key, 其他列都是info列族下的name，gender，age，idNumber，address，birthday列
- 指定需要导入的表名：user
- 指定数据文件在hdfs上的目录地址：/louisvv/user.txt
hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.separator="," \
-Dimporttsv.bulk.output=/louisvv/hfile_tmp \
-Dimporttsv.columns=HBASE_ROW_KEY,info:name,info:gender,info:age,info:idNumber,info:address,info:birthday \
user /yw/user.txt
- 截取Map-Reduce部分日志如下：
可以看到MR的基本信息，共2000002（二百万）条数据，ImportTsv 处理的Bad Lines=0，即所有数据都成功的导入了，整个过程大约花费了1分20秒左右的时间，可以看出ImportTsv的效率还是挺快的。
2018-10-15 16:54:24,570 INFO [main] mapreduce.Job: map 0% reduce 0%
2018-10-15 16:54:35,670 INFO [main] mapreduce.Job: map 20% reduce 0%
2018-10-15 16:54:38,688 INFO [main] mapreduce.Job: map 33% reduce 0%
2018-10-15 16:54:45,730 INFO [main] mapreduce.Job: map 50% reduce 0%
2018-10-15 16:54:54,795 INFO [main] mapreduce.Job: map 70% reduce 0%
2018-10-15 16:54:57,812 INFO [main] mapreduce.Job: map 83% reduce 0%
2018-10-15 16:55:05,853 INFO [main] mapreduce.Job: map 100% reduce 0%
2018-10-15 16:55:13,891 INFO [main] mapreduce.Job: map 100% reduce 69%
2018-10-15 16:55:16,905 INFO [main] mapreduce.Job: map 100% reduce 73%
2018-10-15 16:55:19,920 INFO [main] mapreduce.Job: map 100% reduce 76%
2018-10-15 16:55:22,935 INFO [main] mapreduce.Job: map 100% reduce 80%
2018-10-15 16:55:25,949 INFO [main] mapreduce.Job: map 100% reduce 83%
2018-10-15 16:55:28,964 INFO [main] mapreduce.Job: map 100% reduce 86%
2018-10-15 16:55:31,976 INFO [main] mapreduce.Job: map 100% reduce 90%
2018-10-15 16:55:34,989 INFO [main] mapreduce.Job: map 100% reduce 93%
2018-10-15 16:55:38,003 INFO [main] mapreduce.Job: map 100% reduce 97%
2018-10-15 16:55:41,014 INFO [main] mapreduce.Job: map 100% reduce 100%
2018-10-15 16:55:41,022 INFO [main] mapreduce.Job: Job job_1539592382677_0007 completed successfully
2018-10-15 16:55:41,149 INFO [main] mapreduce.Job: Counters: 50
File System Counters
FILE: Number of bytes read=437400267
FILE: Number of bytes written=875354426
FILE: Number of read operations=0
FILE: Number of large read operations=0
FILE: Number of write operations=0
HDFS: Number of bytes read=133551726
HDFS: Number of bytes written=188589865
HDFS: Number of read operations=11
HDFS: Number of large read operations=0
HDFS: Number of write operations=3
Job Counters
Launched map tasks=2
Launched reduce tasks=1
Data-local map tasks=2
Total time spent by all maps in occupied slots (ms)=302200
Total time spent by all reduces in occupied slots (ms)=281168
Total time spent by all map tasks (ms)=37775
Total time spent by all reduce tasks (ms)=35146
Total vcore-milliseconds taken by all map tasks=37775
Total vcore-milliseconds taken by all reduce tasks=35146
Total megabyte-milliseconds taken by all map tasks=154726400
Total megabyte-milliseconds taken by all reduce tasks=143958016
Map-Reduce Framework
Map input records=2000002
Map output records=2000002
Map output bytes=431420770
Map output materialized bytes=437400273
Input split bytes=182
Combine input records=2000002
Combine output records=1999629
Reduce input groups=1999281
Reduce shuffle bytes=437400273
Reduce input records=1999629
Reduce output records=11995686
Spilled Records=3999258
Shuffled Maps =2
Failed Shuffles=0
Merged Map outputs=2
GC time elapsed (ms)=4894
CPU time spent (ms)=206900
Physical memory (bytes) snapshot=6744469504
Virtual memory (bytes) snapshot=16308625408
Total committed heap usage (bytes)=7036469248
ImportTsv
Bad Lines=0
Shuffle Errors
BAD_ID=0
CONNECTION=0
IO_ERROR=0
WRONG_LENGTH=0
WRONG_MAP=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=133551544
File Output Format Counters
Bytes Written=188589865
- 接下来要将生产的临时HFlie文件导入到HBase中
- 指定刚刚的HFlie目录地址：/louisvv/hfile_tmp
- 指定需要导入的表：user
hbase org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles /louisvv/hfile_tmp user
- 运行日志如下
2018-10-15 17:01:52,416 INFO [main-SendThread(ai-main:2181)] zookeeper.ClientCnxn: Session establishment complete on server ai-main/192.168.1.22:2181, sessionid = 0x166666be050001d, negotiated timeout = 60000
2018-10-15 17:01:52,781 WARN [main] mapreduce.LoadIncrementalHFiles: Skipping non-directory hdfs://cluster/louisvv/hfile_tmp/_SUCCESS
2018-10-15 17:01:53,249 INFO [LoadIncrementalHFiles-0] hfile.CacheConfig: CacheConfig:disabled
2018-10-15 17:01:53,300 INFO [LoadIncrementalHFiles-0] compress.CodecPool: Got brand-new decompressor [.snappy]
2018-10-15 17:01:53,331 INFO [LoadIncrementalHFiles-0] mapreduce.LoadIncrementalHFiles: Trying to load hfile=hdfs://cluster/louisvv/hfile_tmp/info/1c6888ef7b014b90908e48c47597ca0a first=13010007758 last=18999999393
2018-10-15 17:01:53,742 INFO [main] client.ConnectionManager$HConnectionImplementation: Closing master protocol: MasterService
2018-10-15 17:01:53,743 INFO [main] client.ConnectionManager$HConnectionImplementation: Closing zookeeper sessionid=0x166666be050001d
2018-10-15 17:01:53,744 INFO [main] zookeeper.ZooKeeper: Session: 0x166666be050001d closed
2018-10-15 17:01:53,745 INFO [main-EventThread] zookeeper.ClientCnxn: EventThread shut down
- 验证
使用hbase shell对数据进行验证，因为数据太多了，不能使用scan操作，这里就随机挑一个row_key为68398017181，我们进行一下get
查询结果如下：
这里看到，中文在HBase中是以十六进制保存的，我们需要验证一下name字段是否和我们查询的相符即可
hbase(main):003:0> get 'user','68398017181'
COLUMN CELL
info:address timestamp=1539756695119, value=\xE6\x89\xB6\xE9\xA3\x8E\xE5\x8E\xBF
info:age timestamp=1539756695119, value=36
info:birthday timestamp=1539756695119, value=198xxxxx
info:gender timestamp=1539756695119, value=\xE5\xA5\xB3
info:idNumber timestamp=1539756695119, value=610XXXXXXXXXXX5584
info:name timestamp=1539756695119, value=\xE5\xBA\x9E\xE7\xBE\x8E\xE8\xAF\x97
6 row(s) in 0.0530 seconds
我使用python程序进行转码：
结果正确，则数据导入正确
>>> print '\xE5\xBA\x9E\xE7\xBE\x8E\xE8\xAF\x97'.decode('utf-8')
庞美诗
如果喜欢本文章，请用小手点个赞~
917
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
