HBase 写优化之 BulkLoad 实现数据快速入库

转自 http://my.oschina.net/leejun2005/blog/187309

目录[-]

• 1、为何要 BulkLoad 导入？传统的 HTableOutputFormat 写 HBase 有什么问题？
• 2、bulkload 流程与实践
• 3、说明与注意事项：
• 4、Refer：

1、为何要 BulkLoad 导入？传统的 HTableOutputFormat 写 HBase 有什么问题？

我们先看下 HBase 的写流程：

通常 MapReduce 在写HBase时使用的是 TableOutputFormat 方式，在reduce中直接生成put对象写入HBase，该方式在大数据量写入时效率低下（HBase会block写入，频繁进行flush，split，compact等大量IO操作），并对HBase节点的稳定性造成一定的影响（GC时间过长，响应变慢，导致节点超时退出，并引起一系列连锁反应），而HBase支持 bulk load 的入库方式，它是利用hbase的数据信息按照特定格式存储在hdfs内这一原理，直接在HDFS中生成持久化的HFile数据格式文件，然后上传至合适位置，即完成巨量数据快速入库的办法。配合mapreduce完成，高效便捷，而且不占用region资源，增添负载，在大数据量写入时能极大的提高写入效率，并降低对HBase节点的写入压力。
通过使用先生成HFile，然后再BulkLoad到Hbase的方式来替代之前直接调用HTableOutputFormat的方法有如下的好处：
（1）消除了对HBase集群的插入压力
（2）提高了Job的运行速度，降低了Job的执行时间
目前此种方式仅仅适用于只有一个列族的情况，在新版 HBase 中，单列族的限制会消除。

2、bulkload 流程与实践

bulkload 方式需要两个Job配合完成： 
（1）第一个Job还是运行原来业务处理逻辑，处理的结果不直接调用HTableOutputFormat写入到HBase，而是先写入到HDFS上的一个中间目录下（如 middata） 
（2）第二个Job以第一个Job的输出（middata）做为输入，然后将其格式化HBase的底层存储文件HFile 
（3）调用BulkLoad将第二个Job生成的HFile导入到对应的HBase表中

下面给出相应的范例代码：

001	import java.io.IOException;

002

003	import org.apache.hadoop.conf.Configuration;

004	import org.apache.hadoop.fs.Path;

005	import org.apache.hadoop.hbase.HBaseConfiguration;

006	import org.apache.hadoop.hbase.KeyValue;

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

008	import org.apache.hadoop.hbase.client.Put;

009	import org.apache.hadoop.hbase.io.ImmutableBytesWritable;

010	import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat;

011	import org.apache.hadoop.hbase.mapreduce.KeyValueSortReducer;

012	import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;

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

014	import org.apache.hadoop.io.IntWritable;

015	import org.apache.hadoop.io.LongWritable;

016	import org.apache.hadoop.io.Text;

017	import org.apache.hadoop.mapreduce.Job;

018	import org.apache.hadoop.mapreduce.Mapper;

019	import org.apache.hadoop.mapreduce.Reducer;

020	import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

021	import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

022	import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

023	import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

024	import org.apache.hadoop.util.GenericOptionsParser;

025

026	public class GeneratePutHFileAndBulkLoadToHBase {

027

028	public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>

029

{

030

031	private Text wordText=new Text();

032	private IntWritable one=new IntWritable(1);

033

@Override

034	protected void map(LongWritable key, Text value, Context context)

035	throws IOException, InterruptedException {

036	// TODO Auto-generated method stub

037	String line=value.toString();

038	String[] wordArray=line.split(" ");

039	for(String word:wordArray)

040

{

041	wordText.set(word);

042	context.write(wordText, one);

043

}

044

045

}

046

}

047

048	public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>

049

{

050

051	private IntWritable result=new IntWritable();

052	protected void reduce(Text key, Iterable<IntWritable> valueList,

053	Context context)

054	throws IOException, InterruptedException {

055	// TODO Auto-generated method stub

056	int sum=0;

057	for(IntWritable value:valueList)

058

{

059	sum+=value.get();

060

}

061	result.set(sum);

062	context.write(key, result);

063

}

064

065

}

066

067	public static class ConvertWordCountOutToHFileMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put>

068

{

069

070

@Override

071	protected void map(LongWritable key, Text value, Context context)

072	throws IOException, InterruptedException {

073	// TODO Auto-generated method stub

074	String wordCountStr=value.toString();

075	String[] wordCountArray=wordCountStr.split("\t");

076	String word=wordCountArray[0];

077	int count=Integer.valueOf(wordCountArray[1]);

078

079	//创建HBase中的RowKey

080	byte[] rowKey=Bytes.toBytes(word);

081	ImmutableBytesWritable rowKeyWritable=new ImmutableBytesWritable(rowKey);

082	byte[] family=Bytes.toBytes("cf");

083	byte[] qualifier=Bytes.toBytes("count");

084	byte[] hbaseValue=Bytes.toBytes(count);

085	// Put 用于列簇下的多列提交，若只有一个列，则可以使用 KeyValue 格式

086	// KeyValue keyValue = new KeyValue(rowKey, family, qualifier, hbaseValue);

087	Put put=new Put(rowKey);

088	put.add(family, qualifier, hbaseValue);

089	context.write(rowKeyWritable, put);

090

091

}

092

093

}

094

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

096	// TODO Auto-generated method stub

097	Configuration hadoopConfiguration=new Configuration();

098	String[] dfsArgs = new GenericOptionsParser(hadoopConfiguration, args).getRemainingArgs();

099

100	//第一个Job就是普通MR，输出到指定的目录

101	Job job=new Job(hadoopConfiguration, "wordCountJob");

102	job.setJarByClass(GeneratePutHFileAndBulkLoadToHBase.class);

103	job.setMapperClass(WordCountMapper.class);

104	job.setReducerClass(WordCountReducer.class);

105	job.setOutputKeyClass(Text.class);

106	job.setOutputValueClass(IntWritable.class);

107	FileInputFormat.setInputPaths(job, new Path(dfsArgs[0]));

108	FileOutputFormat.setOutputPath(job, new Path(dfsArgs[1]));

109	//提交第一个Job

110	int wordCountJobResult=job.waitForCompletion(true)?0:1;

111

112	//第二个Job以第一个Job的输出做为输入，只需要编写Mapper类，在Mapper类中对一个job的输出进行分析，并转换为HBase需要的KeyValue的方式。

113	Job convertWordCountJobOutputToHFileJob=new Job(hadoopConfiguration, "wordCount_bulkload");

114

115	convertWordCountJobOutputToHFileJob.setJarByClass(GeneratePutHFileAndBulkLoadToHBase.class);

116	convertWordCountJobOutputToHFileJob.setMapperClass(ConvertWordCountOutToHFileMapper.class);

117	//ReducerClass 无需指定，框架会自行根据 MapOutputValueClass 来决定是使用 KeyValueSortReducer 还是 PutSortReducer

118	//convertWordCountJobOutputToHFileJob.setReducerClass(KeyValueSortReducer.class);

119	convertWordCountJobOutputToHFileJob.setMapOutputKeyClass(ImmutableBytesWritable.class);

120	convertWordCountJobOutputToHFileJob.setMapOutputValueClass(Put.class);

121

122	//以第一个Job的输出做为第二个Job的输入

123	FileInputFormat.addInputPath(convertWordCountJobOutputToHFileJob, new Path(dfsArgs[1]));

124	FileOutputFormat.setOutputPath(convertWordCountJobOutputToHFileJob, new Path(dfsArgs[2]));

125	//创建HBase的配置对象

126	Configuration hbaseConfiguration=HBaseConfiguration.create();

127

//创建目标表对象

128	HTable wordCountTable =new HTable(hbaseConfiguration, "word_count");

129	HFileOutputFormat.configureIncrementalLoad(convertWordCountJobOutputToHFileJob,wordCountTable);

130

131	//提交第二个job

132	int convertWordCountJobOutputToHFileJobResult=convertWordCountJobOutputToHFileJob.waitForCompletion(true)?0:1;

133

134	//当第二个job结束之后，调用BulkLoad方式来将MR结果批量入库

135	LoadIncrementalHFiles loader = new LoadIncrementalHFiles(hbaseConfiguration);

136	//第一个参数为第二个Job的输出目录即保存HFile的目录，第二个参数为目标表

137	loader.doBulkLoad(new Path(dfsArgs[2]), wordCountTable);

138

139	//最后调用System.exit进行退出

140	System.exit(convertWordCountJobOutputToHFileJobResult);

141

142

}

143

144

}

比如原始的输入数据的目录为：/rawdata/test/wordcount/20131212 

中间结果数据保存的目录为：/middata/test/wordcount/20131212 
最终生成的HFile保存的目录为：/resultdata/test/wordcount/20131212 
运行上面的Job的方式如下： 
hadoop jar test.jar /rawdata/test/wordcount/20131212 /middata/test/wordcount/20131212 /resultdata/test/wordcount/20131212 

3、说明与注意事项：

（1）HFile方式在所有的加载方案里面是最快的，不过有个前提——数据是第一次导入，表是空的。如果表中已经有了数据。HFile再导入到hbase的表中会触发split操作。

（2）最终输出结果，无论是map还是reduce，输出部分key和value的类型必须是： < ImmutableBytesWritable, KeyValue>或者< ImmutableBytesWritable, Put>。
否则报这样的错误：

1	java.lang.IllegalArgumentException: Can't read partitions file

2

...

3	Caused by: java.io.IOException: wrong key class: org.apache.hadoop.io.*** is not class org.apache.hadoop.hbase.io.ImmutableBytesWritable

（3）最终输出部分，Value类型是KeyValue 或Put，对应的Sorter分别是KeyValueSortReducer或PutSortReducer，这个 SorterReducer 可以不指定，因为源码中已经做了判断：

1	if (KeyValue.class.equals(job.getMapOutputValueClass())) {

2	job.setReducerClass(KeyValueSortReducer.class);

3	} else if (Put.class.equals(job.getMapOutputValueClass())) {

4	job.setReducerClass(PutSortReducer.class);

5

} else {

6	LOG.warn("Unknown map output value type:" + job.getMapOutputValueClass());

7

}

（4） MR例子中job.setOutputFormatClass(HFileOutputFormat.class); HFileOutputFormat只适合一次对单列族组织成HFile文件，多列簇需要起多个 job，不过新版本的 Hbase 已经解决了这个限制。 

（5） MR例子中最后生成HFile存储在HDFS上，输出路径下的子目录是各个列族。如果对HFile进行入库HBase，相当于move HFile到HBase的Region中，HFile子目录的列族内容没有了。

（6）最后一个 Reduce 没有 setNumReduceTasks 是因为，该设置由框架根据region个数自动配置的。

（7）下边配置部分，注释掉的其实写不写都无所谓，因为看源码就知道configureIncrementalLoad方法已经把固定的配置全配置完了，不固定的部分才需要手动配置。

01	public class HFileOutput {

02

//job 配置

03	public static Job configureJob(Configuration conf) throws IOException {

04	Job job = new Job(configuration, "countUnite1");

05	job.setJarByClass(HFileOutput.class);

06	//job.setNumReduceTasks(2);

07	//job.setOutputKeyClass(ImmutableBytesWritable.class);

08	//job.setOutputValueClass(KeyValue.class);

09	//job.setOutputFormatClass(HFileOutputFormat.class);

10

11	Scan scan = new Scan();

12	scan.setCaching(10);

13	scan.addFamily(INPUT_FAMILY);

14	TableMapReduceUtil.initTableMapperJob(inputTable, scan,

15	HFileOutputMapper.class, ImmutableBytesWritable.class, LongWritable.class, job);

16	//这里如果不定义reducer部分，会自动识别定义成KeyValueSortReducer.class 和PutSortReducer.class

17	job.setReducerClass(HFileOutputRedcuer.class);

18	//job.setOutputFormatClass(HFileOutputFormat.class);

19	HFileOutputFormat.configureIncrementalLoad(job, new HTable(

20	configuration, outputTable));

21	HFileOutputFormat.setOutputPath(job, new Path());

22	//FileOutputFormat.setOutputPath(job, new Path()); //等同上句

23	return job;

24

}

25

26	public static class HFileOutputMapper extends

27	TableMapper<ImmutableBytesWritable, LongWritable> {

28	public void map(ImmutableBytesWritable key, Result values,

29	Context context) throws IOException, InterruptedException {

30	//mapper逻辑部分

31	context.write(new ImmutableBytesWritable(Bytes()), LongWritable());

32

}

33

}

34

35	public static class HFileOutputRedcuer extends

36	Reducer<ImmutableBytesWritable, LongWritable, ImmutableBytesWritable, KeyValue> {

37	public void reduce(ImmutableBytesWritable key, Iterable<LongWritable> values,

38	Context context) throws IOException, InterruptedException {

39	//reducer逻辑部分

40	KeyValue kv = new KeyValue(row, OUTPUT_FAMILY, tmp[1].getBytes(),

41	Bytes.toBytes(count));

42	context.write(key, kv);

43

}

44

}

45

}

4、Refer：

1、Hbase几种数据入库（load）方式比较

http://blog.csdn.net/kirayuan/article/details/6371635

2、MapReduce生成HFile入库到HBase及源码分析

http://blog.pureisle.net/archives/1950.html

3、MapReduce生成HFile入库到HBase

http://shitouer.cn/2013/02/hbase-hfile-bulk-load/