数据导入HBase最常用的三种方式及实践分析(3)

HBase数据迁移（3）-自己编写MapReduce Job导入数据 :

尽管在将文本文件加载入HBase时importtsv工具十分高效，但在许多情况下为了完全控制整个加载过程，你可能更想自己编写MapReduce Job向HBase导入数据。例如在你希望加载其他格式文件时不能使用importtsv工具。

HBase提供TableOutputFormat 用于在MapReduce Job中向HBase的表中写入数据。你也可以使用HFileOutputFormat 类在MapReduce Job中直接生成HBase自有格式文件HFile，之后使用上一篇（迁移2）中提到的completebulkload 工具加载至运行的HBase集群中。在本文中，我们将详细解释如何编写自己的MapReduce Job来加载数据。我们会先介绍如何使用TableOutputFormat，在更多章节中介绍在MapReduce Job中直接生成HBase自有格式文件HFile。



准备

我们本文中使用 “美国国家海洋和大气管理局 1981-2010气候平均值”的公共数据集合。访问http://www1.ncdc.noaa.gov/pub/data/normals/1981-2010/。 在目录 products | hourly 下的小时温度数据（可以在上述链接页面中找到）。下载hly-temp-normal.txt文件。对于下载的数据文件无需进行格式处理，我们将使用MapReduce直接读取原始数据。

我们假设您的环境已经可以在HBase上运行MapReduce。若还不行，你可以参考一下之前的文章（迁移1、迁移2）。



如何实施

1.将原始数据从本地文件系统拷贝进HDFS：
1
2
3

hac@client1$ $HADOOP_HOME/bin/hadoop fs -mkdir /user/hac/input/2-3

hac@client1$ $HADOOP_HOME/bin/hadoop fs -copyFromLocal hly-temp-normal.tsv /user/hac/input/2-3



2.编辑客户端服务器上的hadoop-env.sh文件，将HBase的JAR文件加入Hadoop的环境变量中：
1
2
3

hadoop@client1$ vi $HADOOP_HOME/conf/hadoop-env.sh

export HADOOP_CLASSPATH=/usr/local/hbase/current/hbase-0.92.1.jar



3.编写MapReduce的Java代码并且打包为JAR文件。Java源码如下：
1

$ vi Recipe3.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

public class Recipe3 {

public static Job createSubmittableJob

(Configuration conf, String[] args)

throws IOException {

String tableName = args[0];

Path inputDir = new Path(args[1]);

Job job = new Job (conf, "hac_chapter2_recipe3");

job.setJarByClass(HourlyImporter.class);

FileInputFormat.setInputPaths(job, inputDir);

job.setInputFormatClass(TextInputFormat.class);

job.setMapperClass(HourlyImporter.class);

// ++++ insert into table directly using TableOutputFormat ++++

// ++++ 使用TableOutputFormat 直接插入表中++++

TableMapReduceUtil.initTableReducerJob(tableName, null, job);

job.setNumReduceTasks(0);

TableMapReduceUtil.addDependencyJars(job);

return job;

}

public static void main(String[] args)

throws Exception {

Configuration conf =

HBaseConfiguration.create();

Job job = createSubmittableJob(conf, args);

System.exit (job.waitForCompletion(true) ? 0 : 1);

}

}

4.在Recipe3.java中添加一个内部类。作为MapReduce Job的mapper类：
1

$ vi Recipe3.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73

static class HourlyImporter extends

Mapper<LongWritable, Text, ImmutableBytesWritable, Put> {

private long ts;

static byte[] family = Bytes.toBytes("n");

@Override

protected void setup(Context context) {

ts = System.currentTimeMillis();

}

@Override

public void map(LongWritable offset, Text value, Context

context)throws IOException {

try {

String line = value.toString();

String stationID = line.substring(0, 11);

String month = line.substring(12, 14);

String day = line.substring(15, 17);

String rowkey = stationID + month + day;

byte[] bRowKey = Bytes.toBytes(rowkey);

ImmutableBytesWritable rowKey =  new ImmutableBytesWritable(bRowKey);

Put p = new Put(bRowKey);

for (int i = 1; i < 25 ; i++) {

String columnI =

"v" + Common.lpad(String.valueOf(i), 2, '0');

int beginIndex = i * 7 + 11;

String valueI =

line.substring(beginIndex, beginIndex + 6).trim();

p.add(family, Bytes.toBytes(columnI),

ts, Bytes.toBytes(valueI));

}

context.write(rowKey, p);

}

catch (InterruptedException e) {

e.printStackTrace();

}

}

}

}

5.为了能够运行MapReduce Job需要将源码打包为JAR文件，并且从客户端使用hadoop jar命令：
1
2
3
4
5
6
7

hac@client1$ $HADOOP_HOME/bin/hadoop jar hac-chapter2.jar hac.

chapter2.Recipe3 \

hly_temp \

/user/hac/input/2-3

检查结果。MapReduce job的运行结果应当显示下内容：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

13/03/27 17:42:40 INFO mapred.JobClient:   Map-Reduce Framework

13/03/27 17:42:40 INFO mapred.JobClient:     Map input records=95630

13/03/27 17:42:40 INFO mapred.JobClient:     Physical memory (bytes) snapshot=239820800

13/03/27 17:42:40 INFO mapred.JobClient:     Spilled Records=0

13/03/27 17:42:40 INFO mapred.JobClient:     CPU time spent (ms)=124530

13/03/27 17:42:40 INFO mapred.JobClient:     Total committed heap usage (bytes)=130220032

13/03/27 17:42:40 INFO mapred.JobClient:     Virtual memory (bytes) snapshot=1132621824

13/03/27 17:42:40 INFO mapred.JobClient:     Map input bytes=69176670

13/03/27 17:42:40 INFO mapred.JobClient:     Map output records=95630

13/03/27 17:42:40 INFO mapred.JobClient:     SPLIT_RAW_BYTES=118



Map的输入记录数应当与输入路径下的文件内容总行数相同。Map输出记录数应当与输入记录数相同（本文中）。你能够在HBase中使用 count/scan命令来验证上述结果



运行原理

为了运行MapReduce Job，我们首先在createSubmittableJob()方法中构建一个Job实例。实例建立后，我们对其设置了输入路径，输入格式以及mapper类。之后，我们调用了TableMapReduceUtil.initTableReducerJob() 对job进行适当配置。包括，加入HBase配置，设置TableOutputFormat，以及job运行需要的一些依赖的添加。在HBase上编写MapReduce程序时，TableMapReduceUtil 是一个很有用的工具类。

主函数中调用 job.waitForCompletion() 能够将Job提交到MapReduce框架中，直到运行完成才退出。运行的Job将会读取输入路径下的所有文件，并且将每行都传入到mapper类(HourlyImporter)。

在map方法中，转换行数据并生成row key，建立Put对象，通过Put.add()方法将转换后的数据添加到对应的列中。最终调用context.write()方法将数据写入HBase表中。本例中无需reduce阶段。

如你所见，编写自定义的MapReduce Job来向HBase插入数据是很简单的。程序与直接在单台客户端使用HBase API类似。当面对海量数据时，我们建议使用MapReduce来向HBase中导入数据。



其他

使用自定义的MapReduce Job来向HBase加载数据在大部分情况下都是合理的。但是，如果你的数据是极大量级的，上述方案不能很好处理时。还有其他方式能够更好的处理数据合并问题。



在MapReduce中生成HFile

除了直接将数据写入HBase表，我们还可以在MapReduce Job中直接生成HBase自有格式HFile，然后使用completebulkload 工具将文件加载进集群中。这个方案将比使用TableOutputFormat API更加节省CPU与网络资源：

1.修改Job配置。要生成HFile文件，找到createSubmittableJob()的下面两行：
1
2
3

TableMapReduceUtil.initTableReducerJob(tableName, null, job);

job.setNumReduceTasks(0);

2.替换代码
1
2
3
4
5
6
7
8
9
10
11
12
13

HTable table = new HTable(conf, tableName);

job.setReducerClass(PutSortReducer.class);

Path outputDir = new Path(args[2]);

FileOutputFormat.setOutputPath(job, outputDir);

job.setMapOutputKeyClass(ImmutableBytesWritable.class);

job.setMapOutputValueClass(Put.class);

HFileOutputFormat.configureIncrementalLoad (job, table);

3.在命令行添加输出地址参数。编译并打包源码，然后在运行任务的命令行添加输出地址参数：
1
2
3
4
5
6
7
8
9

hac@client1$ $HADOOP_HOME/bin/hadoop jar hac-chapter2.jar hac.

chapter2.Recipe3 \

hly_temp \

/user/hac/input/2-3 \

/user/hac/output/2-3

4.完成bulk load：
1
2
3
4
5
6
7

hac@client1$ $HADOOP_HOME/bin/hadoop jar $HBASE_HOME/hbase-

0.92.1.jar completebulkload \

/user/hac/output/2-3 \

hly_temp

步骤1中，我们修改了源码中的job配置。我们设置job使用由HBase提供的PutSortReducer  reduce类。这个类会在数据行写入之前对列进行整理。HFileOutputFormat.configureIncrementalLoad() 方法能够为生成HFile文件设置适当的参数。

在步骤2中的job运行完成之后，自有HFile格式文件会生成在我们指定的输出路径。文件在列族目录2-3/n之下，将会使用completebulkload 加载到HBase集群中。

在MapReduce Job执行过程中，如果你在浏览器中打开HBase的管理界面，会发现HBase没有发出任何请求。这表明这些数据不是直接写入HBase的表中。



影响数据合并的重要配置

如果你在MapReduce Job使用TableOutputFormat 类将数据直接写入HBase表中，是一个十分繁重的写操作。尽管HBase是设计用于快速处理写操作，但下面的这些还是你可能需要调整的重要的配置：

    JVM的堆栈和GC设置
    域服务器处理数量
     最大的域文件数量
     内存大小
     更新块设置

你需要了解HBase架构的基本知识来理解这些配置如何影响HBase的写性能。以后我们会进行详细的描述。

Hadoop和HBase会生成若干日志。当集群中的MapReduce Job加载数据时存在某些瓶颈或障碍时，检查日志可以给你一些提示。下面是一些比较重要的日志：

     Hadoop/HBase/ZooKeeper的守护进程的GC日志
     HMaster守护进程的日志



在将数据转移至HBase之前预先搭建域

HBase的每行数据都归属一个特定的域中。一个域中包含了一定范围内的排序号的HBase的数据行。域是由域服务器发布和管理的。

当我们在HBase中建立一个表后，该表会在一个单独的域启动。所有插入该表的数据都会首先进入这个域中。数据持续插入，当到达一个极限之后，域会被分为两份。称之为域的分离。分离的域会分布到其他域服务器上，以达到集群中的负载能够均衡。

如你所想，若我们能够将表初始化在预先建好的域上，使用合适的算法，数据加载的负载会在整个集群中平衡，并且加快了数据加载的速度。

我们将描述如何用预先建好的域来建立一个表。



准备

登入HBase的客户端节点



如何实施

在客户端节点上执行如下命令：
1
2
3
4
5
6
7
8
9

$ $HBASE_HOME/bin/hbase org.apache.hadoop.hbase.util.RegionSplitter -c 10 -f n hly_temp2

12/04/06 23:16:32 DEBUG util.RegionSplitter: Creating table hly_temp2 with 1 column families.  Presplitting to 10 regions

…

12/04/06 23:16:44 DEBUG util.RegionSplitter: Table created!  Waiting for regions to show online in META...

12/04/06 23:16:44 DEBUG util.RegionSplitter: Finished creating table with 10 regions



运行原理

命令行调用了RegionSplitter 类，并且附带如下参数：

     -c 10—用预先分割的10个域来建立这个表
     -f n—建立一个名叫n的列族
     hly_temp2— 表名

在浏览器中打开HBase管理界面，在用户表中点击hly_temp2，你可以看到预先建立的10个域。

RegionSplitter 是HBase提供的一个工具类。使用RegionSplitter 你可以做下面这些事情：

     使用具体数量的预建域来建立一个表。
     能够将一个已存在的表进行分离域。
     使用自定义算法来分离域。

在上文中使用自定义MapReduce导入数据时，也许你原本认为数据写入应该是分布在集群中所有的域中，但实际不是。在管理页上可以看到，在MapReduce Job的执行期间所有的请求都发送至相同的服务器。

这是因为默认的分离算法（MD5StringSplit）不是很适合我们的情况。我们所有的数据都发送至相同集群，因此所有的API请求都发送至域所在的域服务器中。我们需要提供自定义的算法来适当的分离域。

预分离的域也能够对生成自有格式HFile文件的的MapReduce Job产生影响。运行上文中的MapReduce Job，对hly_temp2表使用生成HFile文件的选项。如下图所示，你可以发现MapReduce Job的reduce数量从原本的1到10了，这就是预搭建域的数量：

这是因为Job中reduce的数量是基于目标表的域数量。

若reduce数量增加，通常意味加载动作分布到多个服务器上面，所以job的运行速度会更快。