MapReduce生成HFile文件,再使用BulkLoad导入HBase中(完全分布式运行)
声明: 若要转载, 请标明出处.
前提: 在对于大量的数据导入到HBase中, 如果一条一条进行插入, 则太耗时了, 所以可以先采用MapReduce生成HFile文件, 然后使用BulkLoad导入HBase中.
引用:
一、这种方式有很多的优点：
1. 如果我们一次性入库hbase巨量数据，处理速度慢不说，还特别占用Region资源， 一个比较高效便捷的方法就是使用 “Bulk Loading”方法，即HBase提供的HFileOutputFormat类。
2. 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，直接生成这种hdfs内存储的数据格式文件，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。
二、这种方式也有很大的限制：
1. 仅适合初次数据导入，即表内数据为空，或者每次入库表内都无数据的情况。
2. HBase集群与Hadoop集群为同一集群，即HBase所基于的HDFS为生成HFile的MR的集群.
本文代码采用Eclipse编辑器(Linux环境下)
一. 网上的大部分代码都是或多或少有问题, 比如他们或者不是运行在集群上,或者运行时有问题, 后面会对产生哪些问题进行说明, 先不说这么多了,先上代码吧.
二. 源代码(注: 作者亲测运行在集群上成功,集群基于Ubuntu12.04, Hadoop-1.2.1与HBase-0.98,使用自带的ZooKeeper)
1. MapReduce生产HFile文件
首先, 需要导入的数据的表格(BigClientEnergyInfo表)有四个列族, 每个列族下面有一些列, 这些信息都使用常量配置类CONSTANT_HADOOP与CONSTANT_HBASE进行说明,如下:
package cn.hey.loaddata2hbase;
/**
*
* @author HeYong
* @version 1
* @time 2014-05-09
*
*/
public class CONSTANT_HADOOP {
//大客户表BigClientEnergyInfo的HFile生成Job名字
public static final String BigClientEnergyInfo_JobName = "BigClientEnergyInfo_HFileGenerator_Job";
//大客户表BigClientEnergyInfo的输入原始文本信息的HDFS路径
public static final String BigClientEnergyInfo_inDir = "hdfs://node1:49000/user/hadoop/input/BigClientEnergyInfo/";
//大客户表BigClientEnergyInfo的HFile文件的输出HDFS路径
public static final String BigClientEnergyInfo_HFile_outDir = "hdfs://node1:49000/user/hadoop/output/BigClientEnergyInfo/";
//说明: 因为在创建HBase表的时候,默认只有一个Region,只有等到这个Region的大小超过一定的阈值之后,才会进行split
//所以为了利用完全分布式加快生成HFile和导入HBase中以及数据负载均衡,所以需要在创建表的时候预先进行分区,
//而进行分区时要利用startKey与endKey进行rowKey区间划分(因为导入HBase中,需要rowKey整体有序),所以在导入之前,自己先写一个MapReduce的Job求最小与最大的rowKey
//即startKey与endKey
//获取最大rowKey与最小rowKey的Job名字
public static final String GetMaxAndMinRowKey_JobName = "GetMaxAndMinRowKey_Job";
//大客户表BigClientEnergyInfo的输入原始文本信息的HDFS路径
public static final String GetMaxAndMinRowKey_inDir = "hdfs://node1:49000/user/hadoop/input/BigClientEnergyInfo/";
//最大rowKey与最小rowKey的输出HDFS路径
public static final String GetMaxAndMinRowKey_outDir = "hdfs://node1:49000/user/hadoop/output/GetMaxAndMinRowKey/";
}
package cn.hey.loaddata2hbase;
import java.util.LinkedList;
import java.util.List;
import org.apache.hadoop.hbase.client.HTable;
/**
*
* @author HeYong
* @version 1
* @time 2014-05-09
*
*/
public class CONSTANT_HBASE {
public static final long timeStamp = System.currentTimeMillis();
//表集合
public static List htables = new LinkedList();
public static final String[] TableNames = {"BigClientEnergyInfo"};
/**
* 大客户表信息
*/
//列族信息
public static final String[] TB0_FamilyNames = {"DateTime","MeterEnergy","ObjInfo","ClientInfo"};
//第1个列族中的列
public static final String[] TB0_FN0ColNames ={"DATETIME"};
//第2个列族中的列
public static final String[] TB0_FN1ColNames ={"DT","OBJ_ID","E0","E1","E2","E3","E4","E5"};
//第3个列族中的列
public static final String[] TB0_FN2ColNames ={"STAT_TYPE","CITY_NO","OBJ_ID","OBJ_NAME","LAYER","LAYER_ID","OBJ_TYPE","TYPE_VALUE",
"TYPE_VALUE_GROUP","SORT","SYS_ID","STATION_NO","FLAG"};
//第4个列族中的列
public static final String[] TB0_FN3ColNames ={"CITY_NO","CONSUMERID","CONSUMERNAME","CUSTOMERTYPE","USERSTATUS","USERADDR","ZONEID","INDUSTRYTYPE",
"LINKMAN","LINKPHONE","USETYPE","LINEID"};
//列族信息集合
public static final String[][] TB0_FNColNames={TB0_FN0ColNames,TB0_FN1ColNames,TB0_FN2ColNames,TB0_FN3ColNames};
//每个列族的列索引
public static final int[] FNColIndex={1,2,10,23};
}
接着, 使用创建一个生成四个列族的HFile的MapRed Job,每个列族一个Job, 源代码如下(类BigClientEnergyInfoHFileGenerator):
其中有三点需要特别注意:
(1)
//特别注意: 一定要设置,不然会报cannot read partitioner file错误
conf.set("fs.default.name","node1:49000");
//特别注意: 一定要设置,不然不会运行在集群上
conf.set("mapred.job.tracker","node1:49001"); //特别注意: 对相关Class文件以及依赖的jar包(如HBase的jar,)进行打包,这是运行在集群上必须要做的一步,不然集群找不到相关的Mapper等类文件
File jarpath;
try {
jarpath = JarTools.makeJar("bin");
conf.set("mapred.jar", jarpath.toString());
} catch (Exception e) {
logger.error("进行jar打包出错!");
e.printStackTrace();
return;
}
package cn.hey.loaddata2hbase;
import java.io.File;
import java.io.IOException;
import java.net.URI;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.KeyValue;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat;
import org.apache.hadoop.hbase.mapreduce.KeyValueSortReducer;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.log4j.LogManager;
import org.apache.log4j.Logger;
import cn.hey.file.FileOperation;
import cn.hey.hbase.HbaseOperation;
import cn.hey.utils.JarTools;
/**
*
* @author HeYong
* @version 1
* @time 2014-05-09
*
*/
public class BigClientEnergyInfoHFileGenerator {
public static Logger logger = LogManager.getLogger(BigClientEnergyInfoHFileGenerator.class);
/**
*
* @param args 第一个元素表示第几个表,第二个元素表示该表的列族个数
* @throws IOException
* @throws InterruptedException
* @throws ClassNotFoundException
* @throws Exception
*/
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException, Exception{
if(args.length<2){
logger.error("参数个数不对!");
return;
}
int tableIndex = Integer.parseInt(args[0]);
int familyNum = Integer.parseInt(args[1]);
int index = 0;
long beginTime=0,endTime=0;
while(index {
private static int familyIndex = 0;
private static Configuration conf = null;
@Override
protected void setup(Context context) throws IOException,
InterruptedException {
conf = context.getConfiguration();
familyIndex = conf.getInt("familyIndex",0);
}
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
ImmutableBytesWritable rowkey = new ImmutableBytesWritable(
value.toString().split(",")[0].getBytes());
List list = null;
list = createKeyValue(value.toString());
Iterator it = list.iterator();
while (it.hasNext()) {
KeyValue kv = new KeyValue();
kv = it.next();
if (kv != null) {
context.write(rowkey, kv);
}
}
}
private List createKeyValue(String str) {
List list = new ArrayList(CONSTANT_HBASE.TB0_FNColNames[familyIndex].length);
String[] values = str.toString().split(",");
String[] qualifiersName = CONSTANT_HBASE.TB0_FNColNames[familyIndex];
for (int i = 0; i < qualifiersName.length; i++) {
String rowkey = values[0];
String family = CONSTANT_HBASE.TB0_FamilyNames[familyIndex];
String qualifier = qualifiersName[i];
String value_str = values[i+CONSTANT_HBASE.FNColIndex[familyIndex]];
KeyValue kv = new KeyValue(Bytes.toBytes(rowkey),
Bytes.toBytes(family), Bytes.toBytes(qualifier),
CONSTANT_HBASE.timeStamp, Bytes.toBytes(value_str));
list.add(kv);
}
return list;
}
}
//测试Mapper,用来进行测试的, 后面没有用到
public static class HFileMapper extends Mapper {
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String[] values = value.toString().split(" ", -1);
byte[] rkey = Bytes.toBytes(values[0]); //rowkey
byte[] family = Bytes.toBytes("info"); //列族
byte[] column = Bytes.toBytes("name"); //列
byte[] val = Bytes.toBytes(values[1]); //值
//Put tmpPut=new Put(subject);
ImmutableBytesWritable rowKey = new ImmutableBytesWritable(rkey);
KeyValue kvProtocol = new KeyValue(rkey , family, column, val);
context.write(rowKey, kvProtocol );
}
}
/**
*
* @param tableIndex 表示第几个表(从0开始),具体参见CONSTANT_HBASE类
* @param familyIndex 表示该表的第几个列族(从0开始),具体参见CONSTANT_HBASE类
* @throws IOException
*/
public static void GeneratorJob(int tableIndex,int familyIndex) throws IOException{
Configuration conf = HbaseOperation.HBASE_CONFIG;
//特别注意: 一定要设置,不然会爆cannot read partitioner file错误
conf.set("fs.default.name","node1:49000");
//特别注意: 一定要设置,不然不会运行在集群上
conf.set("mapred.job.tracker","node1:49001");
//特别注意: 对相关Class以及依赖的jar包(如HBase的jar)进行打包,这是运行在集群上必须要做的一步,不然集群找不到相关的Mapper等类文件
File jarpath;
try {
jarpath = JarTools.makeJar("bin");
conf.set("mapred.jar", jarpath.toString());
} catch (Exception e) {
logger.error("进行jar打包出错!");
e.printStackTrace();
return;
}
//设置job
Job job = new Job(conf, CONSTANT_HADOOP.BigClientEnergyInfo_JobName);
job.setJarByClass(BigClientEnergyInfoHFileGenerator.class);
//设置Map任务输出Key-Value类型,一定要为该类型,Value可以改为HBase的Put类型
job.setOutputKeyClass(ImmutableBytesWritable.class);
job.setOutputValueClass(KeyValue.class);
//设置Mapper与Reducer类
job.setMapperClass(HFileGenerateMapper.class);
job.setReducerClass(KeyValueSortReducer.class);
// 不需要设置,系统会根据相关信息调用 HFileOutputFormat
// job.setOutputFormatClass(HFileOutputFormat.class);
// 不需要设置, 系统会根据表的Region数创建多少Reducer
// job.setNumReduceTasks(4);
// job.setPartitionerClass(org.apache.hadoop.hbase.mapreduce.SimpleTotalOrderPartitioner.class);
HTable table = new HTable(conf, CONSTANT_HBASE.TableNames[tableIndex]);
HFileOutputFormat.configureIncrementalLoad(job, table);
//设置数据输入输出目录
String str_inPath = CONSTANT_HADOOP.BigClientEnergyInfo_inDir;
String str_outPath = CONSTANT_HADOOP.BigClientEnergyInfo_HFile_outDir+CONSTANT_HBASE.TB0_FamilyNames[familyIndex];
//创建HDFS对象
FileSystem fs = FileSystem.get(URI.create(str_inPath),conf);
// 如果输出路径存在就先删掉，因为不允许输出路径事先存在
Path outPath = new Path(str_outPath);
if (fs.exists(outPath))
fs.delete(outPath, true);
FileInputFormat.addInputPath(job, new Path(str_inPath));
FileOutputFormat.setOutputPath(job, new Path(str_outPath));
try {
job.waitForCompletion(true);
} catch (InterruptedException e) {
logger.info(CONSTANT_HADOOP.BigClientEnergyInfo_JobName+" 任务运行出错!");
e.printStackTrace();
} catch (ClassNotFoundException e) {
logger.info(CONSTANT_HADOOP.BigClientEnergyInfo_JobName+" 任务运行出错!");
e.printStackTrace();
}
}
}
生成HFile程序说明：
①. 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>。
②. 最终输出部分，Value类型是KeyValue 或Put，对应的Sorter分别是KeyValueSortReducer或PutSortReducer。
③. MR例子中job.setOutputFormatClass(HFileOutputFormat.class); HFileOutputFormat只适合一次对单列族组织成HFile文件。好像最新的版本可以多个列族.
④. MR例子中HFileOutputFormat.configureIncrementalLoad(job, table);自动对job进行配置。TotalOrderPartitioner是需要先对key进行整体排序，然后划分到每个reduce中，保证每一个reducer中的的key最小最大值区间范围，是不会有交集的。因为入库到HBase的时候，作为一个整体的Region，key是绝对有序的。
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。
然后, 使用BulkLoad工具将HFile文件导入HBase中, 源代码如下(类BigClientEnergyInfoHFileLoader):
package cn.hey.loaddata2hbase;
import java.io.File;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;
import org.apache.log4j.LogManager;
import org.apache.log4j.Logger;
import cn.hey.file.FileOperation;
import cn.hey.hbase.HbaseOperation;
/**
*
* @author HeYong
* @version 1
* @time 2014-05-09
*
*/
public class BigClientEnergyInfoHFileLoader {
public static Logger logger = LogManager.getLogger(HFileLoader.class);
public static void main(String[] args) throws Exception {
if(args.length<2){
logger.error("参数个数不对!");
return;
}
LoadIncrementalHFiles loader = new LoadIncrementalHFiles(
HbaseOperation.HBASE_CONFIG);
int tableIndex = Integer.parseInt(args[0]);
int familyNum = Integer.parseInt(args[1]);
int i = 0;
long beginTime=0,endTime=0;
while(i最后,使用一个Driver类, 先创建HTable,然后调用上面的两个类,源代码如下(类BigClientEnergyInfoLoadDriver):
说明: 因为在创建HBase表的时候,默认只有一个Region,只有等到这个Region的大小超过一定的阈值之后,才会进行split, 所以为了利用完全分布式加快生成HFile和导入HBase中以及数据负载均衡,所以需要在创建表的时候预先创建分区,可以查阅相关资料(关于HBase调优的资料), 而进行分区时要利用startKey与endKey进行rowKey区间划分(因为导入HBase中,需要rowKey整体有序),所以在导入之前,自己先写一个MapReduce的Job求最小与最大的rowKey, 即startKey与endKey.
package cn.hey.loaddata2hbase;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.log4j.LogManager;
import org.apache.log4j.Logger;
import cn.hey.hbase.HbaseOperation;
import cn.hey.hdfs.HDFSOperation;
/**
*
* @author HeYong
* @version 1
* @time 2014-05-09
*
*/
public class BigClientEnergyInfoLoadDriver {
protected static Logger logger = LogManager.getLogger(BigClientEnergyInfoLoadDriver.class);
/**
* @param args
* @throws ClassNotFoundException
* @throws InterruptedException
* @throws IOException
*/
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
//首先删除在CONSTANT_HBASE类中的第0个表,即BigClientEnergyInfo表
dropHTable(0);
/**
* 说明: 因为在创建HBase表的时候,默认只有一个Region,只有等到这个Region的大小超过一定的阈值之后,才会进行split,
* 所以为了利用完全分布式加快生成HFile和导入HBase中以及数据负载均衡,所以需要在创建表的时候预先创建分区,可以查阅相关资料(关于HBase调优的资料),
* 而进行分区时要利用startKey与endKey进行rowKey区间划分(因为导入HBase中,需要rowKey整体有序),所以在导入之前,自己先写一个MapReduce的Job求最小与最大的rowKey,
* 即startKey与endKey.
*
*/
//调用GetMaxAndMinRowKeyDriver.获取startKey与endKey
GetMaxAndMinRowKeyDriver.main(null);
//读取startKey与endKey,readHDFSFile方法即读取指定HDFS文件中的内容,每一行作为一个字符串
List strList = HDFSOperation.readHDFSFile(CONSTANT_HADOOP.GetMaxAndMinRowKey_outDir+"part-r-00000");
if(strList==null||strList.size()<2){
logger.info("startKey与endKey读取失败!");
return;
}
String startKey = strList.get(0);
String endKey = strList.get(1);
if(startKey==null||"".equals(startKey)||endKey==null||"".equals(endKey)){
logger.info("startKey或endKey为空!");
return;
}
args = new String[2];
//第0个表,表的索引,即表BigClientEnergyInfo
args[0]="0";
//该表所拥有的列族的数目
args[1]= ""+CONSTANT_HBASE.TB0_FamilyNames.length;
//创建第0个表,即大客户表
boolean flag = false;
try {
//创建表时预先创建的Region个数
int numPreRegions = 7;
flag = createHTable(0,startKey,endKey,numPreRegions);
} catch (IOException e1) {
e1.printStackTrace();
}
if(flag){
//产生该表的HFile文件
try {
BigClientEnergyInfoHFileGenerator.main(args);
} catch (IOException e) {
e.printStackTrace();
} catch (InterruptedException e) {
e.printStackTrace();
} catch (ClassNotFoundException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
//将HFile导入HBase中
try {
HFileLoader.main(args);
} catch (Exception e) {
e.printStackTrace();
}
}
}
/**
*
* @param index 第几个表
* @param startKey 创建预先分区的startKey
* @param endKey 创建预先分区的endKey
* @param numRegions 创建预先分区个数
* @return 是否创建成功
* @throws IOException
*/
public static boolean createHTable(int index,String startKey,String endKey,int numRegions) throws IOException{
if(index<0||index>=CONSTANT_HBASE.TableNames.length){
logger.error("表下标越界!");
return false;
}
if(startKey==null||"".equals(startKey)){
logger.error("startKey不能为空!");
return false;
}
if(endKey==null||"".equals(endKey)){
logger.error("endKey不能为空!");
return false;
}
if(numRegions<0){
logger.error("分区个数<0!");
return false;
}
List list = new ArrayList();
String tableName = CONSTANT_HBASE.TableNames[index];
for(String familyName:CONSTANT_HBASE.TB0_FamilyNames){
list.add(familyName);
}
if(HbaseOperation.createTable(tableName, list,startKey,endKey,numRegions)){
logger.info("创建HTable :"+tableName+"成功");
}
HTable table = new HTable(HbaseOperation.HBASE_CONFIG,tableName);
CONSTANT_HBASE.htables.add(table);
return true;
}
public static void dropHTable(int index){
String tableName = CONSTANT_HBASE.TableNames[index];
HbaseOperation.dropTable(tableName);
}
}
注: HbaseOperation.createTable方法, 即创建表, HbaseOperation.dropTable方法,即删除表, 源代码如下:
/**
* 创建表
*
* @param tableName
* @param family 列族集名称
* @param String startKey,String endKey,int numRegions 预先分区相关信息
*/
public static boolean createTable(String tableName,List family,String startKey,String endKey,int numRegions) {
try {
hBaseAdmin = new HBaseAdmin(HBASE_CONFIG);
//如果表已存在,则返回
if (hBaseAdmin.tableExists(tableName)) {
//hBaseAdmin.disableTable(tableName);
//hBaseAdmin.deleteTable(tableName);
logger.info("表: "+tableName+"已经存在!");
return false;
}
HTableDescriptor tableDescriptor = new HTableDescriptor(tableName);
for(String name:family){
tableDescriptor.addFamily(new HColumnDescriptor(name));
}
hBaseAdmin.createTable(tableDescriptor,Bytes.toBytes(startKey),Bytes.toBytes(endKey),numRegions);
} catch (MasterNotRunningException e) {
e.printStackTrace();
} catch (ZooKeeperConnectionException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return true;
}
/**
* 删除一张表
*
* @param tableName 表名
*/
public static void dropTable(String tableName) {
if(tableName==null||"".equals(tableName)){
logger.error("表名不能为空!");
return;
}
try {
hBaseAdmin = new HBaseAdmin(HBASE_CONFIG);
hBaseAdmin.disableTable(tableName);
hBaseAdmin.deleteTable(tableName);
} catch (MasterNotRunningException e) {
e.printStackTrace();
} catch (ZooKeeperConnectionException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}特别注意: 对HBase进行操作时, 在获取HBase conf时, 即public static Configuration HBASE_CONFIG = HBaseConfiguration.create();的时候, 一定要进行如下设置:
static {
//设置HMaster
HBASE_CONFIG.set("hbase.zookeeper.master","node1:60000");
//设置Zookeeper集群
HBASE_CONFIG.set("hbase.zookeeper.quorum", "node2,node3,node4,node5,node6,node7,node8");
} 不然会出现RegionServer的Zookeeper连接不上HMaster, 千万要注意.到这里就基本大功告成了. 可以通过node1:50030查看job的运行情况, 通过node1:60010查看HBase的相关情况.
下一篇将讲述中间遇到的问题以及解决办法.