通过HBase Observer同步数据到ElasticSearch

http://guoze.me/2015/04/23/hbase-observer-sync-elasticsearch/
Observer希望解决的问题
HBase是一个分布式的存储体系，数据按照RowKey分成不同的Region，再分配给RegionServer管理。但是RegionServer只承担了存储的功能，如果Region能拥有一部分的计算能力，从而实现一个HBase框架上的MapReduce，那HBase的操作性能将进一步提升。正是为了解决这一问题，HBase 0.92版本后推出了Coprocessor – 协处理器，一个工作在Master/RegionServer中的框架，能运行用户的代码，从而灵活地完成分布式数据处理的任务。

Coprocessor包含两个组件，一个是EndPoint（类似关系型数据库的存储过程），用以加快特定查询的响应，另一个就是Observer（类似关系型数据库的触发器）。Observer也分为几个类型，其中RegionObserver提供了一组表数据操作的钩子函数，覆盖了Get、Put、Scan、Delete等操作（通常有pre和post两种情况，表示在操作发生之前或发生之后），我们可以通过重载这些钩子函数，利用RegionServer实现特定的数据处理需求。

应用场景
我们在同一个主机集群上同时建立了HBase集群和ElasticSearch集群，存储到HBase的数据必须实时地同步到ElasticSearch。而恰好HBase和ElasticSearch都没有更新的概念，我们的需求可以简化为两步：

当一个新的Put操作产生时，将Put数据转化为json，索引到ElasticSearch，并把RowKey作为新文档的ID
当一个新的Delete操作产生时，获取Delete数据的RowKey，删除ElasticSearch中对应的ID
Java实现
Observer的Java实现并不复杂，只需要继承BaseRegionObserver的基类，并重载postPut和postDelete两个函数。考虑到未来HBase的写入会比较频繁，我们利用ElasticSearch的Bulk API做了一个缓冲池：不是每次提交HBase数据都触发索引操作，而是积累到一定数量或者到达一定时间间隔才去批量操作，从而降低了RegionServer的网络I/O压力。

完整项目请参见：HBaseObserver https://github.com/2shou/HBaseObserver

Observer的部署
Observer提供了两种部署方式：

全局部署。把jar包的路径加入HBASE_CLASSPATH并且修改hbase-site.xml，这样Observer会对每一个表都生效。
单表部署。通过HBase Shell修改表结构，加入coprocessor信息。
显然后一种更加灵活。通过HBase Shell安装Observer的详细步骤如下：

把Java项目打包为jar包，上传到HDFS的特定路径
进入HBase Shell，disable你希望加载的表
通过以下指令激活Observer：

alter ‘table_name’, METHOD => ‘table_att’, ‘coprocessor’ => ‘hdfs:///your/jar/path/on/hdfs|com.foo.bar|1001|es_cluster=elasticsearch,es_type=video,es_index=demo,es_port=9300,es_host=localhost’
coprocessor对应的格式以|分隔，依次为：

jar包的HDFS路径
Observer的主类
优先级（一般不用改）
参数（对应Java项目的readConfiguration函数）
新安装的coprocessor会自动生成名称：coprocessor + $ + 序号（可通过describe 'table_name’查看）

因为一张表可能拥有多个coprocessor，卸载需要输入对应的coprocessor名称，比如：

alter ‘table_name’, METHOD => ‘table_att_unset’, NAME=> ‘coprocessor$1’
需要注意的是，HBase Observer的部署有两个大坑：

修改Java代码后，上传到HDFS的jar包文件必须和之前不一样，否则就算卸载掉原有的coprocessor再重新安装也不能生效
如果你有多个表对多个索引/类型的映射，每个表所加载Observer对应的jar包路径不能相同，否则ElasticSearch会串数据