bulkload方法入hbase

转载自：http://blog.csdn.net/kirayuan/article/details/7441447

bulkload的方式导入数据是hbase的一项相当好的数据导入工具，特别适合做为新系统的历史数据导入工具！hbase本身也封装了相关的类importtsv，官网有简单的介绍http://hbase.apache.org/bulk-loads.html。

      这里我要说明的是如何去快速定制一些适合自己应用的bulkload。

      我们一般需要运行的数据有几种格式，txt的用的最普遍，采用lzo压缩过的txt更专业一些，这里举例lzo格式的源文件。以下代码生成hfile

 package com.sina.hbase.mr;

 import java.io.IOException;
 import java.util.Date;
 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.hbase.HBaseConfiguration;
 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.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 com.hadoop.mapreduce.LzoTextInputFormat;
 import com.sina.hbase.connection.ConnectionPool;
 import com.sina.hbase.utils.DataOptUtil;
 import com.sina.hbase.utils.Util;


 public class BulkLoad {

     public static class ***Mapper extends
             Mapper<LongWritable, Text, ImmutableBytesWritable, KeyValue> {

         @Override
         protected void map(LongWritable key, Text value, Context context)
                 throws IOException, InterruptedException {
             // 检查并初始化数据对象
             *** p = Util.checkAndBuild(value.toString());

             if (p != null) {
                 byte[] row = Bytes.toBytes(p.getUid());
                 ImmutableBytesWritable k = new ImmutableBytesWritable(row);
                 KeyValue kv = new KeyValue(row, "c".getBytes(), "c".getBytes(),
                         p.toByteArray());
                 context.write(k, kv);

             }
         }
     }



     /**
      * 通过表名决定使用哪种Mapper，如果表名不存在则返回null
      *
      * @param tableName
      * @return
      */

     @SuppressWarnings("rawtypes")
     public static Class<? extends Mapper> decideMapper(String tableName) {
         if (tableName.equals("***"))
             return ***Mapper.class;


         return null;
     }

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

         if (args.length != 3) {
             System.err
                     .println("Usage: BulkLoad <inputPath> <hfilePath> <tablename>");
             System.exit(2);
         }
         Configuration conf = HBaseConfiguration.create();
         ConnectionPool.init(conf, 1000);
         HTable table = null;

             table = ConnectionPool.getTable(args[2]);

         Job job = new Job(conf, "BulkLoad-" + args[2] + "-"
                 + DataOptUtil.Date2LongString(new Date()));

         // 根据表的不同选择mapper

         job.setMapperClass(decideMapper(args[2]));

         job.setJarByClass(BulkLoad.class);
         job.setInputFormatClass(LzoTextInputFormat.class);

         HFileOutputFormat.configureIncrementalLoad(job, table);

         FileInputFormat.addInputPath(job, new Path(args[0]));
         FileOutputFormat.setOutputPath(job,
                 Util.RemoveHDFSPath(new Path(args[1]), conf));

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

 }

      以上的源代码很简单，但是够用。需要做一些说明的是：

     1、一定记得在建表时做region的预切分，HFileOutputFormat.configureIncrementalLoad方法会根据region的数量来觉得reduce的数量以及每个reduce覆盖的rowkey范围。否则当个reduce过大，任务处理不均衡。

     2、单个rowkey下的子列不要过多，否则在reduce阶段排序的时候会造成oom，有一种办法是通过二次排序来避免reduce阶段的排序，看应用而定。

     3、该代码执行完后需要将hdfs中生成好的hfile写入到hbase表中。采用hadoop jar hbase-version.jar completebulkload /hfilepath tablename 命令实现。

     4、导入hadoop-lzo的jar包，才有LzoTextInputFormat这个类。