使用HBase EndPoint(coprocessor)进行计算

使用HBase EndPoint(coprocessor)进行计算

url:

http://www.searchtb.com/2014/03/using-hbase-endpoint.html


如果要统对hbase中的数据,进行某种统计,比如统计某个字段最大值,统计满足某种条件的记录数,统计各种记录特点,并按照记录特点分类(类似于sql的group by)~

常规的做法就是把hbase中整个表的数据scan出来,或者稍微环保一点,加一个filter,进行一些初步的过滤(对于rowcounter来说,就加了FirstKeyOnlyFilter),但是这么做来说还是会有很大的副作用,比如占用大量的网络带宽(当标级别到达千万级别,亿级别之后)尤为明显,RPC的量也是不容小觑的。

理想的方式应该是怎样?

拿row counter这个简单例子来说,我要统计总行数,如果每个region 告诉我他又多少行,然后把结果告诉我,我再将他们的结果汇总一下,不就行了么?
现在的问题是hbase没有提供这种接口,来统计每个region的行数,那是否我们可以自己来实现一个呢?
没错,正如本文标题所说,我们可以自己来实现一个Endpoint,然后让hbase加载起来,然后我们远程调用即可。

什么是Endpoint?

先弄清楚什么是hbase coprocessor

hbase有两种coprocessor,一种是Observer(观察者),类似于关系数据库的trigger(触发器),另外一种就是EndPoint,类似于关系数据库的存储过程。

观察者这里就多做介绍了,这里介绍Endpoint。

EndPoint是动态RPC插件的接口,它的实现代码被部署在服务器端(regionServer),从而能够通过HBase RPC调用。客户端类库提供了非常方便的方法来调用这些动态接口,它们可以在任意时候调用一个EndPoint,它们的实现代码会被目标region远程执行,结果会返回到终端。用户可以结合使用这些强大的插件接口,为HBase添加全新的特性。

怎么实现一个EndPoint

1. 定义一个新的protocol接口,必须继承CoprocessorProtocol.
2. 实现终端接口,继承抽象类BaseEndpointCoprocessor,改实现代码需要部署到
3. 在客户端,终端可以被两个新的HBase Client API调用 。单个region:HTableInterface.coprocessorProxy(Class<T> protocol, byte[] row) 。rigons区域:HTableInterface.coprocessorExec(Class<T> protocol, byte[] startKey, byte[] endKey, Batch.Call<T,R> callable),这里的region是通过一个row来标示的,就是说,改row落到那个region,RPC就发给哪个region,对于start-end的,[start,end)范围内的region都会受到RPC调用。

如图使用HBase EndPoint(coprocessor)进行计算_第1张图片

1
2
3
public interface CounterProtocol extends CoprocessorProtocol {
     public long count( byte [] start, byte [] end) throws IOException;
}
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
public class CounterEndPoint extends BaseEndpointCoprocessor implements CounterProtocol {
 
     @Override
     public long count( byte [] start, byte []end) throws IOException {
         // aggregate at each region
         Scan scan = new Scan();
         long numRow = 0 ;
 
         InternalScanner scanner = ((RegionCoprocessorEnvironment) getEnvironment()).getRegion()
                 .getScanner(scan);
         try {
             List<KeyValue> curVals = new ArrayList<KeyValue>();
             boolean hasMore = false ;
             do {
                 curVals.clear();
                 hasMore = scanner.next(curVals);
                 if (Bytes.compareTo(curVals.get( 0 ).getRow(), start)< 0 ) {
                     continue ;
                 }
                 if (Bytes.compareTo(curVals.get( 0 ).getRow(), end)>= 0 ) {
                     break ;
                 }
                 numRow++;
             } while (hasMore);
         } finally {
             scanner.close();
         }
         return numRow;
     }
 
}
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
public class CounterEndPointDemo {
     public static void main(String[] args) throws IOException, Throwable {
         final String startRow = args[ 0 ];
         final String endRow = args[ 1 ];
 
         @SuppressWarnings ( "resource" )
         HTableInterface table = new HTable(HBaseConfiguration.create(), "tc" );
         Map< byte [], Long> results;
 
         // scan: for all regions
         results = table.coprocessorExec(CounterProtocol. class , startRow.getBytes(),
                 endRow.getBytes(), new Batch.Call<CounterProtocol, Long>() {
                     public Long call(CounterProtocol instance) throws IOException {
                         return instance.count(startRow.getBytes(), endRow.getBytes());
                     }
                 });
 
         long total = 0 ;
         for (Map.Entry< byte [], Long> e : results.entrySet()) {
             System.out.println(e.getValue());
             total += e.getValue();
         }
 
         System.out.println( "total:" + total);
     }
}

整个程序的框架其实又是另外一个mapreduce,只是运行在region server上面,reduce运行在客户端,其中map计算量较大,reduce计算量很小!

另外需要提醒的是:
protocol的返回类型,可以是基本类型。
如果是一个自定义的类型需要实现org.apache.hadoop.io.Writable接口。
关于详细的支持类型,请参考代码hbase源码:org.apache.hadoop.hbase.io.HbaseObjectWritable

怎么部署?

1. 通过hbase-site.xml增加

1
2
3
4
< property >
   < name >hbase.coprocessor.region.classes</ name >
   < value >xxxx.CounterEndPoint </ value >
</ property >
  1. 如果要配置多个,就用逗号(,)分割。
  2. 包含此类的jar必须位于hbase的classpath
  3. 这种coprocessor是作用于所有的表,如果你只想作用于部分表,请使用下面一种方式。

2. 通过shell方式
增加:

1
2
3
4
5
6
hbase(main):005:0> alter 't1' , METHOD => 'table_att' ,
'coprocessor' => 'hdfs:///foo.jar|com.foo.FooRegionObserver|1001|arg1=1,arg2=2'
Updating all regions with the new schema...
1 /1 regions updated.
Done.
0 row(s) in 1.0730 seconds

coprocessor格式为:
[FilePath]|ClassName|Priority|arguments
arguments: k=v[,k=v]+

  1. 其中FilePath是hdfs路径,例如/tmp/zhenhe/cp/zhenhe-1.0.jar
  2. ClassNameEndPoint实现类的全名
  3. Priority为,整数,框架会根据这个数据决定多个cp的执行顺序
  4. Arguments,传给cp的参数
  5. 如果hbase的classpath包含改类,FilePath可以留空

卸载:

  1. 先describe “tableName‘,查看你要卸载的cp的编号
  2. 然后alter 't1', METHOD => 'table_att_unset', NAME=> 'coprocessor$3',coprocessor$3可变。

应用场景

这是一个最简单的例子,另外还有很多统计场景,可以用在这种方式实现,有如下好处:

  1. 节省网络带宽
  2. 减少RPC调用(scan的调用随着CacheSzie的变小而线性增加),减轻hbase压力
  3. 可以提高统计效率,那我之前写过的一个groupby类型的例子来说,大约可以提高50%以上的统计速度。

其他应用场景?

  1. 一个保存着用户信息的表,可以统计每个用户信息(counter job)
  2. 统计最大值,最小值,平均值,参考:https://issues.apache.org/jira/browse/HBASE-1512
  3. 批量删除记录,批量删除某个时间戳的记录

参考:

1. http://blogs.apache.org/hbase/entry/coprocessor_introduction
2. https://issues.apache.org/jira/browse/HBASE-1512


你可能感兴趣的:(使用HBase EndPoint(coprocessor)进行计算)