hbase bulkload

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

[java] view plain copy print ?
  1. package com.sina.hbase.mr; 
  2.  
  3. import java.io.IOException; 
  4. import java.util.Date; 
  5. import org.apache.hadoop.conf.Configuration; 
  6. import org.apache.hadoop.fs.Path; 
  7. import org.apache.hadoop.hbase.HBaseConfiguration; 
  8. import org.apache.hadoop.hbase.KeyValue; 
  9. import org.apache.hadoop.hbase.client.HTable; 
  10. import org.apache.hadoop.hbase.io.ImmutableBytesWritable; 
  11. import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat; 
  12. import org.apache.hadoop.hbase.util.Bytes; 
  13. import org.apache.hadoop.io.LongWritable; 
  14. import org.apache.hadoop.io.Text; 
  15. import org.apache.hadoop.mapreduce.Job; 
  16. import org.apache.hadoop.mapreduce.Mapper; 
  17. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
  18. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
  19. import com.hadoop.mapreduce.LzoTextInputFormat; 
  20. import com.sina.hbase.connection.ConnectionPool; 
  21. import com.sina.hbase.utils.DataOptUtil; 
  22. import com.sina.hbase.utils.Util; 
  23.  
  24.  
  25. public class BulkLoad { 
  26.  
  27.     public static class ***Mapper extends 
  28.             Mapper<LongWritable, Text, ImmutableBytesWritable, KeyValue> { 
  29.  
  30.         @Override 
  31.         protected void map(LongWritable key, Text value, Context context) 
  32.                 throws IOException, InterruptedException { 
  33.             // 检查并初始化数据对象 
  34.             *** p = Util.checkAndBuild(value.toString()); 
  35.  
  36.             if (p != null) { 
  37.                 byte[] row = Bytes.toBytes(p.getUid()); 
  38.                 ImmutableBytesWritable k = new ImmutableBytesWritable(row); 
  39.                 KeyValue kv = new KeyValue(row, "c".getBytes(), "c".getBytes(), 
  40.                         p.toByteArray()); 
  41.                 context.write(k, kv); 
  42.  
  43.             } 
  44.         } 
  45.     } 
  46.  
  47.      
  48.  
  49.     /**
  50.      * 通过表名决定使用哪种Mapper,如果表名不存在则返回null
  51.      *
  52.      * @param tableName
  53.      * @return
  54.      */ 
  55.  
  56.     @SuppressWarnings("rawtypes"
  57.     public static Class<? extends Mapper> decideMapper(String tableName) { 
  58.         if (tableName.equals("***")) 
  59.             return ***Mapper.class
  60.          
  61.  
  62.         return null
  63.     } 
  64.  
  65.     public static void main(String[] args) throws Exception { 
  66.  
  67.         if (args.length != 3) { 
  68.             System.err 
  69.                     .println("Usage: BulkLoad <inputPath> <hfilePath> <tablename>"); 
  70.             System.exit(2); 
  71.         } 
  72.         Configuration conf = HBaseConfiguration.create(); 
  73.         ConnectionPool.init(conf, 1000); 
  74.         HTable table = null
  75.          
  76.             table = ConnectionPool.getTable(args[2]); 
  77.  
  78.         Job job = new Job(conf, "BulkLoad-" + args[2] + "-" 
  79.                 + DataOptUtil.Date2LongString(new Date())); 
  80.  
  81.         // 根据表的不同选择mapper 
  82.  
  83.         job.setMapperClass(decideMapper(args[2])); 
  84.  
  85.         job.setJarByClass(BulkLoad.class); 
  86.         job.setInputFormatClass(LzoTextInputFormat.class); 
  87.  
  88.         HFileOutputFormat.configureIncrementalLoad(job, table); 
  89.  
  90.         FileInputFormat.addInputPath(job, new Path(args[0])); 
  91.         FileOutputFormat.setOutputPath(job, 
  92.                 Util.RemoveHDFSPath(new Path(args[1]), conf)); 
  93.  
  94.         System.exit(job.waitForCompletion(true) ? 0 : 1); 
  95.     } 
  96.  
      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。

你可能感兴趣的:(hbase bulkload)