HBase 写优化之 BulkLoad 实现数据快速入库详解编程语言

1、为何要 BulkLoad 导入？传统的 HTableOutputFormat 写 HBase 有什么问题？

我们先看下 HBase 的写流程：

通常 MapReduce 在写HBase时使用的是 TableOutputFormat 方式，在reduce中直接生成put对象写入HBase，该方式在大数据量写入时效率低下（HBase会block写入，频繁进行flush，split，compact等大量IO操作），并对HBase节点的稳定性造成一定的影响（GC时间过长，响应变慢，导致节点超时退出，并引起一系列连锁反应），而HBase支持 bulk load 的入库方式，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，直接在HDFS中生成持久化的HFile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，在大数据量写入时能极大的提高写入效率，并降低对HBase节点的写入压力。
通过使用先生成HFile，然后再BulkLoad到Hbase的方式来替代之前直接调用HTableOutputFormat的方法有如下的好处：
（1）消除了对HBase集群的插入压力
（2）提高了Job的运行速度，降低了Job的执行时间
目前此种方式仅仅适用于只有一个列族的情况，在新版 HBase 中，单列族的限制会消除。

2、bulkload 流程与实践

bulkload 方式需要两个Job配合完成：
 

（1）第一个Job还是运行原来业务处理逻辑，处理的结果不直接调用HTableOutputFormat写入到HBase，而是先写入到HDFS上的一个中间目录下（如 middata）
 

（2）第二个Job以第一个Job的输出（middata）做为输入，然后将其格式化HBase的底层存储文件HFile
 

（3）调用BulkLoad将第二个Job生成的HFile导入到对应的HBase表中

下面给出相应的范例代码：

import java.io.IOException; 

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.client.Put; 

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.mapreduce.LoadIncrementalHFiles; 

import org.apache.hadoop.hbase.util.Bytes; 

import org.apache.hadoop.io.IntWritable; 

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.Reducer; 

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 

import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 

import org.apache.hadoop.util.GenericOptionsParser; 

public class GeneratePutHFileAndBulkLoadToHBase { 

 public static class WordCountMapper extends Mapper LongWritable, Text, Text, IntWritable 

 private Text wordText=new Text(); 

 private IntWritable one=new IntWritable(1); 

 @Override 

 protected void map(LongWritable key, Text value, Context context) 

 throws IOException, InterruptedException { 

 // TODO Auto-generated method stub 

 String line=value.toString(); 

 String[] wordArray=line.split(" "); 

 for(String word:wordArray) 

 wordText.set(word); 

 context.write(wordText, one); 

 public static class WordCountReducer extends Reducer Text, IntWritable, Text, IntWritable 

 private IntWritable result=new IntWritable(); 

 protected void reduce(Text key, Iterable IntWritable valueList, 

 Context context) 

 throws IOException, InterruptedException { 

 // TODO Auto-generated method stub 

 int sum=0; 

 for(IntWritable value:valueList) 

 sum+=value.get(); 

 result.set(sum); 

 context.write(key, result); 

 public static class ConvertWordCountOutToHFileMapper extends Mapper LongWritable, Text, ImmutableBytesWritable, Put 

 @Override 

 protected void map(LongWritable key, Text value, Context context) 

 throws IOException, InterruptedException { 

 // TODO Auto-generated method stub 

 String wordCountStr=value.toString(); 

 String[] wordCountArray=wordCountStr.split("/t"); 

 String word=wordCountArray[0]; 

 int count=Integer.valueOf(wordCountArray[1]); 

 //创建HBase中的RowKey 

 byte[] rowKey=Bytes.toBytes(word); 

 ImmutableBytesWritable rowKeyWritable=new ImmutableBytesWritable(rowKey); 

 byte[] family=Bytes.toBytes("cf"); 

 byte[] qualifier=Bytes.toBytes("count"); 

 byte[] hbaseValue=Bytes.toBytes(count); 

 // Put 用于列簇下的多列提交，若只有一个列，则可以使用 KeyValue 格式 

 // KeyValue keyValue = new KeyValue(rowKey, family, qualifier, hbaseValue); 

 Put put=new Put(rowKey); 

 put.add(family, qualifier, hbaseValue); 

 context.write(rowKeyWritable, put); 

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

 // TODO Auto-generated method stub 

 Configuration hadoopConfiguration=new Configuration(); 

 String[] dfsArgs = new GenericOptionsParser(hadoopConfiguration, args).getRemainingArgs(); 

 //第一个Job就是普通MR，输出到指定的目录 

 Job job=new Job(hadoopConfiguration, "wordCountJob"); 

 job.setJarByClass(GeneratePutHFileAndBulkLoadToHBase.class); 

 job.setMapperClass(WordCountMapper.class); 

 job.setReducerClass(WordCountReducer.class); 

 job.setOutputKeyClass(Text.class); 

 job.setOutputValueClass(IntWritable.class); 

 FileInputFormat.setInputPaths(job, new Path(dfsArgs[0])); 

 FileOutputFormat.setOutputPath(job, new Path(dfsArgs[1])); 

 //提交第一个Job 

 int wordCountJobResult=job.waitForCompletion(true)?0:1; 

 //第二个Job以第一个Job的输出做为输入，只需要编写Mapper类，在Mapper类中对一个job的输出进行分析，并转换为HBase需要的KeyValue的方式。 

 Job convertWordCountJobOutputToHFileJob=new Job(hadoopConfiguration, "wordCount_bulkload"); 

 convertWordCountJobOutputToHFileJob.setJarByClass(GeneratePutHFileAndBulkLoadToHBase.class); 

 convertWordCountJobOutputToHFileJob.setMapperClass(ConvertWordCountOutToHFileMapper.class); 

 //ReducerClass 无需指定，框架会自行根据 MapOutputValueClass 来决定是使用 KeyValueSortReducer 还是 PutSortReducer 

 //convertWordCountJobOutputToHFileJob.setReducerClass(KeyValueSortReducer.class); 

 convertWordCountJobOutputToHFileJob.setMapOutputKeyClass(ImmutableBytesWritable.class); 

 convertWordCountJobOutputToHFileJob.setMapOutputValueClass(Put.class); 

 //以第一个Job的输出做为第二个Job的输入 

 FileInputFormat.addInputPath(convertWordCountJobOutputToHFileJob, new Path(dfsArgs[1])); 

 FileOutputFormat.setOutputPath(convertWordCountJobOutputToHFileJob, new Path(dfsArgs[2])); 

 //创建HBase的配置对象 

 Configuration hbaseConfiguration=HBaseConfiguration.create(); 

 //创建目标表对象 

 HTable wordCountTable =new HTable(hbaseConfiguration, "word_count"); 

 HFileOutputFormat.configureIncrementalLoad(convertWordCountJobOutputToHFileJob,wordCountTable); 

 //提交第二个job 

 int convertWordCountJobOutputToHFileJobResult=convertWordCountJobOutputToHFileJob.waitForCompletion(true)?0:1; 

 //当第二个job结束之后，调用BulkLoad方式来将MR结果批量入库 

 LoadIncrementalHFiles loader = new LoadIncrementalHFiles(hbaseConfiguration); 

 //第一个参数为第二个Job的输出目录即保存HFile的目录，第二个参数为目标表 

 loader.doBulkLoad(new Path(dfsArgs[2]), wordCountTable); 

 //最后调用System.exit进行退出 

 System.exit(convertWordCountJobOutputToHFileJobResult); 

}

比如原始的输入数据的目录为：/rawdata/test/wordcount/20131212 

中间结果数据保存的目录为：/middata/test/wordcount/20131212 


最终生成的HFile保存的目录为：/resultdata/test/wordcount/20131212 


运行上面的Job的方式如下： 


hadoop jar test.jar /rawdata/test/wordcount/20131212 /middata/test/wordcount/20131212 /resultdata/test/wordcount/20131212 

3、说明与注意事项：

（1）HFile方式在所有的加载方案里面是最快的，不过有个前提——数据是第一次导入，表是空的。如果表中已经有了数据。HFile再导入到hbase的表中会触发split操作。

（2）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 。
否则报这样的错误：

java.lang.IllegalArgumentException: Cant read partitions file 

Caused by: java.io.IOException: wrong key class: org.apache.hadoop.io.*** is not class org.apache.hadoop.hbase.io.ImmutableBytesWritable

（3）最终输出部分，Value类型是KeyValue 或Put，对应的Sorter分别是KeyValueSortReducer或PutSortReducer，这个 SorterReducer 可以不指定，因为源码中已经做了判断：

if (KeyValue.class.equals(job.getMapOutputValueClass())) { 

 job.setReducerClass(KeyValueSortReducer.class); 

} else if (Put.class.equals(job.getMapOutputValueClass())) { 

 job.setReducerClass(PutSortReducer.class); 

} else { 

 LOG.warn("Unknown map output value type:" + job.getMapOutputValueClass()); 

}

（4） MR例子中job.setOutputFormatClass(HFileOutputFormat.class); HFileOutputFormat只适合一次对单列族组织成HFile文件，多列簇需要起多个 job，不过新版本的 Hbase 已经解决了这个限制。 

（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。

（6）最后一个 Reduce 没有 setNumReduceTasks 是因为，该设置由框架根据region个数自动配置的。

（7）下边配置部分，注释掉的其实写不写都无所谓，因为看源码就知道configureIncrementalLoad方法已经把固定的配置全配置完了，不固定的部分才需要手动配置。

public class HFileOutput { 

 //job 配置 

 public static Job configureJob(Configuration conf) throws IOException { 

 Job job = new Job(configuration, "countUnite1"); 

 job.setJarByClass(HFileOutput.class); 

 //job.setNumReduceTasks(2); 

 //job.setOutputKeyClass(ImmutableBytesWritable.class); 

 //job.setOutputValueClass(KeyValue.class); 

 //job.setOutputFormatClass(HFileOutputFormat.class); 

 Scan scan = new Scan(); 

 scan.setCaching(10); 

 scan.addFamily(INPUT_FAMILY); 

 TableMapReduceUtil.initTableMapperJob(inputTable, scan, 

 HFileOutputMapper.class, ImmutableBytesWritable.class, LongWritable.class, job); 

 //这里如果不定义reducer部分，会自动识别定义成KeyValueSortReducer.class 和PutSortReducer.class 

 job.setReducerClass(HFileOutputRedcuer.class); 

 //job.setOutputFormatClass(HFileOutputFormat.class); 

 HFileOutputFormat.configureIncrementalLoad(job, new HTable( 

 configuration, outputTable)); 

 HFileOutputFormat.setOutputPath(job, new Path()); 

 //FileOutputFormat.setOutputPath(job, new Path()); //等同上句 

 return job; 

 public static class HFileOutputMapper extends 

 TableMapper ImmutableBytesWritable, LongWritable { 

 public void map(ImmutableBytesWritable key, Result values, 

 Context context) throws IOException, InterruptedException { 

 //mapper逻辑部分 

 context.write(new ImmutableBytesWritable(Bytes()), LongWritable()); 

 public static class HFileOutputRedcuer extends 

 Reducer ImmutableBytesWritable, LongWritable, ImmutableBytesWritable, KeyValue { 

 public void reduce(ImmutableBytesWritable key, Iterable LongWritable values, 

 Context context) throws IOException, InterruptedException { 

 //reducer逻辑部分 

 KeyValue kv = new KeyValue(row, OUTPUT_FAMILY, tmp[1].getBytes(), 

 Bytes.toBytes(count)); 

 context.write(key, kv); 

}

4、Refer：

1、Hbase几种数据入库（load）方式比较

http://blog.csdn.net/kirayuan/article/details/6371635

2、MapReduce生成HFile入库到HBase及源码分析

http://blog.pureisle.net/archives/1950.html

3、MapReduce生成HFile入库到HBase

http://shitouer.cn/2013/02/hbase-hfile-bulk-load/

转载出处：http://my.oschina.net/leejun2005/blog/187309

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/13736.html

cjava