HBase优化之bulkload写入

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);@Overrideprotected void map(LongWritable key, Text value, Context context)throws IOException, InterruptedException {// TODO Auto-generated method stubString 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 stubint 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>{@Overrideprotected void map(LongWritable key, Text value, Context context)throws IOException, InterruptedException {// TODO Auto-generated method stubString wordCountStr=value.toString();String[] wordCountArray=wordCountStr.split("\t");String word=wordCountArray[0];int count=Integer.valueOf(wordCountArray[1]);//创建HBase中的RowKeybyte[] 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: Can't 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 extendsTableMapper<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 extendsReducer<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/