首页 > 代码库 > MapReduce生成HFile文件,再使用BulkLoad导入HBase中(完全分布式运行)
MapReduce生成HFile文件,再使用BulkLoad导入HBase中(完全分布式运行)
声明: 若要转载, 请标明出处.
前提: 在对于大量的数据导入到HBase中, 如果一条一条进行插入, 则太耗时了, 所以可以先采用MapReduce生成HFile文件, 然后使用BulkLoad导入HBase中.
引用:
一、这种方式有很多的优点:
1. 如果我们一次性入库hbase巨量数据,处理速度慢不说,还特别占用Region资源, 一个比较高效便捷的方法就是使用 “Bulk Loading”方法,即HBase提供的HFileOutputFormat类。
2. 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,直接生成这种hdfs内存储的数据格式文件,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。
二、这种方式也有很大的限制:
1. 仅适合初次数据导入,即表内数据为空,或者每次入库表内都无数据的情况。
2. HBase集群与Hadoop集群为同一集群,即HBase所基于的HDFS为生成HFile的MR的集群.
本文代码采用Eclipse编辑器(Linux环境下)
一. 网上的大部分代码都是或多或少有问题, 比如他们或者不是运行在集群上,或者运行时有问题, 后面会对产生哪些问题进行说明, 先不说这么多了,先上代码吧.
二. 源代码(注: 作者亲测运行在集群上成功,集群基于Ubuntu12.04, Hadoop-1.2.1与HBase-0.98,使用自带的ZooKeeper)
1. MapReduce生产HFile文件
首先, 需要导入的数据的表格(BigClientEnergyInfo表)有四个列族, 每个列族下面有一些列, 这些信息都使用常量配置类CONSTANT_HADOOP与CONSTANT_HBASE进行说明,如下:
package cn.hey.loaddata2hbase;/** * * @author HeYong * @version 1 * @time 2014-05-09 * */public class CONSTANT_HADOOP { //大客户表BigClientEnergyInfo的HFile生成Job名字 public static final String BigClientEnergyInfo_JobName = "BigClientEnergyInfo_HFileGenerator_Job"; //大客户表BigClientEnergyInfo的输入原始文本信息的HDFS路径 public static final String BigClientEnergyInfo_inDir = "hdfs://node1:49000/user/hadoop/input/BigClientEnergyInfo/"; //大客户表BigClientEnergyInfo的HFile文件的输出HDFS路径 public static final String BigClientEnergyInfo_HFile_outDir = "hdfs://node1:49000/user/hadoop/output/BigClientEnergyInfo/"; //说明: 因为在创建HBase表的时候,默认只有一个Region,只有等到这个Region的大小超过一定的阈值之后,才会进行split //所以为了利用完全分布式加快生成HFile和导入HBase中以及数据负载均衡,所以需要在创建表的时候预先进行分区, //而进行分区时要利用startKey与endKey进行rowKey区间划分(因为导入HBase中,需要rowKey整体有序),所以在导入之前,自己先写一个MapReduce的Job求最小与最大的rowKey //即startKey与endKey //获取最大rowKey与最小rowKey的Job名字 public static final String GetMaxAndMinRowKey_JobName = "GetMaxAndMinRowKey_Job"; //大客户表BigClientEnergyInfo的输入原始文本信息的HDFS路径 public static final String GetMaxAndMinRowKey_inDir = "hdfs://node1:49000/user/hadoop/input/BigClientEnergyInfo/"; //最大rowKey与最小rowKey的输出HDFS路径 public static final String GetMaxAndMinRowKey_outDir = "hdfs://node1:49000/user/hadoop/output/GetMaxAndMinRowKey/";}
package cn.hey.loaddata2hbase;import java.util.LinkedList;import java.util.List;import org.apache.hadoop.hbase.client.HTable;/** * * @author HeYong * @version 1 * @time 2014-05-09 * */public class CONSTANT_HBASE { public static final long timeStamp = System.currentTimeMillis(); //表集合 public static List<HTable> htables = new LinkedList<HTable>(); public static final String[] TableNames = {"BigClientEnergyInfo"}; /** * 大客户表信息 */ //列族信息 public static final String[] TB0_FamilyNames = {"DateTime","MeterEnergy","ObjInfo","ClientInfo"}; //第1个列族中的列 public static final String[] TB0_FN0ColNames ={"DATETIME"}; //第2个列族中的列 public static final String[] TB0_FN1ColNames ={"DT","OBJ_ID","E0","E1","E2","E3","E4","E5"}; //第3个列族中的列 public static final String[] TB0_FN2ColNames ={"STAT_TYPE","CITY_NO","OBJ_ID","OBJ_NAME","LAYER","LAYER_ID","OBJ_TYPE","TYPE_VALUE", "TYPE_VALUE_GROUP","SORT","SYS_ID","STATION_NO","FLAG"}; //第4个列族中的列 public static final String[] TB0_FN3ColNames ={"CITY_NO","CONSUMERID","CONSUMERNAME","CUSTOMERTYPE","USERSTATUS","USERADDR","ZONEID","INDUSTRYTYPE", "LINKMAN","LINKPHONE","USETYPE","LINEID"}; //列族信息集合 public static final String[][] TB0_FNColNames={TB0_FN0ColNames,TB0_FN1ColNames,TB0_FN2ColNames,TB0_FN3ColNames}; //每个列族的列数 public static final int[] FNColIndex={1,2,10,23}; }
接着, 使用创建一个生成四个列族的HFile的MapRed Job,每个列族一个Job, 源代码如下(类BigClientEnergyInfoHFileGenerator):
其中有三点需要特别注意:
(1)
//特别注意: 一定要设置,不然会报cannot read partitioner file错误 conf.set("fs.default.name","node1:49000");(2)
//特别注意: 一定要设置,不然不会运行在集群上 conf.set("mapred.job.tracker","node1:49001");(3)
//特别注意: 对相关Class文件以及依赖的jar包(如HBase的jar,)进行打包,这是运行在集群上必须要做的一步,不然集群找不到相关的Mapper等类文件 File jarpath; try { jarpath = JarTools.makeJar("bin"); conf.set("mapred.jar", jarpath.toString()); } catch (Exception e) { logger.error("进行jar打包出错!"); e.printStackTrace(); return; }特别注意: 因为我这里是对工程下的bin目录里面的内容进行打包,所以需要把依赖的jar包先放入bin文件夹中, 再Bulid Path->Add to Build Path, 不然会出现在运行时, 依赖的包中的类找不到, 如HBase包中的ImmutableBytesWritable类等. 当然你也可以放在别的目录下,然后进行打包, 反正需要将相关Class文件与依赖的jar包进行打包. 这里自己写了一个JarTools类进行对指定文件夹下面的内容进行打包
package cn.hey.loaddata2hbase;import java.io.File;import java.io.IOException;import java.net.URI;import java.util.ArrayList;import java.util.Iterator;import java.util.List;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.FileSystem;import org.apache.hadoop.fs.Path;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.mapreduce.KeyValueSortReducer;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 org.apache.log4j.LogManager;import org.apache.log4j.Logger;import cn.hey.file.FileOperation;import cn.hey.hbase.HbaseOperation;import cn.hey.utils.JarTools;/** * * @author HeYong * @version 1 * @time 2014-05-09 * */public class BigClientEnergyInfoHFileGenerator { public static Logger logger = LogManager.getLogger(BigClientEnergyInfoHFileGenerator.class); /** * * @param args 第一个元素表示第几个表,第二个元素表示该表的列族个数 * @throws IOException * @throws InterruptedException * @throws ClassNotFoundException * @throws Exception */ public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException, Exception{ if(args.length<2){ logger.error("参数个数不对!"); return; } int tableIndex = Integer.parseInt(args[0]); int familyNum = Integer.parseInt(args[1]); int index = 0; long beginTime=0,endTime=0; while(index<familyNum){ beginTime = System.currentTimeMillis(); GeneratorJob(tableIndex,index); endTime = System.currentTimeMillis(); FileOperation.append2File(System.getProperty("user.dir")+File.separator+"file"+File.separator+"runTime1.txt",(((endTime-beginTime)/(1.0*60*1000)))+"\n"); ++index; } FileOperation.append2File(System.getProperty("user.dir")+File.separator+"file"+File.separator+"runTime1.txt","-----------------------------"); } public static class HFileGenerateMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, KeyValue> { private static int familyIndex = 0; private static Configuration conf = null; @Override protected void setup(Context context) throws IOException, InterruptedException { conf = context.getConfiguration(); familyIndex = conf.getInt("familyIndex",0); } @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { ImmutableBytesWritable rowkey = new ImmutableBytesWritable( value.toString().split(",")[0].getBytes()); List<KeyValue> list = null; list = createKeyValue(value.toString()); Iterator<KeyValue> it = list.iterator(); while (it.hasNext()) { KeyValue kv = new KeyValue(); kv = it.next(); if (kv != null) { context.write(rowkey, kv); } } } private List<KeyValue> createKeyValue(String str) { List<KeyValue> list = new ArrayList<KeyValue>(CONSTANT_HBASE.TB0_FNColNames[familyIndex].length); String[] values = str.toString().split(","); String[] qualifiersName = CONSTANT_HBASE.TB0_FNColNames[familyIndex]; for (int i = 0; i < qualifiersName.length; i++) { String rowkey = values[0]; String family = CONSTANT_HBASE.TB0_FamilyNames[familyIndex]; String qualifier = qualifiersName[i]; String value_str = values[i+CONSTANT_HBASE.FNColIndex[familyIndex]]; KeyValue kv = new KeyValue(Bytes.toBytes(rowkey), Bytes.toBytes(family), Bytes.toBytes(qualifier), CONSTANT_HBASE.timeStamp, Bytes.toBytes(value_str)); list.add(kv); } return list; } } //测试Mapper,用来进行测试的, 后面没有用到 public static class HFileMapper extends Mapper<LongWritable, Text,ImmutableBytesWritable,KeyValue> { protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String[] values = value.toString().split(" ", -1); byte[] rkey = Bytes.toBytes(values[0]); //rowkey byte[] family = Bytes.toBytes("info"); //列族 byte[] column = Bytes.toBytes("name"); //列 byte[] val = Bytes.toBytes(values[1]); //值 //Put tmpPut=new Put(subject); ImmutableBytesWritable rowKey = new ImmutableBytesWritable(rkey); KeyValue kvProtocol = new KeyValue(rkey , family, column, val); context.write(rowKey, kvProtocol ); } } /** * * @param tableIndex 表示第几个表(从0开始),具体参见CONSTANT_HBASE类 * @param familyIndex 表示该表的第几个列族(从0开始),具体参见CONSTANT_HBASE类 * @throws IOException */ public static void GeneratorJob(int tableIndex,int familyIndex) throws IOException{ Configuration conf = HbaseOperation.HBASE_CONFIG; //特别注意: 一定要设置,不然会爆cannot read partitioner file错误 conf.set("fs.default.name","node1:49000"); //特别注意: 一定要设置,不然不会运行在集群上 conf.set("mapred.job.tracker","node1:49001"); //特别注意: 对相关Class以及依赖的jar包(如HBase的jar)进行打包,这是运行在集群上必须要做的一步,不然集群找不到相关的Mapper等类文件 File jarpath; try { jarpath = JarTools.makeJar("bin"); conf.set("mapred.jar", jarpath.toString()); } catch (Exception e) { logger.error("进行jar打包出错!"); e.printStackTrace(); return; } //设置job Job job = new Job(conf, CONSTANT_HADOOP.BigClientEnergyInfo_JobName); job.setJarByClass(BigClientEnergyInfoHFileGenerator.class); //设置Map任务输出Key-Value类型,一定要为该类型,Value可以改为HBase的Put类型 job.setOutputKeyClass(ImmutableBytesWritable.class); job.setOutputValueClass(KeyValue.class); //设置Mapper与Reducer类 job.setMapperClass(HFileGenerateMapper.class); job.setReducerClass(KeyValueSortReducer.class); // 不需要设置,系统会根据相关信息调用 HFileOutputFormat // job.setOutputFormatClass(HFileOutputFormat.class); // 不需要设置, 系统会根据表的Region数创建多少Reducer // job.setNumReduceTasks(4); // job.setPartitionerClass(org.apache.hadoop.hbase.mapreduce.SimpleTotalOrderPartitioner.class); HTable table = new HTable(conf, CONSTANT_HBASE.TableNames[tableIndex]); HFileOutputFormat.configureIncrementalLoad(job, table); //设置数据输入输出目录 String str_inPath = CONSTANT_HADOOP.BigClientEnergyInfo_inDir; String str_outPath = CONSTANT_HADOOP.BigClientEnergyInfo_HFile_outDir+CONSTANT_HBASE.TB0_FamilyNames[familyIndex]; //创建HDFS对象 FileSystem fs = FileSystem.get(URI.create(str_inPath),conf); // 如果输出路径存在就先删掉,因为不允许输出路径事先存在 Path outPath = new Path(str_outPath); if (fs.exists(outPath)) fs.delete(outPath, true); FileInputFormat.addInputPath(job, new Path(str_inPath)); FileOutputFormat.setOutputPath(job, new Path(str_outPath)); try { job.waitForCompletion(true); } catch (InterruptedException e) { logger.info(CONSTANT_HADOOP.BigClientEnergyInfo_JobName+" 任务运行出错!"); e.printStackTrace(); } catch (ClassNotFoundException e) { logger.info(CONSTANT_HADOOP.BigClientEnergyInfo_JobName+" 任务运行出错!"); e.printStackTrace(); } } }
生成HFile程序说明:
①. 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>。
②. 最终输出部分,Value类型是KeyValue 或Put,对应的Sorter分别是KeyValueSortReducer或PutSortReducer。
③. MR例子中job.setOutputFormatClass(HFileOutputFormat.class); HFileOutputFormat只适合一次对单列族组织成HFile文件。好像最新的版本可以多个列族.
④. MR例子中HFileOutputFormat.configureIncrementalLoad(job, table);自动对job进行配置。TotalOrderPartitioner是需要先对key进行整体排序,然后划分到每个reduce中,保证每一个reducer中的的key最小最大值区间范围,是不会有交集的。因为入库到HBase的时候,作为一个整体的Region,key是绝对有序的。
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。
然后, 使用BulkLoad工具将HFile文件导入HBase中, 源代码如下(类BigClientEnergyInfoHFileLoader):
package cn.hey.loaddata2hbase;import java.io.File;import org.apache.hadoop.fs.Path;import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;import org.apache.log4j.LogManager;import org.apache.log4j.Logger;import cn.hey.file.FileOperation;import cn.hey.hbase.HbaseOperation;/** * * @author HeYong * @version 1 * @time 2014-05-09 * */public class BigClientEnergyInfoHFileLoader { public static Logger logger = LogManager.getLogger(HFileLoader.class); public static void main(String[] args) throws Exception { if(args.length<2){ logger.error("参数个数不对!"); return; } LoadIncrementalHFiles loader = new LoadIncrementalHFiles( HbaseOperation.HBASE_CONFIG); int tableIndex = Integer.parseInt(args[0]); int familyNum = Integer.parseInt(args[1]); int i = 0; long beginTime=0,endTime=0; while(i<familyNum){ beginTime = System.currentTimeMillis(); String str_outPath = CONSTANT_HADOOP.str_outPath+CONSTANT_HBASE.TB0_FamilyNames[i]; loader.doBulkLoad(new Path(str_outPath),CONSTANT_HBASE.htables.get(tableIndex)); endTime = System.currentTimeMillis(); //将用时相关写入文件 FileOperation.append2File(System.getProperty("user.dir")+File.separator+"file"+File.separator+"runTime2.txt",(((endTime-beginTime)/(1.0*60*1000)))+"\n"); ++i; } FileOperation.append2File(System.getProperty("user.dir")+File.separator+"file"+File.separator+"runTime2.txt","------------------------"); } }
最后,使用一个Driver类, 先创建HTable,然后调用上面的两个类,源代码如下(类BigClientEnergyInfoLoadDriver):
说明: 因为在创建HBase表的时候,默认只有一个Region,只有等到这个Region的大小超过一定的阈值之后,才会进行split, 所以为了利用完全分布式加快生成HFile和导入HBase中以及数据负载均衡,所以需要在创建表的时候预先创建分区,可以查阅相关资料(关于HBase调优的资料), 而进行分区时要利用startKey与endKey进行rowKey区间划分(因为导入HBase中,需要rowKey整体有序),所以在导入之前,自己先写一个MapReduce的Job求最小与最大的rowKey, 即startKey与endKey.
package cn.hey.loaddata2hbase;import java.io.IOException;import java.util.ArrayList;import java.util.List;import org.apache.hadoop.hbase.client.HTable;import org.apache.log4j.LogManager;import org.apache.log4j.Logger;import cn.hey.hbase.HbaseOperation;import cn.hey.hdfs.HDFSOperation;/** * * @author HeYong * @version 1 * @time 2014-05-09 * */public class BigClientEnergyInfoLoadDriver { protected static Logger logger = LogManager.getLogger(BigClientEnergyInfoLoadDriver.class); /** * @param args * @throws ClassNotFoundException * @throws InterruptedException * @throws IOException */ public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException { //首先删除在CONSTANT_HBASE类中的第0个表,即BigClientEnergyInfo表 dropHTable(0); /** * 说明: 因为在创建HBase表的时候,默认只有一个Region,只有等到这个Region的大小超过一定的阈值之后,才会进行split, * 所以为了利用完全分布式加快生成HFile和导入HBase中以及数据负载均衡,所以需要在创建表的时候预先创建分区,可以查阅相关资料(关于HBase调优的资料), * 而进行分区时要利用startKey与endKey进行rowKey区间划分(因为导入HBase中,需要rowKey整体有序),所以在导入之前,自己先写一个MapReduce的Job求最小与最大的rowKey, * 即startKey与endKey. * */ //调用GetMaxAndMinRowKeyDriver.获取startKey与endKey GetMaxAndMinRowKeyDriver.main(null); //读取startKey与endKey,readHDFSFile方法即读取指定HDFS文件中的内容,每一行作为一个字符串 List<String> strList = HDFSOperation.readHDFSFile(CONSTANT_HADOOP.GetMaxAndMinRowKey_outDir+"part-r-00000"); if(strList==null||strList.size()<2){ logger.info("startKey与endKey读取失败!"); return; } String startKey = strList.get(0); String endKey = strList.get(1); if(startKey==null||"".equals(startKey)||endKey==null||"".equals(endKey)){ logger.info("startKey或endKey为空!"); return; } args = new String[2]; //第0个表,表的索引,即表BigClientEnergyInfo args[0]="0"; //该表所拥有的列族的数目 args[1]= ""+CONSTANT_HBASE.TB0_FamilyNames.length; //创建第0个表,即大客户表 boolean flag = false; try { //创建表时预先创建的Region个数 int numPreRegions = 7; flag = createHTable(0,startKey,endKey,numPreRegions); } catch (IOException e1) { e1.printStackTrace(); } if(flag){ //产生该表的HFile文件 try { BigClientEnergyInfoHFileGenerator.main(args); } catch (IOException e) { e.printStackTrace(); } catch (InterruptedException e) { e.printStackTrace(); } catch (ClassNotFoundException e) { e.printStackTrace(); } catch (Exception e) { e.printStackTrace(); } //将HFile导入HBase中 try { HFileLoader.main(args); } catch (Exception e) { e.printStackTrace(); } } } /** * * @param index 第几个表 * @param startKey 创建预先分区的startKey * @param endKey 创建预先分区的endKey * @param numRegions 创建预先分区个数 * @return 是否创建成功 * @throws IOException */ public static boolean createHTable(int index,String startKey,String endKey,int numRegions) throws IOException{ if(index<0||index>=CONSTANT_HBASE.TableNames.length){ logger.error("表下标越界!"); return false; } if(startKey==null||"".equals(startKey)){ logger.error("startKey不能为空!"); return false; } if(endKey==null||"".equals(endKey)){ logger.error("endKey不能为空!"); return false; } if(numRegions<0){ logger.error("分区个数<0!"); return false; } List<String> list = new ArrayList<String>(); String tableName = CONSTANT_HBASE.TableNames[index]; for(String familyName:CONSTANT_HBASE.TB0_FamilyNames){ list.add(familyName); } if(HbaseOperation.createTable(tableName, list,startKey,endKey,numRegions)){ logger.info("创建HTable :"+tableName+"成功"); } HTable table = new HTable(HbaseOperation.HBASE_CONFIG,tableName); CONSTANT_HBASE.htables.add(table); return true; } public static void dropHTable(int index){ String tableName = CONSTANT_HBASE.TableNames[index]; HbaseOperation.dropTable(tableName); } }
注: HbaseOperation.createTable方法, 即创建表, HbaseOperation.dropTable方法,即删除表, 源代码如下:/** * 创建表 * * @param tableName * @param family 列族集名称 * @param String startKey,String endKey,int numRegions 预先分区相关信息 */ public static boolean createTable(String tableName,List<String> family,String startKey,String endKey,int numRegions) { try { hBaseAdmin = new HBaseAdmin(HBASE_CONFIG); //如果表已存在,则返回 if (hBaseAdmin.tableExists(tableName)) { //hBaseAdmin.disableTable(tableName); //hBaseAdmin.deleteTable(tableName); logger.info("表: "+tableName+"已经存在!"); return false; } HTableDescriptor tableDescriptor = new HTableDescriptor(tableName); for(String name:family){ tableDescriptor.addFamily(new HColumnDescriptor(name)); } hBaseAdmin.createTable(tableDescriptor,Bytes.toBytes(startKey),Bytes.toBytes(endKey),numRegions); } catch (MasterNotRunningException e) { e.printStackTrace(); } catch (ZooKeeperConnectionException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } return true; }/** * 删除一张表 * * @param tableName 表名 */ public static void dropTable(String tableName) { if(tableName==null||"".equals(tableName)){ logger.error("表名不能为空!"); return; } try { hBaseAdmin = new HBaseAdmin(HBASE_CONFIG); hBaseAdmin.disableTable(tableName); hBaseAdmin.deleteTable(tableName); } catch (MasterNotRunningException e) { e.printStackTrace(); } catch (ZooKeeperConnectionException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } }
特别注意: 对HBase进行操作时, 在获取HBase conf时, 即public static Configuration HBASE_CONFIG = HBaseConfiguration.create();的时候, 一定要进行如下设置:
static { //设置HMaster HBASE_CONFIG.set("hbase.zookeeper.master","node1:60000"); //设置Zookeeper集群 HBASE_CONFIG.set("hbase.zookeeper.quorum", "node2,node3,node4,node5,node6,node7,node8"); }不然会出现RegionServer的Zookeeper连接不上HMaster, 千万要注意.到这里就基本大功告成了. 可以通过node1:50030查看job的运行情况, 通过node1:60010查看HBase的相关情况.
下一篇将讲述中间遇到的问题以及解决办法.