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");

  //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;		 }

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","------------------------");	}	}

       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.