ImportTsv-HBase数据导入工具

2017/04/10 09:17
阅读数 88

一、概述

Hbase官方提供了基于Mapreduce的批量数据导入工具:Bulk load和ImportTsv。关于Bulk load大家可以看下我另一篇博文

通常HBase用户会使用HBase API导数,但是如果一次性导入大批量数据,可能占用大量Regionserver资源,影响存储在该Regionserver上其他表的查询,本文将会从源码上解析ImportTsv数据导入工具,探究如何高效导入数据到HBase。

 

二、ImportTsv介绍

ImportTsv是Hbase提供的一个命令行工具,可以将存储在HDFS上的自定义分隔符(默认\t)的数据文件,通过一条命令方便的导入到HBase表中,对于大数据量导入非常实用,其中包含两种方式将数据导入到HBase表中:

第一种是使用TableOutputformat在reduce中插入数据;

第二种是先生成HFile格式的文件,再执行一个叫做CompleteBulkLoad的命令,将文件move到HBase表空间目录下,同时提供给client查询。

 

三、源码解析

本文基于CDH5 HBase0.98.1,ImportTsv的入口类是org.apache.Hadoop.hbase.mapreduce.ImportTsv

 

[java] view plain copy

  1. String hfileOutPath = conf.get(BULK_OUTPUT_CONF_KEY);  
  2. String columns[] = conf.getStrings(COLUMNS_CONF_KEY);  
  3. if (hfileOutPath != null) {  
  4.   if (!admin.tableExists(tableName)) {  
  5.     LOG.warn(format("Table '%s' does not exist.", tableName));  
  6.     // TODO: this is backwards. Instead of depending on the existence of a table,  
  7.     // create a sane splits file for HFileOutputFormat based on data sampling.  
  8.     createTable(admin, tableName, columns);  
  9.   }  
  10.   HTable table = new HTable(conf, tableName);  
  11.   job.setReducerClass(PutSortReducer.class);  
  12.   Path outputDir = new Path(hfileOutPath);  
  13.   FileOutputFormat.setOutputPath(job, outputDir);  
  14.   job.setMapOutputKeyClass(ImmutableBytesWritable.class);  
  15.   if (mapperClass.equals(TsvImporterTextMapper.class)) {  
  16.     job.setMapOutputValueClass(Text.class);  
  17.     job.setReducerClass(TextSortReducer.class);  
  18.   } else {  
  19.     job.setMapOutputValueClass(Put.class);  
  20.     job.setCombinerClass(PutCombiner.class);  
  21.   }  
  22.   HFileOutputFormat.configureIncrementalLoad(job, table);  
  23. } else {  
  24.   if (mapperClass.equals(TsvImporterTextMapper.class)) {  
  25.     usage(TsvImporterTextMapper.class.toString()  
  26.         + " should not be used for non bulkloading case. use "  
  27.         + TsvImporterMapper.class.toString()  
  28.         + " or custom mapper whose value type is Put.");  
  29.     System.exit(-1);  
  30.   }  
  31.   // No reducers. Just write straight to table. Call initTableReducerJob  
  32.   // to set up the TableOutputFormat.  
  33.   TableMapReduceUtil.initTableReducerJob(tableName, null, job);  
  34.   job.setNumReduceTasks(0);  
  35. }  

 

 

从ImportTsv.createSubmittableJob方法中判断参数BULK_OUTPUT_CONF_KEY开始,这步直接影响ImportTsv的Mapreduce作业最终以哪种方式入HBase库

如果不为空并且用户没有自定义Mapper实现类(参数importtsv.mapper.class)时,则使用PutSortReducer,其中会对Put排序,如果每行记录有很多column,则会占用Reducer大量的内存资源进行排序。

 

[java] view plain copy

  1. Configuration conf = job.getConfiguration();  
  2. HBaseConfiguration.merge(conf, HBaseConfiguration.create(conf));  
  3. job.setOutputFormatClass(TableOutputFormat.class);  

如果为空,调用TableMapReduceUtil.initTableReducerJob初始化TableOutputformat的Reducer输出,此方式不需要使用Reducer,因为直接在mapper的Outputformat中会批量的调用Put API将数据提交到Regionserver上(相当于并行的执行HBase Put API)

 

 

四、实战

1、使用TableOutputformat的Put API上传数据,非bulk-loading

[java] view plain copy

  1. $ bin/hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.columns=a,b,c <tablename> <hdfs-inputdir>  

2、使用bulk-loading生成StoreFiles(HFile)

 

step1、生成Hfile

[java] view plain copy

  1. $ bin/hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.columns=a,b,c -Dimporttsv.bulk.output=hdfs://storefile-outputdir <tablename> <hdfs-data-inputdir>  

step2、完成导入

 

 

[java] view plain copy

  1. $ bin/hbase org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles <hdfs://storefileoutput> <tablename>  

 

 

五、总结

在使用ImportTsv时,一定要注意参数importtsv.bulk.output的配置,通常来说使用Bulk output的方式对Regionserver来说更加友好一些,这种方式加载数据几乎不占用Regionserver的计算资源,因为只是在HDFS上移动了HFile文件,然后通知HMaster将该Regionserver的一个或多个region上线。

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部