HBase海量数据入库方案、使用ImportTSV向HBase中导入海量数据、HBase的写入流程、HBase在HDFS中的存储结构、LoadIncrementalHFiles命令 10

约定不等于承诺〃 2022-04-24 10:24 947阅读 0赞

# 前言 #

*  数据导入HBase时，若是小批量的数据，使用HBase提供的API就可以满足需求。
 *  如果要灌入大量数据，使用API的方式导入，会占用大量的RegionServer的资源，影响该RegionServer上其他表的查询。

**为了解决这种问题，HBase官方提供了两种基于MapReduce的大量数据导入的方法：**

1.  ImportTSV
2.  BuckLoad

# 1. HBase导入数据的写入流程 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTkwOQ_size_16_color_FFFFFF_t_70]

1.  客户端Client向HRegionServer发起请求，要求写入数据。
2.  HRegionServer先将数据写入HLog中，即图中WAL过程。=》**防止数据丢失**
3.  HRegionServer将数据写入Memstore中，做缓存。
4.  当内存中的数据达到阀值时，将数据Flush(刷写)到硬盘中，即写入到HFile中，并同时删除MemStore和HLog中的数据。

# 2. HBase在hdfs中的存储结构 #

我们知道，HBase的数据最终是以HFile的形式存储在hdfs中的，在hdfs中hbase的目录结构如下

/HBase指定的存储目录/HBase表/表分布的Region/列族/HFile

*  举个例子：  
    现在有一张user表，表中有两个列族**info**和**desc**，user的region分布情况如下：（如下图示HBase WEB UI界面）  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTkwOQ_size_16_color_FFFFFF_t_70 1]
 *  在hdfs中user表存储路径如下所示，无视两个.开头的文件，其他的目录名称均为上图中，Region对应的code码  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTkwOQ_size_16_color_FFFFFF_t_70 2]
 *  点进去一个Region目录，目录内容如下图：  
    其中info和desc这两个目录，就是HBase创建表时定义的列族，HFile存放在该目录下  
    ![在这里插入图片描述][20190423155529606.png]
 *  点进去info列族这个文件夹，可以看到这个列族下的HFile  
    ![在这里插入图片描述][20190423155618204.png]

# 3. ImportTSV初次见面，请多指教~ #

ImportTsv是HBase提供的一个**命令行**工具，将存储在hdfs上的数据文件，通过指定的分隔符解析后，导入到HBase表中。

**使用ImportTsv的方式导入数据与正常写入流程不同的是，跳过了WAL（Client写入到HLog）、Memcache（Client写入到MemStore）与Flush的过程，直接将HFlie文件移动到HBase表空间目录下即可，不影响HRegionServer的性能**

ImportTsv包含两种方式，能够将数据导入到HBase表中：

1.  第一种，使用TableOutputformat在reduce端插入数据，但是这种方式导入大批量数据的时候有可能会存在问题，尤其是列比较多的宽表导入的时候，会出现RegionTooBusyException，导致数据丢失，**如果数据量少，可以使用该方法**
2.  第二种（**强烈推荐**）：先使用MapReduce程序生成HFlie文件，再执行**LoadlncrementaHFlies**命令，将文件移动到HBase表中对应的存储目录下。

# 4. ImportTsv用法 #

## 4.1 命令如下 ##

hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.columns=a,b,c <tablename> <inputdir>

默认情况下，是第一种导入方法，即将数据在reduce端**直接导入**到HBase中

## 4.2 参数说明 ##

*  **-Dimporttsv.columns=a,b,c** 指定导入到HBase表中的列
 *  **<tablename>** 表名
 *  **<inputdir>** 数据文件在hdfs上的目录地址（**直接写目录地址即可，例：/data/data.txt**）

**如上参数，是默认直接导入所需基本的参数，如下是根据具体上传的文件指定参数**

*  如果数据文件不是使用**默认的分隔符 \\t**进行分割，需要指定文件分隔符：  
    **-Dimporttsv.separator=","** 指定分隔符为逗号
 *  如果使用第二种方法，要生成HFlie文件，添加如下参数：  
    **-Dimporttsv.bluck.output=/path/for/output** 指定生成的HFlie文件在hdfs的存储目录地址

**另外，还有一些运行参数可供选择**

*  **-Dimporttsv.skip.bad.lines=true / false**  
    在导入过程中，如果有不符合分割标准的行，被称之为badlines，设置是否跳过，如果不跳过，则Map-Reduce任务停止
 *  **-Dimporttsv.timestamp=currentTimeAsLong** 指定导入的时间戳
 *  **-Dimporttsv.mapper.class=my.Mapper**  
    指定用户自定义的Mapper程序，用于替换默认的Mapper：org.apache.hadoop.hbase.mapreduce.TsvImporterMapper
 *  **-Dmapreduce.job.name=jobName** 用户指定MapReduce任务名称
 *  **-Dcreate.table= yes/no**  
    如果HBase中没有创建表，是否使用ImportTSV工具创建该表，**如果设置为no，则在HBase中表必须存在**
 *  \-Dno.strict= true / false 是否忽略HBASE表中的列族检查，默认为false

**如果考虑提升导入性能，可以参考如下参数**

*  **-Dmapreduce.map.speculative=false** 关闭Map端推断
 *  **-Dmapreduce.reduce.speculative=false** 关闭Reduce端推断

# 5. 使用ImportTsv导入HBase实例 #

## 5.1 数据文件user.txt ##

这里有一个数据文件，user.txt, 文件内容如下：如有雷同，纯属巧合  
![在这里插入图片描述][20190423172201523.png]  
对应的列分别为：手机号反转、姓名、性别、年龄、身份证号、户籍地址、生日  
现要将数据文件导入到user表中，user表建表语句如下：  
info列簇是用户基本信息  
desc列簇是其他描述信息

**HBase创建表如下**

create 'user',
    { NAME => 'info', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROWCOL', COMPRESSION => 'SNAPPY', VERSIONS => '1', MIN_VERSIONS => '0', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536', IN_MEMORY => 'false', BLOCKCACHE => 'false',REPLICATION_SCOPE=>'1'},
    { NAME => 'desc', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROWCOL', COMPRESSION => 'SNAPPY', VERSIONS => '1', MIN_VERSIONS => '0', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536',IN_MEMORY => 'false', BLOCKCACHE => 'false',REPLICATION_SCOPE=>'1'},
    SPLITS => ['0','1', '2', '3', '4','5','6','7','8','9']

## 5.2 需求 ##

需要将user.txt文件中的数据导入到user表中的info列族，row-key是用户手机号反转

## 5.3 第一种方式导入（简单了解下，重点还是第二种） ##

*  指定分隔符为逗号
 *  指定导入的列：第一列为HBASE\_ROW\_KEY，其他列都是info列族下的name，gender，age，idNumber，address，birthday列
 *  指定需要导入的表名：user
 *  指定数据文件在hdfs上的目录地址：/louisvv/user.txt

hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.separator="," \
    -Dimporttsv.columns=HBASE_ROW_KEY,info:name,info:gender,info:age,info:idNumber,info:address,info:birthday \
    user /louisvv/user.txt

## 5.4 第二种方式导入（强烈推荐，重点介绍） ##

*  指定分隔符
 *  指定产生的HFlie在hdfs上存放的临时目录： /louisvv/hfile\_tmp
 *  指定导入的列：第一列为hbase\_row\_key, 其他列都是info列族下的name，gender，age，idNumber，address，birthday列
 *  指定需要导入的表名：user
 *  指定数据文件在hdfs上的目录地址：/louisvv/user.txt

hbase org.apache.hadoop.hbase.mapreduce.ImportTsv -Dimporttsv.separator="," \
    -Dimporttsv.bulk.output=/louisvv/hfile_tmp \
    -Dimporttsv.columns=HBASE_ROW_KEY,info:name,info:gender,info:age,info:idNumber,info:address,info:birthday \
    user /yw/user.txt

*  截取Map-Reduce部分日志如下：  
    可以看到MR的基本信息，共2000002（二百万）条数据，ImportTsv 处理的Bad Lines=0，即所有数据都成功的导入了，整个过程大约花费了1分20秒左右的时间，可以看出ImportTsv的效率还是挺快的。

2018-10-15 16:54:24,570 INFO  [main] mapreduce.Job:  map 0% reduce 0%
    2018-10-15 16:54:35,670 INFO  [main] mapreduce.Job:  map 20% reduce 0%
    2018-10-15 16:54:38,688 INFO  [main] mapreduce.Job:  map 33% reduce 0%
    2018-10-15 16:54:45,730 INFO  [main] mapreduce.Job:  map 50% reduce 0%
    2018-10-15 16:54:54,795 INFO  [main] mapreduce.Job:  map 70% reduce 0%
    2018-10-15 16:54:57,812 INFO  [main] mapreduce.Job:  map 83% reduce 0%
    2018-10-15 16:55:05,853 INFO  [main] mapreduce.Job:  map 100% reduce 0%
    2018-10-15 16:55:13,891 INFO  [main] mapreduce.Job:  map 100% reduce 69%
    2018-10-15 16:55:16,905 INFO  [main] mapreduce.Job:  map 100% reduce 73%
    2018-10-15 16:55:19,920 INFO  [main] mapreduce.Job:  map 100% reduce 76%
    2018-10-15 16:55:22,935 INFO  [main] mapreduce.Job:  map 100% reduce 80%
    2018-10-15 16:55:25,949 INFO  [main] mapreduce.Job:  map 100% reduce 83%
    2018-10-15 16:55:28,964 INFO  [main] mapreduce.Job:  map 100% reduce 86%
    2018-10-15 16:55:31,976 INFO  [main] mapreduce.Job:  map 100% reduce 90%
    2018-10-15 16:55:34,989 INFO  [main] mapreduce.Job:  map 100% reduce 93%
    2018-10-15 16:55:38,003 INFO  [main] mapreduce.Job:  map 100% reduce 97%
    2018-10-15 16:55:41,014 INFO  [main] mapreduce.Job:  map 100% reduce 100%
    2018-10-15 16:55:41,022 INFO  [main] mapreduce.Job: Job job_1539592382677_0007 completed successfully
    2018-10-15 16:55:41,149 INFO  [main] mapreduce.Job: Counters: 50
    	File System Counters
    		FILE: Number of bytes read=437400267
    		FILE: Number of bytes written=875354426
    		FILE: Number of read operations=0
    		FILE: Number of large read operations=0
    		FILE: Number of write operations=0
    		HDFS: Number of bytes read=133551726
    		HDFS: Number of bytes written=188589865
    		HDFS: Number of read operations=11
    		HDFS: Number of large read operations=0
    		HDFS: Number of write operations=3
    	Job Counters 
    		Launched map tasks=2
    		Launched reduce tasks=1
    		Data-local map tasks=2
    		Total time spent by all maps in occupied slots (ms)=302200
    		Total time spent by all reduces in occupied slots (ms)=281168
    		Total time spent by all map tasks (ms)=37775
    		Total time spent by all reduce tasks (ms)=35146
    		Total vcore-milliseconds taken by all map tasks=37775
    		Total vcore-milliseconds taken by all reduce tasks=35146
    		Total megabyte-milliseconds taken by all map tasks=154726400
    		Total megabyte-milliseconds taken by all reduce tasks=143958016
    	Map-Reduce Framework
    		Map input records=2000002
    		Map output records=2000002
    		Map output bytes=431420770
    		Map output materialized bytes=437400273
    		Input split bytes=182
    		Combine input records=2000002
    		Combine output records=1999629
    		Reduce input groups=1999281
    		Reduce shuffle bytes=437400273
    		Reduce input records=1999629
    		Reduce output records=11995686
    		Spilled Records=3999258
    		Shuffled Maps =2
    		Failed Shuffles=0
    		Merged Map outputs=2
    		GC time elapsed (ms)=4894
    		CPU time spent (ms)=206900
    		Physical memory (bytes) snapshot=6744469504
    		Virtual memory (bytes) snapshot=16308625408
    		Total committed heap usage (bytes)=7036469248
    	ImportTsv
    		Bad Lines=0
    	Shuffle Errors
    		BAD_ID=0
    		CONNECTION=0
    		IO_ERROR=0
    		WRONG_LENGTH=0
    		WRONG_MAP=0
    		WRONG_REDUCE=0
    	File Input Format Counters 
    		Bytes Read=133551544
    	File Output Format Counters 
    		Bytes Written=188589865

*  接下来要将生产的临时HFlie文件导入到HBase中
 *  指定刚刚的HFlie目录地址：/louisvv/hfile\_tmp
 *  指定需要导入的表：user

hbase org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles /louisvv/hfile_tmp user

*  运行日志如下

2018-10-15 17:01:52,416 INFO  [main-SendThread(ai-main:2181)] zookeeper.ClientCnxn: Session establishment complete on server ai-main/192.168.1.22:2181, sessionid = 0x166666be050001d, negotiated timeout = 60000
    2018-10-15 17:01:52,781 WARN  [main] mapreduce.LoadIncrementalHFiles: Skipping non-directory hdfs://cluster/louisvv/hfile_tmp/_SUCCESS
    2018-10-15 17:01:53,249 INFO  [LoadIncrementalHFiles-0] hfile.CacheConfig: CacheConfig:disabled
    2018-10-15 17:01:53,300 INFO  [LoadIncrementalHFiles-0] compress.CodecPool: Got brand-new decompressor [.snappy]
    2018-10-15 17:01:53,331 INFO  [LoadIncrementalHFiles-0] mapreduce.LoadIncrementalHFiles: Trying to load hfile=hdfs://cluster/louisvv/hfile_tmp/info/1c6888ef7b014b90908e48c47597ca0a first=13010007758 last=18999999393
    2018-10-15 17:01:53,742 INFO  [main] client.ConnectionManager$HConnectionImplementation: Closing master protocol: MasterService
    2018-10-15 17:01:53,743 INFO  [main] client.ConnectionManager$HConnectionImplementation: Closing zookeeper sessionid=0x166666be050001d
    2018-10-15 17:01:53,744 INFO  [main] zookeeper.ZooKeeper: Session: 0x166666be050001d closed
    2018-10-15 17:01:53,745 INFO  [main-EventThread] zookeeper.ClientCnxn: EventThread shut down

*  **验证**  
    使用hbase shell对数据进行验证，因为数据太多了，不能使用scan操作，这里就随机挑一个row\_key为68398017181，我们进行一下get  
    ![在这里插入图片描述][20190423175049115.png]  
    查询结果如下：  
    这里看到，中文在HBase中是以十六进制保存的，我们需要验证一下name字段是否和我们查询的相符即可

hbase(main):003:0> get 'user','68398017181'
    COLUMN                                          CELL                                                                                                                                       
     info:address                                   timestamp=1539756695119, value=\xE6\x89\xB6\xE9\xA3\x8E\xE5\x8E\xBF                                                                        
     info:age                                       timestamp=1539756695119, value=36                                                                                                          
     info:birthday                                  timestamp=1539756695119, value=198xxxxx                                                                                                   
     info:gender                                    timestamp=1539756695119, value=\xE5\xA5\xB3                                                                                                
     info:idNumber                                  timestamp=1539756695119, value=610XXXXXXXXXXX5584                                                                                          
     info:name                                      timestamp=1539756695119, value=\xE5\xBA\x9E\xE7\xBE\x8E\xE8\xAF\x97                                                                        
    6 row(s) in 0.0530 seconds

**我使用python程序进行转码：**  
结果正确，则数据导入正确

>>> print '\xE5\xBA\x9E\xE7\xBE\x8E\xE8\xAF\x97'.decode('utf-8')
    庞美诗

**如果喜欢本文章，请用小手点个赞~**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTkwOQ_size_16_color_FFFFFF_t_70]: /images/20220216/2f62135f804249aabf1f50771a966cf7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTkwOQ_size_16_color_FFFFFF_t_70 1]: /images/20220216/d950f952059249b99cf646b0226f2ced.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjY0MTkwOQ_size_16_color_FFFFFF_t_70 2]: /images/20220216/925d6f7fcd0d4a88bee19e81e7c81ecf.png
[20190423155529606.png]: /images/20220216/58a3b867eb0f4224b92f8fc7ac50615e.png
[20190423155618204.png]: /images/20220216/7e5b667fb76f4a04a8d7eb7ae16d2b6d.png
[20190423172201523.png]: /images/20220216/311d6575e44f425f8374b256145ff704.png
[20190423175049115.png]: /images/20220216/c402a641f6ac48518af13218edfbe5d3.png