HBase原理--BulkLoad

在实际生产环境中，有这样一种场景：用户数据位于HDFS中，业务需要定期将这部分海量数据导入HBase系统，以执行随机查询更新操作。这种场景如果调用写入API进行处理，极有可能会给RegionServer带来较大的写入压力：

•引起RegionServer频繁flush，进而不断compact、split，影响集群稳定性。

•引起RegionServer频繁GC，影响集群稳定性。

•消耗大量CPU资源、带宽资源、内存资源以及IO资源，与其他业务产生资源竞争。

•在某些场景下，比如平均KV大小比较大的场景，会耗尽RegionServer的处理线程，导致集群阻塞。

鉴于存在上述问题，HBase提供了另一种将数据写入HBase集群的方法——BulkLoad。BulkLoad首先使用MapReduce将待写入集群数据转换为HFile文件，再直接将这些HFile文件加载到在线集群中。显然，BulkLoad方案没有将写请求发送给RegionServer处理，可以有效避免上述一系列问题。

BulkLoad核心流程

从HBase的视角来看，BulkLoad主要由两个阶段组成：

1）HFile生成阶段。这个阶段会运行一个MapReduce任务，MapReduce的mapper需要自己实现，将HDFS文件中的数据读出来组装成一个复合KV，其中Key是rowkey，Value可以是KeyValue对象、Put对象甚至Delete对象；MapReduce的reducer由HBase负责，通过方法HFileOutputFormat2.configureIncrementalLoad()进行配置，这个方法主要负责以下事项。

•根据表信息配置一个全局有序的partitioner。

•将partitioner文件上传到HDFS集群并写入DistributedCache。

•设置reduce task的个数为目标表Region的个数。

•设置输出key/value类满足HFileOutputFormat所规定的格式要求。

•根据类型设置reducer执行相应的排序（KeyValueSortReducer或者PutSortReducer）。

这个阶段会为每个Region生成一个对应的HFile文件。

2）HFile导入阶段。HFile准备就绪之后，就可以使用工具completebulkload将HFile加载到在线HBase集群。completebulkload工具主要负责以下工作。

•依次检查第一步生成的所有HFile文件，将每个文件映射到对应的Region。

•将HFile文件移动到对应Region所在的HDFS文件目录下。

•告知Region对应的RegionServer，加载HFile文件对外提供服务。

如果在BulkLoad的中间过程中Region发生了分裂，completebulkload工具会自动将对应的HFile文件按照新生成的Region边界切分成多个HFile文件，保证每个HFile都能与目标表当前的Region相对应。但这个过程需要读取HFile内容，因而并不高效。需要尽量减少HFile生成阶段和HFile导入阶段的延迟，最好能够在HFile生成之后立刻执行HFile导入。

基于BulkLoad两阶段的工作原理，BulkLoad的核心流程如图所示。

BulkLoad基础案例

在hbase上创建一张表：
create 'test_log','ext'

执行BulkLoad代码：

import org.apache.hadoop.hbase.client.ConnectionFactory
import org.apache.hadoop.hbase.{HBaseConfiguration, KeyValue, TableName}
import org.apache.hadoop.hbase.io.ImmutableBytesWritable
import org.apache.hadoop.hbase.mapreduce.{HFileOutputFormat2, LoadIncrementalHFiles}
import org.apache.hadoop.hbase.util.Bytes
import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession

object BulkLoad1 {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setAppName("HbaseBulkLoad")

    val spark = SparkSession.builder
      .config(sparkConf)
      .getOrCreate()
    val sc = spark.sparkContext

    val datas = List(
      ("abc", ("ext", "type", "login")),
      ("ccc", ("ext", "type", "logout"))
    )

    val dataRdd = sc.parallelize(datas)

    val output = dataRdd.map {
      x => {
        val rowKey = Bytes.toBytes(x._1)
        val immutableRowKey = new ImmutableBytesWritable(rowKey)

        val colFam = x._2._1
        val colName = x._2._2
        val colValue = x._2._3

        val kv = new KeyValue(
          rowKey,
          Bytes.toBytes(colFam),
          Bytes.toBytes(colName),
          Bytes.toBytes(colValue.toString)
        )
        (immutableRowKey, kv)
      }
    }


    val hConf = HBaseConfiguration.create()
    hConf.addResource("hbase_site.xml")
    val hTableName = "test_log"
    hConf.set("hbase.mapreduce.hfileoutputformat.table.name",hTableName)
    val tableName = TableName.valueOf(hTableName)
    val conn = ConnectionFactory.createConnection(hConf)
    val table = conn.getTable(tableName)
    val regionLocator = conn.getRegionLocator(tableName)

    val hFileOutput = "/tmp/h_file"

    output.saveAsNewAPIHadoopFile(hFileOutput,
      classOf[ImmutableBytesWritable],
      classOf[KeyValue],
      classOf[HFileOutputFormat2],
      hConf)

    val bulkLoader = new LoadIncrementalHFiles(hConf)

    bulkLoader.doBulkLoad(new Path(hFileOutput),conn.getAdmin,table,regionLocator)
  }

}

提交spark执行：

spark-submit \
--master yarn \
--conf spark.yarn.tokens.hbase.enabled=true \
--deploy-mode client \
--class BulkLoad1
--executor-memory 512m
--driver-memory 512m
--total-executor-cores 2
/home/hadoop/hadoop-2.8.5/files/Spark_study.jar

在hbase shell上查看：

scan 'test_log'