Каков самый быстрый способ массовой загрузки данных в HBase программно?

У меня есть текстовый файл Plain с возможными миллионами строк, для которого требуется индивидуальный синтаксический анализ, и я хочу как можно быстрее загрузить его в таблицу HBase (используя клиент Hadoop или HBase Java).

Мое текущее решение основано на задании MapReduce без части "Уменьшить". Я использую FileInputFormat для чтения текстового файла, чтобы каждая строка передавалась методу map моего класса Mapper. В этот момент строка анализируется с образованием объекта Put, который записывается в context. Затем TableOutputFormat принимает объект Put и вставляет его в таблицу.

Это решение дает среднюю скорость ввода 1000 рядов в секунду, что меньше, чем я ожидал. Моя настройка HBase находится в псевдораспределенном режиме на одном сервере.

Интересно, что при введении 1 000 000 строк, 25 Mappers (задачи) порождаются, но они запускаются поочередно (один за другим); это нормальная?

Вот код для моего текущего решения:

public static class CustomMap extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put> {

    protected void map(LongWritable key, Text value, Context context) throws IOException {
        Map<String, String> parsedLine = parseLine(value.toString());

        Put row = new Put(Bytes.toBytes(parsedLine.get(keys[1])));
        for (String currentKey : parsedLine.keySet()) {
            row.add(Bytes.toBytes(currentKey),Bytes.toBytes(currentKey),Bytes.toBytes(parsedLine.get(currentKey)));
        }

        try {
            context.write(new ImmutableBytesWritable(Bytes.toBytes(parsedLine.get(keys[1]))), row);
        } catch (InterruptedException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }
}

public int run(String[] args) throws Exception {
    if (args.length != 2) {
        return -1;
    }

    conf.set("hbase.mapred.outputtable", args[1]);

    // I got these conf parameters from a presentation about Bulk Load
    conf.set("hbase.hstore.blockingStoreFiles", "25");
    conf.set("hbase.hregion.memstore.block.multiplier", "8");
    conf.set("hbase.regionserver.handler.count", "30");
    conf.set("hbase.regions.percheckin", "30");
    conf.set("hbase.regionserver.globalMemcache.upperLimit", "0.3");
    conf.set("hbase.regionserver.globalMemcache.lowerLimit", "0.15");

    Job job = new Job(conf);
    job.setJarByClass(BulkLoadMapReduce.class);
    job.setJobName(NAME);
    TextInputFormat.setInputPaths(job, new Path(args[0]));
    job.setInputFormatClass(TextInputFormat.class);
    job.setMapperClass(CustomMap.class);
    job.setOutputKeyClass(ImmutableBytesWritable.class);
    job.setOutputValueClass(Put.class);
    job.setNumReduceTasks(0);
    job.setOutputFormatClass(TableOutputFormat.class);

    job.waitForCompletion(true);
    return 0;
}

public static void main(String[] args) throws Exception {
    Long startTime = Calendar.getInstance().getTimeInMillis();
    System.out.println("Start time : " + startTime);

    int errCode = ToolRunner.run(HBaseConfiguration.create(), new BulkLoadMapReduce(), args);

    Long endTime = Calendar.getInstance().getTimeInMillis();
    System.out.println("End time : " + endTime);
    System.out.println("Duration milliseconds: " + (endTime-startTime));

    System.exit(errCode);
}

Ответы

Ответ 1

Я прошел процесс, который, вероятно, очень похож на ваш, пытаясь найти эффективный способ загрузки данных из MR в HBase. То, что я нашел для работы, использует HFileOutputFormat как OutputFormatClass для MR.

Ниже приведена основа моего кода, который я должен сгенерировать функцию job и Mapper map, которая записывает данные. Это было быстро. Мы больше не используем его, поэтому у меня нет номеров под рукой, но это было около 2,5 миллионов записей за минуту.

Вот функция (урезанная), которую я написал, чтобы сгенерировать задание для моего процесса MapReduce, чтобы поместить данные в HBase

private Job createCubeJob(...) {
    //Build and Configure Job
    Job job = new Job(conf);
    job.setJobName(jobName);
    job.setMapOutputKeyClass(ImmutableBytesWritable.class);
    job.setMapOutputValueClass(Put.class);
    job.setMapperClass(HiveToHBaseMapper.class);//Custom Mapper
    job.setJarByClass(CubeBuilderDriver.class);
    job.setInputFormatClass(TextInputFormat.class);
    job.setOutputFormatClass(HFileOutputFormat.class);

    TextInputFormat.setInputPaths(job, hiveOutputDir);
    HFileOutputFormat.setOutputPath(job, cubeOutputPath);

    Configuration hConf = HBaseConfiguration.create(conf);
    hConf.set("hbase.zookeeper.quorum", hbaseZookeeperQuorum);
    hConf.set("hbase.zookeeper.property.clientPort", hbaseZookeeperClientPort);

    HTable hTable = new HTable(hConf, tableName);

    HFileOutputFormat.configureIncrementalLoad(job, hTable);
    return job;
}

Это моя функция отображения из класса HiveToHBaseMapper (слегка отредактирована).

public void map(WritableComparable key, Writable val, Context context)
        throws IOException, InterruptedException {
    try{
        Configuration config = context.getConfiguration();
        String[] strs = val.toString().split(Constants.HIVE_RECORD_COLUMN_SEPARATOR);
        String family = config.get(Constants.CUBEBUILDER_CONFIGURATION_FAMILY);
        String column = strs[COLUMN_INDEX];
        String Value = strs[VALUE_INDEX];
        String sKey = generateKey(strs, config);
        byte[] bKey = Bytes.toBytes(sKey);
        Put put = new Put(bKey);
        put.add(Bytes.toBytes(family), Bytes.toBytes(column), (value <= 0) 
                        ? Bytes.toBytes(Double.MIN_VALUE)
                        : Bytes.toBytes(value));

        ImmutableBytesWritable ibKey = new ImmutableBytesWritable(bKey);
        context.write(ibKey, put);

        context.getCounter(CubeBuilderContextCounters.CompletedMapExecutions).increment(1);
    }
    catch(Exception e){
        context.getCounter(CubeBuilderContextCounters.FailedMapExecutions).increment(1);    
    }

}

Я уверен, что это не будет решением Copy & Paste для вас. Очевидно, что данные, с которыми я работал здесь, не нуждались в какой-либо пользовательской обработке (это было сделано в задании MR до этого). Главное, что я хочу выделить из этого, - это HFileOutputFormat. Остальное - всего лишь пример того, как я его использовал.:)
Надеюсь, это поможет вам найти правильный путь к хорошему решению.

Ответ 2

Интересно, что при введении 1 000 000 строк, 25 Mappers (задачи) порождаются, но они запускаются поочередно (один за другим); это нормальная?

Параметр

mapreduce.tasktracker.map.tasks.maximum, который по умолчанию равен 2, определяет максимальное количество задач, которые могут выполняться параллельно на node. Если не изменено, вы должны увидеть одновременно 2 задания карты одновременно на каждом node.