1. BulkLoad 介绍

目标

理解 BulkLoad 的大致原理

步骤

为什么要抽取
为什么使用 BulkLoad

1.1. 为什么要抽取

大数据Sqoop快速入门

因为数据仓库是甲方自建的, 所以如果我们需要数仓中的数据, 需要申请, 申请完成后, 甲方会将对应的 Hive 表开放给我们, 所以我们需要把 Hive 表中需要的数据抽取到我们的 HBase 中, 如下

抽取方向: Hive -> HBase

1.2. 为什么使用 BulkLoad

在大量数据需要写入HBase时，通常有 put方式和bulkLoad 两种方式。

1、put方式为单条插入，在put数据时会先将数据的更新操作信息和数据信息写入WAL ，在写入到WAL后，数据就会被放到MemStore中，当MemStore满后数据就会被 flush到磁盘(即形成HFile文件) ，在这种写操作过程会涉及到flush、split、compaction等操作，容易造成节点不稳定，数据导入慢，耗费资源等问题，在海量数据的导入过程极大的消耗了系统性能，避免这些问题最好的方法就是使用BulkLoad的方式来加载数据到HBase中。

2、BulkLoader利用HBase数据按照HFile格式存储在HDFS的原理，使用MapReduce直接批量

生成HFile格式文件后，RegionServers再将HFile文件移动到相应的Region目录下。

1）、Extract，异构数据源数据导入到 HDFS 之上。

2）、Transform，通过用户代码，可以是 MR 或者 Spark 任务将数据转化为 HFile。

3）、Load，HFile 通过 loadIncrementalHFiles 调用将 HFile 放置到 Region 对应的

HDFS 目录上，该过程可能涉及到文件切分。

1、不会触发WAL预写日志，当表还没有数据时进行数据导入不会产生Flush和Split。

2、减少接口调用的消耗，是一种快速写入的优化方式。

Spark读写HBase之使用Spark自带的API以及使用Bulk Load将大量数据导入HBase：

https://www.jianshu.com/p/b6c5a5ba30af

直接使用 HBase 的 Java 客户端, 一条一条插入 HBase 的
使用 BulkLoad

先说说要使用 BulkLoad 的原因

从 Hive 抽取数据到 HBase 是将全量的数据抽取到 HBase, 日增量大概 260 G
如果把这五千万条数据一条一条的插入 HBase, 会影响 HBase 的运行
如果把这五千万条数据一条一条的插入 HBase, 会非常的慢

为什么会非常慢呢? 因为一条数据插入 HBase 的大致步骤如下

查询元数据表, 得到所要插入的表的 Region 信息
插入到对应 Region 的 WAL 预写日志
插入到 Region 中的 Memstore

达到条件后, Memstore 把数据刷写为 HFile
达到条件后, 触发 Minor Compaction
达到条件后, 触发 Major Compaction
达到条件后, 分裂 Region

达到条件后, 分裂 Region
分区再平衡

而我们有 260G 的数据要插入, 触发很多次 Compaction, 会分裂 Region 几百次, 这无疑会造成 HBase 集群的不稳定, 并且, 我们插入的速度也会很慢

所以, 当一次性要插入的数据太多时, 要通过 HBase 的 BulkLoad 方式加载

Spark 读取 Hive 的数据

生成 HFile
通过 HBase 的 BulkLoad API 把 HFile 直接交给 RegionServer
RegionServer 切分, 直接放入对应的 Region

1.3 hive导入Hbase

将MySQL数据库中表的数据导入到Hive表中，以便加载到HBase表中。

启动HiveMetastore服务和HiveServer2服务，使用beeline命令行连接，相关命令如下：

[root@bigdata-cdh01 ~]# /export/servers/hive/bin/beeline
Beeline version 1.1.0-cdh5.14.0 by Apache Hive
beeline> !connect jdbc:hive2://bigdata-cdh01.itcast.cn:10000
scan complete in 2ms
Connecting to jdbc:hive2://bigdata-cdh01.itcast.cn:10000
Enter username for jdbc:hive2://bigdata-cdh01.itcast.cn:10000: root
Enter password for jdbc:hive2://bigdata-cdh01.itcast.cn:10000: ****
Connected to: Apache Hive (version 1.1.0-cdh5.14.0)
Driver: Hive JDBC (version 1.1.0-cdh5.14.0)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://bigdata-cdh01.itcast.cn:10000>

1.3.1 创建表

创建Hive中数据库Database：

CREATE DATABASE tags_dat;

根据MySQL数据库表在Hive数据仓库中构建相应的表：

用户信息表： tbl_users

/export/servers/sqoop/bin/sqoop create-hive-table \
--connect jdbc:mysql://bigdata-cdh01.oldlu.cn:3306/tags_dat \
--table tbl_users \
--username root \
--password 123456 \
--hive-table tags_dat.tbl_users \
--fields-terminated-by '\t' \
--lines-terminated-by '\n'

1.3.2 导入数据至Hive表

使用Sqoop将MySQL数据库表中的数据导入到Hive表中（本质就是存储在HDFS上），具体命

令如下：

用户信息表： tbl_users

/export/servers/sqoop/bin/sqoop import \
--connect jdbc:mysql://bigdata-cdh01.itcast.cn:3306/tags_dat \
--username root \
--password 123456 \
--table tbl_users \
--direct \
--hive-overwrite \
--delete-target-dir \
--fields-terminated-by '\t' \
--lines-terminated-by '\n' \
--hive-table tags_dat.tbl_users \
--hive-import \
--num-mappers 1

2. 从 Hive 中抽取数据到 HBase

目标

将 Hive 的表抽取到 HBase 中

步骤

准备数据

导入 MySQL
导入 Hive

建立工程 tag-data
编写 Spark 任务
运行任务
查看结果

2.1. 准备数据

2.1.1. 将数据导入到 MySQL

步骤:

打开 SQL 脚本
运行 SQL 脚本

MySQL 密码 : itcastmysqlroot

详细解释:

通过 IDEA 打开脚本, 文件位置在 files/tags_data.sql

运行脚本

等待结果

2.1.2. 将数据导入到 Hive

步骤:

编写 Sqoop 任务脚本
通过 Hue 上传脚本
创建 Hive 数据库
创建 Oozie job 执行脚本, 导入数据

详细解释:

编写 Sqoop 任务脚本

#!/bin/sh
sqoop import \
  --hive-import \
  --create-hive-table \
  --hive-table tags_data.tbl_goods \
  --connect "jdbc:mysql://master01:3306/tags_dat" \
  --username root \
  --password itcastmysqlroot \
  --query "SELECT * FROM tags_dat.tbl_goods WHERE \$CONDITIONS" \
  --split-by id \
  --direct \
  --target-dir /user/admin/hive/tags_dat \
  --m 2
sqoop import \
  --hive-import \
  --create-hive-table \
  --hive-table tags_data.tbl_goods_new \
  --connect "jdbc:mysql://master01:3306/tags_dat" \
  --username root \
  --password itcastmysqlroot \
  --query "SELECT * FROM tags_dat.tbl_goods_new WHERE \$CONDITIONS" \
  --split-by id \
  --direct \
  --target-dir /user/admin/hive/tags_dat \
  --m 2
sqoop import \
  --hive-import \
  --create-hive-table \
  --hive-table tags_data.tbl_logs \
  --connect "jdbc:mysql://master01:3306/tags_dat?useUnicode=true" \
  --username root \
  --password itcastmysqlroot \
  --query "SELECT * FROM tags_dat.tbl_logs WHERE \$CONDITIONS" \
  --split-by id \
  --direct \
  --target-dir /user/admin/hive/tags_dat \
  --m 2
sqoop import \
  --hive-import \
  --create-hive-table \
  --hive-table tags_data.tbl_orders \
  --connect "jdbc:mysql://master01:3306/tags_dat" \
  --username root \
  --password itcastmysqlroot \
  --query "SELECT * FROM tags_dat.tbl_orders WHERE \$CONDITIONS" \
  --split-by id \
  --direct \
  --target-dir /user/admin/hive/tags_dat \
  --m 2
sqoop import \
  --hive-import \
  --create-hive-table \
  --hive-table tags_data.tbl_users \
  --connect "jdbc:mysql://master01:3306/tags_dat" \
  --username root \
  --password itcastmysqlroot \
  --query "SELECT * FROM tags_dat.tbl_users WHERE \$CONDITIONS" \
  --split-by id \
  --direct \
  --target-dir /user/admin/hive/tags_dat \
  --m 2

通过 Hue 上传脚本文件

创建 Hive 数据库

创建 Oozie Job 执行脚本

查看执行结果

2.2. 工程配置

数据抽取:

导入 MySQL
MySQL to Hive
Hive to HBase

建立工程, 导入 Maven 配置
代码编写, 通过 Spark 读取 Hive 数据, 落地成 HFile, 通过 BulkLoad 加载到 HBase
提交, 运行

步骤:

配置 Maven
导入 HBase 的配置文件到resource目录中

配置文件在 Files/hbase_conf

从目标来看, 这个工程中需要 Spark, HBase, Hive 的相关依赖, pom.xml 如下

<dependencies>
    <dependency>
        <groupId>org.scala-lang</groupId>
        <artifactId>scala-library</artifactId>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.11</artifactId>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql_2.11</artifactId>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-mllib_2.11</artifactId>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-hive_2.11</artifactId>
    </dependency>
    <dependency>
        <groupId>org.apache.hbase</groupId>
        <artifactId>hbase-server</artifactId>
        <exclusions>
            <exclusion>
                <artifactId>jersey-container-servlet-core</artifactId>
                <groupId>org.glassfish.jersey.containers</groupId>
            </exclusion>
            <exclusion>
                <artifactId>guice-servlet</artifactId>
                <groupId>com.google.inject.extensions</groupId>
            </exclusion>
        </exclusions>
    </dependency>
    <dependency>
        <groupId>org.apache.hbase</groupId>
        <artifactId>hbase-mapreduce</artifactId>
    </dependency>
    <dependency>
        <groupId>mysql</groupId>
        <artifactId>mysql-connector-java</artifactId>
    </dependency>
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-api</artifactId>
    </dependency>
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-simple</artifactId>
    </dependency>
</dependencies>
<build>
    <plugins>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-compiler-plugin</artifactId>
        </plugin>
        <plugin>
            <groupId>net.alchim31.maven</groupId>
            <artifactId>scala-maven-plugin</artifactId>
        </plugin>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-assembly-plugin</artifactId>
        </plugin>
    </plugins>
</build>

2.3. Spark 任务

步骤

从 Hive 中读取表数据
创建 HBase 和 Hadoop 的配置对象
将数据以 HFile 的形式写入到 HDFS 中

通过 HBase Client API 将数据 BulkLoad 到 HBase 对应的表中

注意点

如果希望程序要通用一些, 我们可以把 Hive 的表明和 RowKey 列的信息通过 main 方法传进来

要先写 HFile 再 BulkLoad 才是 BulkLoad
Job 和 HBaseClient 的配置是模板代码, 不需要记忆
add framework support 的时候, 加载 Scala 的 SDK 不能使用 Maven 的 SDK, 要使用自己电脑上安装的 Scala SDK

object HiveToHBase {
  val defaultCF = "default"
  val defaultNameSpace = "default"
  val tempFileDir = "/user/admin/Spark/extra_temp/"
  def main(args: Array[String]): Unit = {
    if (args.length < 3) {
      return
    }
    val sourceDBName = args(0)
    val sourceTableName = args(1)
    val rkeyField = args(2)
    val conf = HBaseConfiguration.create
    conf.set(TableOutputFormat.OUTPUT_TABLE, sourceTableName)
    conf.set("hbase.mapreduce.hfileoutputformat.table.name", sourceTableName)
    val job = Job.getInstance(conf)
    job.setMapOutputKeyClass(classOf[ImmutableBytesWritable])
    job.setMapOutputValueClass(classOf[KeyValue])
    val hfilePath = tempFileDir + sourceTableName
    hive2HFile(sourceDBName, sourceTableName, rkeyField, defaultCF, conf, hfilePath)
    bulkLoad2Table(job, hfilePath, defaultNameSpace, sourceTableName, defaultCF)
  }
  def hive2HFile(sourceDB: String, sourceTable: String, rkeyField: String, cf: String, hadoopConfig: Configuration, hfilePath: String): Unit = {
    val fs = FileSystem.get(hadoopConfig)
    if (fs.exists(new Path(hfilePath))) {
      fs.delete(new Path(hfilePath), true)
    }
    val spark = SparkSession.builder()
      .appName("bulk load from hive")
      .enableHiveSupport()
      .getOrCreate()
    spark.read
      .table(sourceDB + "." + sourceTable)
      .rdd
      .filter(row => row.getAs(rkeyField) != null)
      .flatMap(row => {
        val cfBytes = Bytes.toBytes(cf)
        val rowKeyBytes = Bytes.toBytes(row.getAs(rkeyField).toString)
        row.schema
          .sortBy(field => field.name)
          .map(field => {
            val fieldNameBytes = Bytes.toBytes(field.name)
            val valueBytes = Bytes.toBytes(row.getAs(field.name).toString)
            val kv = new KeyValue(rowKeyBytes, cfBytes, fieldNameBytes, valueBytes)
            (new ImmutableBytesWritable(rowKeyBytes), kv)
          })
      })
      .filter(item => item != null)
      .saveAsNewAPIHadoopFile(
        hfilePath,
        classOf[ImmutableBytesWritable],
        classOf[KeyValue],
        classOf[HFileOutputFormat2],
        hadoopConfig
      )
  }
  def bulkLoad2Table(job: Job, hfilePath: String, namespace: String, name: String, cf: String): Unit = {
    val connection = ConnectionFactory.createConnection(job.getConfiguration)
    val admin = connection.getAdmin
    val tableName = TableName.valueOf(Bytes.toBytes(namespace), Bytes.toBytes(name))
    if (!admin.tableExists(tableName)) {
      admin.createTable(
        TableDescriptorBuilder.newBuilder(tableName)
          .setColumnFamily(ColumnFamilyDescriptorBuilder.newBuilder(Bytes.toBytes(cf)).build())
          .build()
      )
    }
    val table = connection.getTable(tableName)
    val regionLocator = new HRegionLocator(tableName, connection.asInstanceOf[ClusterConnection])
    HFileOutputFormat2.configureIncrementalLoad(job, table, regionLocator)
    val loader = new LoadIncrementalHFiles(job.getConfiguration)
    loader.doBulkLoad(new Path(hfilePath), admin, table, regionLocator)
  }
}

2.4. 运行任务

一共有五张表需要导入

表	Hive table name	RowKey field
商品表	tbl_goods	id

商品表_new	tbl_goods_new	id
日志表	tbl_logs	id
订单表	tbl_orders	id
用户表	tbl_users	id

需要五个 Oozie Job 去调度执行, 创建方式如下

打包 Spark 程序
上传 Spark Jar 包到 HDFS
创建 Workflow

选择 Spark Jar 包

加入参数, 一个是要导入 HBase 的 Hive 表名, 一个是表中的 RowKey 列

创建 Cordinator

Cordinator 会每天执行一次导入增量数据的任务

为了尽快看到效果, 可以先运行 Workflow
如果是导入日增量数据, 可以在 Sqoop 任务的 SQL 中过滤当日数据

详细介绍如下

打包 Spark 程序

上传 Spark Jar 包

创建 Workflow

创建 Cordinator

大数据Sqoop借助Hive将Mysql数据导入至Hbase

1. BulkLoad 介绍

1.1. 为什么要抽取

1.2. 为什么使用 BulkLoad

1.3 hive导入Hbase

1.3.1 创建表

1.3.2 导入数据至Hive表

2. 从 Hive 中抽取数据到 HBase

2.1. 准备数据

2.1.1. 将数据导入到 MySQL

2.1.2. 将数据导入到 Hive

2.2. 工程配置

2.3. Spark 任务

2.4. 运行任务

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像