大数据存储- Hbase 整合 HdoopHive
Posted 大数据江湖
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了大数据存储- Hbase 整合 HdoopHive相关的知识,希望对你有一定的参考价值。
上篇文章说了 Hbase 的基础架构,都是比较理论的知识,最近我也一直在搞 Hbase 的数据迁移, 今天就来一篇实战型的,把最近一段时间的 Hbase 整合 Hadoop 的基础知识在梳理一遍,毕竟当初搞得时候还是有点摸不着方向,写下来也方便以后查阅。
之前使用 Hbase 大多是把它当做实时数据库来做查询使用的,大部分使用的都是 Hbase 的基础 Api, Hbase 与 Hadoop Hive 框架的整合还真是没系统的搞过,话不多说,先看看本文的架构图:
PS:文中提到的代码见最后 参考资料
着重点在前两部分,后面的都是大家比较熟悉的部分了。
Hbase 与 Hadoop 相关操作主要可以分为如下三种情况:
一张 hbase 表数据导入另一张 hbase 表
HDFS 数据导入 Hbase 表
HDFS 数据(超大数据)导入 Hbase 表
以上三种情况的数据迁移基本都是依靠 MR 程序来完成的,所以重点又回到了 MR 编程。
hbase表数据导入
思路:准备 MR 程序将一张 Hbase 表写入到另一张 Hbase 表即可。
注意:两张 Hbase 表导入数据的列族信息要一致;有数据的 Hbase 在读入数据时要注意非空判断。
准备工作:
准备 user1 表 列族 为 f1,f1 中有 age ,name属性 ,作为输入表;
准备 user2 表,创建列族 f1,作为输出表。
主要代码:
Mapper 端:这里注意继承的 是 TableMapper
public class HBaseReadMapper extends TableMapper<Text,Put> {
/**
*
* @param key rowkey
* @param value rowkey 此行的数据 Result 类型
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void map(ImmutableBytesWritable key, Result value, Context context) throws IOException, InterruptedException {
//获得rowkey 的字节数组
byte[] rowkey_bytes = key.get();
String rowKeyStr = Bytes.toString(rowkey_bytes);
//准备好 put 对象 用于输出下游
Put put = new Put(rowkey_bytes);
//text 作为输出的 key
Text text = new Text(rowKeyStr);
//输出数据 - 写数据 - 普通 构建put 对象
Cell[] cells = value.rawCells();
//将 f1 : name & age 输出
for (Cell cell : cells) {
//当前 cell是否是 f1
//获取列族
byte[] family = CellUtil.cloneFamily(cell);
String familyStr = Bytes.toString(family);
if("f1".equals(familyStr)){
//在判断是否是 name | age
put.add(cell);
}
if("f2".equals(familyStr)){
put.add(cell);
}
}
//注意非空判断 不然会报错
if(!put.isEmpty()){
context.write(text,put);
}
}
}
Reduce 端 ,使用 TableReducer:
ublic class HbaseWriteReducer extends TableReducer<Text,Put,ImmutableBytesWritable> {
/**
* 将 map 传过来的数据写出去
* @param key
* @param values
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void reduce(Text key, Iterable<Put> values, Context context) throws IOException, InterruptedException {
//设置rowkey
ImmutableBytesWritable immutableBytesWritable = new ImmutableBytesWritable();
//设置rowkey
immutableBytesWritable.set(key.toString().getBytes());
for (Put value : values) {
context.write(immutableBytesWritable,value);
}
}
}
启动类,将 user1 中 f1 列族下 age,name数值写入到 user2 中:
public class Hbase2HbaseMR extends Configured implements Tool {
public static void main(String[] args) throws Exception {
Configuration configuration = HBaseConfiguration.create();
//设置 hbase 的zk地址
configuration.set("hbase.zookeeper.quorum","hadoop102:2181,hadoop103:2181,hadoop104:2181");
int run = ToolRunner.run(configuration, new Hbase2HbaseMR(), args);
System.exit(run);
}
@Override
public int run(String[] strings) throws Exception {
Job job = Job.getInstance(super.getConf());
job.setJarByClass(Hbase2HbaseMR.class);
//mapper
TableMapReduceUtil.initTableMapperJob(TableName.valueOf("user"),new Scan(), HBaseReadMapper.class,Text.class,Put.class,job);
//reducer
TableMapReduceUtil.initTableReducerJob("user2",HbaseWriteReducer.class,job);
boolean b = job.waitForCompletion(true);
return b?0:1;
}
}
HDFS 导入到Hbase
思路:准备 MR 程序将 HDFS 数据写入到另一张 Hbase 表即可。
注意:
读入的是 Mapper 是 HDFS 操作,写出的 Reduce 是 Hbase 操作;
HDFS 数据格式要与 Hbase 表对应
准备工作:
准备 HDFS 上数据 ;
准备 user2 表,创建列族 f1,作为输出表。
主要代码:
Mapper 端,使用常规 Mapper
public class HdfsMapper extends Mapper<LongWritable,Text,Text,NullWritable>{
/**
* HDFS -- Hbase
*
* @param key
* @param value
* @param context
* @throws IOException
* @throws InterruptedException
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//数据原样输出
context.write(value,NullWritable.get());
}
}
Reduce 端,使用 TableReducer :
public static class HBASEReducer extends TableReducer<Text,NullWritable,ImmutableBytesWritable>{
@Override
protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
/**
* key --> 一行数据
* 样例数据:
* 07 zhangsan 18
* 08 lisi 25
* 09 wangwu 20
*
*/
//按格式拆分
String[] split = key.toString().split(" ");
//构建 put 对象
Put put = new Put(Bytes.toBytes(split[0]));
put.addColumn("f1".getBytes(),"name".getBytes(),split[1].getBytes());
put.addColumn("f1".getBytes(),"age".getBytes(),split[2].getBytes());
context.write(new ImmutableBytesWritable(split[0].getBytes()),put);
}
}
启动类:
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration configuration = HBaseConfiguration.create();
//设置 hbase zk 地址
configuration.set("hbase.zookeeper.quorum","hadoop102:2181,hadoop103:2181,hadoop104:2181");
Job job = Job.getInstance(configuration);
job.setJarByClass(Hdfs2HbaseMR.class);
//输入文件路径
FileInputFormat.addInputPath(job,new Path("hdfs://hadoop102:9000/hbase/input"));
job.setMapperClass(HdfsMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
//指定输出到 Hbase 的 表名
TableMapReduceUtil.initTableReducerJob("user2",HBASEReducer.class,job);
//设置 reduce 个数
job.setNumReduceTasks(1);
boolean b = job.waitForCompletion(true);
System.exit(b?0:1);
}
HDFS 大数据导入Hbase
思路:与 2 中的数据导入不同的是这次的数据量比较大,使用常规的 MR 可能耗时非常的长,并且一直占用资源。
我们可以先将 Hadoop 上存储的 HDFS 文件转换成 HFile 文件,HFile 文件就是 Hbase 底层存储的类型,转换完成后,再将转换好的 HFile 文件指定给对应的 Hbase 表即可。这就是 bulkload 的方式批量加载数据,大致流程如下:
注意:
由于是文件类型转换,不做计算操作,所以只需要读入的 Mapper 操作,,不需要Reduce操作;
文件类型转换后 还需要做 Hbase 表与 HFile 文件的映射
准备工作:
准备 HDFS 上数据 ;
准备 user2 表,创建列族 f1,作为输出表。
主要代码:
Mapper 端,使用常规 Mapper
public class Hdfs2HFileMapper extends Mapper<LongWritable,Text,ImmutableBytesWritable,Put> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String[] split = value.toString().split(" ");
//封装输出类型
Put put = new Put(split[0].getBytes());
put.addColumn("f1".getBytes(),"name".getBytes(),split[1].getBytes());
put.addColumn("f1".getBytes(),"age".getBytes(),split[2].getBytes());
// 将封装好的put对象输出,rowkey 使用 immutableBytesWritable
context.write(new ImmutableBytesWritable(Bytes.toBytes(split[0])),put);
}
}
启动类:
/**
*
* 将HDFS文件写成Hfile格式输出
*/
public class Hdfs2HileOut extends Configured implements Tool {
public static void main(String[] args) throws Exception {
Configuration configuration = HBaseConfiguration.create();
configuration.set("hbase.zookeeper.quorum","hadoop102:2181,hadoop103:2181,hadoop104:2181");
int run = ToolRunner.run(configuration, new Hdfs2HileOut(), args);
System.exit(run);
}
@Override
public int run(String[] strings) throws Exception {
Configuration conf = super.getConf();
Job job = Job.getInstance(conf);
job.setJarByClass(Hdfs2HileOut.class);
FileInputFormat.addInputPath(job,new Path("hdfs://hadoop102:9000/hbase/input"));
job.setMapperClass(Hdfs2HFileMapper.class);
job.setMapOutputKeyClass(ImmutableBytesWritable.class);
job.setMapOutputValueClass(Put.class);
Connection connection = ConnectionFactory.createConnection(conf);
Table table = connection.getTable(TableName.valueOf("user2"));
//使MR可以向user2表中,增量增加数据
HFileOutputFormat2.configureIncrementalLoad(job,table,connection.getRegionLocator(TableName.valueOf("user2")));
//数据写回到HDFS 写成HFILE -》 所以指定输出格式为Hfile
job.setOutputFormatClass(HFileOutputFormat2.class);
//HFile 输出的路径,用于与表映射的输入参数
HFileOutputFormat2.setOutputPath(job,new Path("hdfs://hadoop102:9000/hbase/out_hfile2"));
//开始执行
boolean b = job.waitForCompletion(true);
return b? 0: 1;
}
}
加载类:
public class LoadHFile2Hbase {
public static void main(String[] args) throws Exception {
Configuration configuration = HBaseConfiguration.create();
configuration.set("hbase.zookeeper.quorum","hadoop102:2181,hadoop103:2181,hadoop104:2181");
//获取数据库连接
Connection connection = ConnectionFactory.createConnection(configuration);
Table table = connection.getTable(TableName.valueOf("user2"));
//构建 LoadIncrementalHfiles 加载 Hfile文件
LoadIncrementalHFiles loadIncrementalHFiles = new LoadIncrementalHFiles(configuration);
// 加载上一步输出的HFile 与表做映射
loadIncrementalHFiles.doBulkLoad(new Path("hdfs://hadoop102:9000/hbase/out_hfile2"),connection.getAdmin(),table,connection.getRegionLocator(TableName.valueOf("user2")));
}
}
至此,HDFS 数据迁移至 Hbase 完成。
hbase 与 hive 相关的数据迁移工作分为两种:
hive 表结果 ---> hbase 表
hbase 表数据 ---> hive 表
这部分操作没有代码,在 hive 和 hbase 客户端就能完成操作
准备工作
1 首先需要将 Hbase下的5个包拷贝到 hive lib 下,建议使用软连接的形式:
ln -s /home/hadoop/module/hbase-1.2.0-cdh5.14.2/lib/hbase-client-1.2.0-cdh5.14.2.jar /home/hadoop/module/hive-1.1.0-cdh5.14.2/lib/hbase-client-1.2.0-cdh5.14.2.jar
ln -s /home/hadoop/module/hbase-1.2.0-cdh5.14.2/lib/hbase-hadoop2-compat-1.2.0-cdh5.14.2.jar /home/hadoop/module/hive-1.1.0-cdh5.14.2/lib/hbase-hadoop2-compat-1.2.0-cdh5.14.2.jar
ln -s home/hadoop/module/hbase-1.2.0-cdh5.14.2/lib/hbase-hadoop-compat-1.2.0-cdh5.14.2.jar /home/hadoop/module/hive-1.1.0-cdh5.14.2/lib/hbase-hadoop-compat-1.2.0-cdh5.14.2.jar
ln -s home/hadoop/module/hbase-1.2.0-cdh5.14.2/lib/hbase-it-1.2.0-cdh5.14.2.jar /home/hadoop/module/hive-1.1.0-cdh5.14.2/lib/hbase-it-1.2.0-cdh5.14.2.jar
ln -s home/hadoop/module/hbase-1.2.0-cdh5.14.2/lib/hbase-server-1.2.0-cdh5.14.2.jar /home/hadoop/module/hive-1.1.0-cdh5.14.2/lib/hbase-server-1.2.0-cdh5.14.2.jar
2 修改 Hive 的配置文件 hive-site.xml 添加自己的 zk 信息:
<property>
<name>hive.zookeeper.quorum</name>
<value>hadoop102,hadoop103,hadoop104</value>
</property>
<property>
<name>hbase.zookeeper.quorum</name>
<value>hadoop102,hadoop103,hadoop104</value>
</property>
3 修改 Hive 的配置文件 hive-env.sh 添加如下信息:
export HADOOP_HOME=/kkb/install/hadoop-2.6.0-cdh5.14.2/
export HBASE_HOME=/kkb/install/servers/hbase-1.2.0-cdh5.14.2
export HIVE_CONF_DIR=/kkb/install/hive-1.1.0-cdh5.14.2/conf
至此 准备工作完成。
hive表导入hbase
hive 中创建管理表(内部表)与hbase 表完成映射则hive管理表的数据会添加到 hbase 表中 ,命令如下:
create table course.hbase_score(id int,cname string,score int)
stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
with serdeproperties("hbase.columns.mapping" = "cf:name,cf:score")
tblproperties("hbase.table.name" = "hbase_score");
从命令中可以看出 hbase.table.name 是指的 hbase 表名,hbase.columns.mapping 则值的对应列族下的字段,而 hive 表的 id 则会作为hbase表的 rowkey 进行存储。
通过向内部表插入数据即可完成数据查询结果的导入。
insert overwrite table course.hbase_score select id,cname,score from course.score;
最后查看 hbase 表即可看到数据。
hbase表导入hive
hbase 结果映射到 hive表比较简单,创建 hive 外部表即可:
CREATE external TABLE hbase2hive(id int, name string, score int)
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key,cf:name,cf:score")
TBLPROPERTIES("hbase.table.name" ="hbase_hive_score");
从命令中可以看出 hbase.table.name 是指的 hbase 表名,hbase.columns.mapping 的值则对应hive表的字段,而 hive 表的 id 则会作取 hbase表的 rowkey 进行存储。
至此,Hbase 与 Hive 的数据迁移就完成了。
关于基础api这部分比较详细的介绍就在代码中了,再此我们就简单说一下Hbase 协处理器。
协处理器是为了解决Hbase早期版本的一些问题,如建立二次索引、复杂过滤器、求和计数分组计数等类sql操作以及访问控制等。
Hbase 提供两类协处理器:
observer 类似数据库的触发器,个人理解类似拦截器的功能;
endpoint 类似数据库的存储过程,可以实现类sql的统计操作。
协处理器的加载方式
静态加载实现
通过修改 hbase-site.xml 这个文件来实现, 如启动全局 aggregation,能过操纵所有的表数据。只需要在hbase-site.xml里面添加以下配置即可,修改完配置之后需要重启HBase集群。
<property>
<name>hbase.coprocessor.user.region.classes</name>
<value>org.apache.hadoop.hbase.coprocessor.AggregateImplementation</value>
</property>
为所有table加载了一个 cp class,可以用” ,”分割加载多个 class。
动态加载实现
启用表aggregation,只对特定的表生效。
下面以协处理器 observer 为例来简单说下操作过程:
1 创建 两张 hbase 表,user1 ,user2:
create 'user1','info;
create 'user2','info';
2 协处理器代码开发,完成往 user1 表插入数据时,先往 user2 表插入数据,代码如下:
public class MyProcessor extends BaseRegionObserver {
@Override
public void prePut(ObserverContext<RegionCoprocessorEnvironment> e, Put put, WALEdit edit, Durability durability) throws IOException {
//获取连接
Configuration configuration = HBaseConfiguration.create();
configuration.set("hbase.zookeeper.quorum","hadoop102:2181,hadoop103:2181:hadoop104:2181");
Connection connection = ConnectionFactory.createConnection(configuration);
//涉及多个版本得问题
List<Cell> cells = put.get("info".getBytes(), "name".getBytes());
//将user1表的name 数据也插入到 user2 中
Cell nameCell = cells.get(0);
Put put1 = new Put(put.getRow());
put1.add(nameCell);
Table table = connection.getTable(TableName.valueOf("user2"));
table.put(put1);
table.close();
connection.close();
}
}
3 将开发好的项目打包上传到 HDFS ,路径自定,假设是:
hdfs://hadoop102:9000/processor/processor.jar
4 将 jar 包挂载到 user1 表:
disable 'user1';
alter 'user1',METHOD => 'table_att','Coprocessor'=>'hdfs://hadoop102:9000/processor/processor.jar|com.bigdata.comprocessor.MyProcessor|1001|';
enabled 'user1';
com.bigdata.comprocessor.MyProcessor : 你程序的全类名;
1001 :协处理器编号,自定义即可,表中协处理器的编号不能重复。
5 测试向 user1 中插入数据,user2 是否有数据:
public class TestObserver {
@Test
public void testPut() throws IOException {
//获取连接
Configuration configuration = HBaseConfiguration.create();
configuration.set("hbase.zookeeper.quorum", "hadoop102:2181,hadoop103:2181,hadoop104:2181");
//创建连接对象
Connection connection = ConnectionFactory.createConnection(configuration);
Table proc1 = connection.getTable(TableName.valueOf("user1"));
Put put = new Put("1110001112".getBytes());
put.addColumn("info".getBytes(),"name".getBytes(),"hello".getBytes());
put.addColumn("info".getBytes(),"gender".getBytes(),"male".getBytes());
put.addColumn("info".getBytes(),"nationality".getBytes(),"test".getBytes());
proc1.put(put);
proc1.close();
connection.close();
System.out.println("success");
}
}
关于协处理器卸载:
disable 'user1'
alter 'user1',METHOD=>'table_att_unset',NAME=>'coprocessor$1'
enable 'user1'
协处理器 observer 大致开发流程就是这样的。关于基础 api 放在参考资料的项目中了。
至此,还留有一个问题就是 hbase 的 endpoint 协处理器,其实它解决的问题及时实现 min、 max、 avg、 sum、 distinct、 group by 等sql功能,这个问题我们放在下期,下期介绍一个基于 hbase 框架之上的框架 -- phoenix,Phoenix之于 Hbase ,就像 hive 之于 Hadoop,会完美的实现 hbase 的 sql 查询操作。
https://github.com/fanpengyi/hbase-api
长按关注,解锁更多精彩内容
以上是关于大数据存储- Hbase 整合 HdoopHive的主要内容,如果未能解决你的问题,请参考以下文章
大数据学习系列之五 ----- Hive整合HBase图文详解
大数据学习系列之九---- Hive整合Spark和HBase以及相关测试