HBase
Posted jareny
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HBase相关的知识，希望对你有一定的参考价值。
大数据技术之HBase
一、HBaes介绍
1.1、HBase简介
HBase是一个分布式的、面向列的开源数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是HBase基于列的而不是基于行的模式。
大：上亿行、百万列
面向列：面向列（族）的存储和权限控制，列（簇）独立检索
稀疏：对于为空(null)的列，并不占用存储空间，因此，表的设计的非常的稀疏
1.2、HBase的角色
1.2.1、HMaster
功能：
1) 监控RegionServer
2) 处理RegionServer故障转移
3) 处理元数据的变更
4) 处理region的分配或移除
5) 在空闲时间进行数据的负载均衡
6) 通过Zookeeper发布自己的位置给客户端
1.2.2、HRegionServer
功能：
1) 负责存储HBase的实际数据
2) 处理分配给它的Region
3) 刷新缓存到HDFS
4) 维护HLog
5) 执行压缩
6) 负责处理Region分片
组件：
1) Write-Ahead logs
HBase的修改记录，当对HBase读写数据的时候，数据不是直接写进磁盘，它会在内存中保留一段时间（时间以及数据量阈值
可以设定）。但把数据保存在内存中可能有更高的概率引起数据丢失，为了解决这个问题，数据会先写在一个叫做Write-Ahead logfile的文件中，然后再写入内存中。所以在系统出现故障的时候，数据可以通过这个日志文件重建。
2) HFile
这是在磁盘上保存原始数据的实际的物理文件，是实际的存储文件。
3) Store
HFile存储在Store中，一个Store对应HBase表中的一个列簇。
4) MemStore
顾名思义，就是内存存储，位于内存中，用来保存当前的数据操作，所以当数据保存在WAL中之后，RegsionServer会在内存中存储键值对。
5) Region
Hbase表的分片，HBase表会根据RowKey值被切分成不同的region存储在RegionServer中，在一个RegionServer中可以有多个不同的region。
1.3、HBase的架构
一个RegionServer可以包含多个HRegion，每个RegionServer维护一个HLog，和多个HFiles以及其对应的MemStore。RegionServer运行于DataNode上，数量可以与DatNode数量一致，请参考如下架构图：
1.4 HBase数据模型
|
|
Rowkey |
timestamp |
列簇（colume family） Store |
||
|
列1(colume) |
列2(colume) |
列3(colume) |
|||
|
region |
Rowkey1 |
|
|
|
|
|
Rowkey2 |
|
|
|
|
|
|
Rowkey3 |
|
|
|
|
|
确定一个单元格的位置（cell），需要如下四个
rowkey + Colume Family + Colume + timestamp(版本version)，数据有版本的概念，即一个单元格可能有多个值，但是只有最新得一个对外显示。
l HBase中有两张特殊的Table，-ROOT-和.META.
l .META.：记录了用户表的Region信息，.META.可以有多个region
l -ROOT-：记录了.META.表的Region信息，-ROOT-只有一个region
l Zookeeper中记录了-ROOT-表的location
l Client访问用户数据之前需要首先访问zookeeper，然后访问-ROOT-表，接着访问.META.表，最后才能找到用户数据的位置去访问，中间需要多次网络操作，不过client端会做cache缓存，注意：在0.96版本后，Hbase移除了-ROOT-表
Row Key: 行键，Table的主键，Table中的记录默认按照Row Key升序排序
Timestamp:时间戳，每次数据操作对应的时间戳，可以看作是数据的version number
Column Family：
列簇，Table在水平方向有一个或者多个Column Family组成，一个Column Family中可以由任意多个Column组成，即Column Family支持动态扩展，无需预先定义Column的数量以及类型，所有Column均以二进制格式存储，用户需要自行进行类型转换。
Table & Region:
当Table随着记录数不断增加而变大后，会逐渐分裂成多份splits，成为regions，一个region由[startkey,endkey)表示，不同的region会被Master分配给相应的RegionServer进行管理：.
HMaster
HMaster没有单点问题，HBase中可以启动多个HMaster，通过Zookeeper的Master Election机制保证总有一个Master运行，HMaster在功能上主要负责Table和Region的管理工作：
1. 管理用户对Table的增、删、改、查操作
2. 管理HRegionServer的负载均衡，调整Region分布
3. 在Region Split后，负责新Region的分配
4. 在HRegionServer停机后，负责失效HRegionServer 上的Regions迁移
HRegionServer
HRegionServer内部管理了一系列HRegion对象，每个HRegion对应了Table中的一个Region，HRegion中由多个HStore组成。每个HStore对应了Table中的一个Column Family的存储，可以看出每个Column Family其实就是一个集中的存储单元，因此最好将具备共同IO特性的column放在一个Column Family中，这样最高效。
MemStore & StoreFiles
HStore存储是HBase存储的核心了，其中由两部分组成，一部分是MemStore，一部分是StoreFiles。MemStore是Sorted Memory Buffer，用户写入的数据首先会放入MemStore，当MemStore满了以后会Flush成一个StoreFile（底层实现是HFile），当StoreFile文件数量增长到一定阈值，会触发Compact合并操作，将多个StoreFiles合并成一个StoreFile，合并过程中会进行版本合并和数据删除，因此可以看出HBase其实只有增加数据，所有的更新和删除操作都是在后续的compact过程中进行的，这使得用户的写操作只要进入内存中就可以立即返回，保证了HBase I/O的高性能。当StoreFiles Compact后，会逐步形成越来越大的StoreFile，当单个StoreFile大小超过一定阈值后，会触发Split操作，同时把当前Region Split成2个Region，父Region会下线，新Split出的2个孩子Region会被HMaster分配到相应的HRegionServer上，使得原先1个Region的压力得以分流到2个Region上。
HLog
每个HRegionServer中都有一个HLog对象，HLog是一个实现Write Ahead Log的类，在每次用户操作写入MemStore的同时，也会写一份数据到HLog文件中，HLog文件定期会滚动出新的，并删除旧的文件（已持久化到StoreFile中的数据）。当HRegionServer意外终止后，HMaster会通过Zookeeper感知到，HMaster首先会处理遗留的 HLog文件，将其中不同Region的Log数据进行拆分，分别放到相应region的目录下，然后再将失效的region重新分配，领取 到这些region的HRegionServer在Load Region的过程中，会发现有历史HLog需要处理，因此会Replay HLog中的数据到MemStore中，然后flush到StoreFiles，完成数据恢复。
文件类型
HBase中的所有数据文件都存储在Hadoop HDFS文件系统上，主要包括上述提出的两种文件类型：
- HFile， HBase中KeyValue数据的存储格式，HFile是Hadoop的二进制格式文件，实际上StoreFile就是对HFile做了轻量级包装，即StoreFile底层就是HFile
- HLog File，HBase中WAL（Write Ahead Log） 的存储格式，物理上是Hadoop的Sequence File
二、HBase部署与使用
2.1、部署
2.1.1、Zookeeper正常部署
首先保证Zookeeper集群的正常部署，并启动之：
/opt/module/zookeeper-3.4.5/bin/zkServer.sh start
2.1.2、Hadoop正常部署
Hadoop集群的正常部署并启动：
/opt/module/hadoop-2.8.4/sbin/start-dfs.sh
/opt/module/hadoop-2.8.4/sbin/start-yarn.sh
2.1.3、HBase的解压
解压HBase到指定目录：
tar -zxf /opt/software/hbase-1.3.1-bin.tar.gz -C /opt/module/
2.1.4、HBase的配置文件
需要修改HBase对应的配置文件。
hbase-env.sh修改内容：
export JAVA_HOME=/opt/module/jdk1.8.0_121
export HBASE_MANAGES_ZK=false
尖叫提示：如果使用的是JDK8以上版本，注释掉hbase-env.sh的45-47行，不然会报警告
hbase-site.xml修改内容：
<property>
<name>hbase.rootdir</name>
<value>hdfs://bigdata111:9000/hbase</value>
</property>
<property>
<name>hbase.cluster.distributed</name>
<value>true</value>
</property>
<property>
<name>hbase.master.port</name>
<value>16000</value>
</property>
<property>
<name>hbase.zookeeper.quorum</name>
<value>bigdata111:2181,bigdata112:2181,bigdata113:2181</value>
</property>
<property>
<name>hbase.zookeeper.property.dataDir</name>
<value>/opt/module/zookeeper-3.4.10/zkData</value>
</property>
<property>
<name>hbase.master.maxclockskew</name>
<value>180000</value>
</property>
regionservers：
bigdata111
bigdata112
bigdata113
2.1.5、HBase需要依赖的Jar包(额外，不用配置)
由于HBase需要依赖Hadoop，所以替换HBase的lib目录下的jar包，以解决兼容问题：
1) 删除原有的jar：
rm -rf /opt/module/hbase-1.3.1/lib/hadoop-*
rm -rf /opt/module/hbase-1.3.1/lib/zookeeper-3.4.10.jar
2) 拷贝新jar，涉及的jar有：
hadoop-annotations-2.8.4.jar
hadoop-auth-2.8.4.jar
hadoop-client-2.8.4.jar
hadoop-common-2.8.4.jar
hadoop-hdfs-2.8.4.jar
hadoop-mapreduce-client-app-2.8.4.jar
hadoop-mapreduce-client-common-2.8.4.jar
hadoop-mapreduce-client-core-2.8.4.jar
hadoop-mapreduce-client-hs-2.8.4.jar
hadoop-mapreduce-client-hs-plugins-2.8.4.jar
hadoop-mapreduce-client-jobclient-2.8.4.jar
hadoop-mapreduce-client-jobclient-2.8.4-tests.jar
hadoop-mapreduce-client-shuffle-2.8.4.jar
hadoop-yarn-api-2.8.4.jar
hadoop-yarn-applications-distributedshell-2.8.4.jar
hadoop-yarn-applications-unmanaged-am-launcher-2.8.4.jar
hadoop-yarn-client-2.8.4.jar
hadoop-yarn-common-2.8.4.jar
hadoop-yarn-server-applicationhistoryservice-2.8.4.jar
hadoop-yarn-server-common-2.8.4.jar
hadoop-yarn-server-nodemanager-2.8.4.jar
hadoop-yarn-server-resourcemanager-2.8.4.jar
hadoop-yarn-server-tests-2.8.4.jar
hadoop-yarn-server-web-proxy-2.8.4.jar
zookeeper-3.4.10.jar
尖叫提示：这些jar包的对应版本应替换成你目前使用的hadoop版本，具体情况具体分析。
查找jar包举例：
find /opt/module/hadoop-2.8.4/ -name hadoop-annotations*
find /opt/module/hadoop-2.8.4/ -name hadoop-*
然后将找到的jar包复制到HBase的lib目录下即可。
2.1.6、HBase软连接Hadoop配置(额外，不用配置)
ln -s /opt/module/hadoop-2.8.4/etc/hadoop/core-site.xml
ln -s /opt/module/hadoop-2.8.4/etc/hadoop/hdfs-site.xml
2.1.7.0 配置环境变量
vi /etc/profile
export HBASE_HOME=/opt/module/hbase-1.3.1
export PATH=$HBASE_HOME/bin:$PATH
source /etc/profile
2.1.7、HBase远程scp到其他集群
scp -r /opt/module/hbase-1.3.1/ bigdata112:/opt/module/
scp -r /opt/module/hbase-1.3.1/ bigdata113:/opt/module/
2.1.8、HBase服务的启动
启动方式1：
bin/hbase-daemon.sh start master
bin/hbase-daemon.sh start regionserver
尖叫提示：如果集群之间的节点时间不同步，会导致regionserver无法启动，抛出ClockOutOfSyncException异常。
启动方式2：
bin/start-hbase.sh
对应的停止服务：
bin/stop-hbase.sh
2.1.9、查看Hbse页面
启动成功后，可以通过“host:port”的方式来访问HBase管理页面，例如：
http://bigdata111:16010
2.2、简单使用
2.2.1 基本操作
1) 进入HBase客户端命令行
bin/hbase shell
2) 查看帮助命令
hbase(main)> help
3) 查看当前数据库中有哪些表
hbase(main)> list
4) 查看当前数据库中有哪些命名空间
hbase(main)> list_namespace
2.2.2 表的操作
1) 创建表
hbase(main)> create ‘student‘,‘info‘
hbase(main)> create ‘iparkmerchant_order‘,‘smzf‘
hbase(main)> create ‘staff‘,‘info‘
2) 插入数据到表
hbase(main) > put ‘student‘,‘1001‘,‘info:name‘,‘Thomas‘
hbase(main) > put ‘student‘,‘1001‘,‘info:sex‘,‘male‘
hbase(main) > put ‘student‘,‘1001‘,‘info:age‘,‘18‘
hbase(main) > put ‘student‘,‘1002‘,‘info:name‘,‘Janna‘
hbase(main) > put ‘student‘,‘1002‘,‘info:sex‘,‘female‘
hbase(main) > put ‘student‘,‘1002‘,‘info:age‘,‘20‘
数据插入后的数据模型
|
Rowkey |
timestamp |
info |
|||
|
name |
sex |
age |
|
||
|
1001 |
|
Thomas |
male |
18 |
|
|
1002 |
|
Janna |
female |
20 |
|
3) 扫描查看表数据
hbase(main) > scan ‘student‘
hbase(main) > scan ‘student‘,STARTROW => ‘1001‘, STOPROW => ‘1001‘
hbase(main) > scan ‘student‘,STARTROW => ‘1001‘
注：这个是从哪一个rowkey开始扫描
4) 查看表结构
hbase(main):012:0> desc ‘student‘
5) 更新指定字段的数据
hbase(main) > put ‘student‘,‘1001‘,‘info:name‘,‘Nick‘
hbase(main) > put ‘student‘,‘1001‘,‘info:age‘,‘100‘
hbase(main) > put ‘student‘,‘1001‘,‘info:isNull‘,‘‘（仅测试空值问题）
6) 查看“指定行”或“指定列族:列”的数据
hbase(main) > get ‘student‘,‘1001‘
hbase(main) > get ‘student‘,‘1001‘,‘info:name‘
7) 删除数据
删除某rowkey的全部数据：
hbase(main) > deleteall ‘student‘,‘1001‘
8) 清空表数据
hbase(main) > truncate ‘student‘
尖叫提示：清空表的操作顺序为先disable，然后再truncate。
9) 删除表
首先需要先让该表为disable状态：
hbase(main) > disable ‘student‘
检查这个表是否被禁用
hbase(main) > is_enabled ‘hbase_book‘
hbase(main) > is_disabled ‘hbase_book‘
恢复被禁用得表
enable ‘student‘
然后才能drop这个表：
hbase(main) > drop ‘student‘
尖叫提示：如果直接drop表，会报错：Drop the named table. Table must first be disabled
ERROR: Table student is enabled. Disable it first.
10) 统计表数据行数
hbase(main) > count ‘student‘
11) 变更表信息
将info列族中的数据存放3个版本：
hbase(main) > alter ‘student‘,NAME=>‘info‘,VERSIONS=>3
查看student的最新的版本的数据
hbase(main) > get ‘student‘,‘1001‘
查看HBase中的多版本
hbase(main) > get ‘student‘,‘1001‘,COLUMN=>‘info:name‘,VERSIONS=>10
2.2.3 常用API操作
1) satus 例如：显示服务器状态
hbase> status ‘bigdata111‘
2) exist 检查表是否存在，适用于表量特别多的情况
hbase> exist ‘hbase_book‘
3) is_enabled/is_disabled 检查表是否启用或禁用
hbase> is_enabled ‘hbase_book‘
hbase> is_disabled ‘hbase_book‘
8) alter 该命令可以改变表和列族的模式，例如：
为当前表增加列族：
hbase> alter ‘hbase_book‘, NAME => ‘CF2‘, VERSIONS => 2
为当前表删除列族：
hbase> alter ‘hbase_book‘, ‘delete‘ => ‘CF2‘
9) disable禁用一张表
hbase> disable ‘hbase_book‘
hbase> drop ‘hbase_book‘
10) delete
删除一行中一个单元格的值，例如：
hbase> delete ‘hbase_book‘, ‘rowKey‘, ‘CF:C‘
11) truncate清空表数据，即禁用表-删除表-创建表
hbase> truncate ‘hbase_book‘
12) create
创建多个列族：
hbase> create ‘t1‘, NAME => ‘f1‘, NAME => ‘f2‘, NAME => ‘f3‘
2.3、读写流程
2.3.1、HBase读数据流程
1) HRegionServer保存着.META.的这样一张表以及表数据，要访问表数据，首先Client先去访问zookeeper，从zookeeper里面找到.META.表所在的位置信息，即找到这个.META.表在哪个HRegionServer上保存着。
2) 接着Client通过刚才获取到的HRegionServer的IP来访问.META.表所在的HRegionServer，从而读取到.META.，进而获取到.META.表中存放的元数据。
3) Client通过元数据中存储的信息，访问对应的HRegionServer，然后扫描所在
HRegionServer的Memstore和Storefile来查询数据。
4) 最后HRegionServer把查询到的数据响应给Client。
2.3.2、HBase写数据流程
1) Client也是先访问zookeeper，找到-ROOT-表，进而找到.META.表，并获取.META.表信息。
2) 确定当前将要写入的数据所对应的RegionServer服务器和Region。
3) Client向该RegionServer服务器发起写入数据请求，然后RegionServer收到请求并响应。
4) Client先把数据写入到HLog，以防止数据丢失。
5) 然后将数据写入到Memstore。
6) 如果Hlog和Memstore均写入成功，则这条数据写入成功。在此过程中，如果Memstore达到阈值，会把Memstore中的数据flush到StoreFile中。
7) 当Storefile越来越多，会触发Compact合并操作，把过多的Storefile合并成一个大的Storefile。当Storefile越来越大，Region也会越来越大，达到阈值后，会触发Split操作，将Region一分为二。
尖叫提示：因为内存空间是有限的，所以说溢写过程必定伴随着大量的小文件产生。
2.4、JavaAPI
2.4.1 新建Maven Project
新建项目后在pom.xml中添加依赖：
<dependency>
<groupId>org.apache.hbase</groupId>
<artifactId>hbase-server</artifactId>
<version>1.3.1</version>
</dependency>
<dependency>
<groupId>org.apache.hbase</groupId>
<artifactId>hbase-client</artifactId>
<version>1.3.1</version>
</dependency>
2.4.2 编写HBaseAPI
注意，这部分的学习内容，我们先学习使用老版本的API，接着再写出新版本的API调用方式。因为在企业中，有些时候我们需要一些过时的API来提供更好的兼容性。
1) 首先需要获取Configuration对象：
public static Configuration conf;
static
//使用HBaseConfiguration的单例方法实例化
conf = HBaseConfiguration.create();
conf.set("hbase.zookeeper.quorum", "bigdata111");
conf.set("hbase.zookeeper.property.clientPort", "2181");
2) 判断表是否存在：
public static boolean isTableExist(String tableName) throws MasterNotRunningException, ZooKeeperConnectionException, IOException
//在HBase中管理、访问表需要先创建HBaseAdmin对象
//Connection connection = ConnectionFactory.createConnection(conf);
//HBaseAdmin admin = (HBaseAdmin) connection.getAdmin();
HBaseAdmin admin = new HBaseAdmin(conf);
return admin.tableExists(tableName);
3) 创建表
public static void createTable(String tableName, String... columnFamily) throws MasterNotRunningException, ZooKeeperConnectionException, IOException
HBaseAdmin admin = new HBaseAdmin(conf);
//判断表是否存在
if(isTableExist(tableName))
System.out.println("表" + tableName + "已存在");
//System.exit(0);
else
//创建表属性对象,表名需要转字节
HTableDescriptor descriptor = new HTableDescriptor(TableName.valueOf(tableName));
//创建多个列族
for(String cf : columnFamily)
descriptor.addFamily(new HColumnDescriptor(cf));
//根据对表的配置，创建表
admin.createTable(descriptor);
System.out.println("表" + tableName + "创建成功！");
4) 删除表
public static void dropTable(String tableName) throws MasterNotRunningException, ZooKeeperConnectionException, IOException
HBaseAdmin admin = new HBaseAdmin(conf);
if(isTableExist(tableName))
admin.disableTable(tableName);
admin.deleteTable(tableName);
System.out.println("表" + tableName + "删除成功！");
else
System.out.println("表" + tableName + "不存在！");
5) 向表中插入数据
public static void addRowData(String tableName, String rowKey, String columnFamily, String column, String value) throws IOException
//创建HTable对象
HTable hTable = new HTable(conf, tableName);
//向表中插入数据
Put put = new Put(Bytes.toBytes(rowKey));
//向Put对象中组装数据
put.add(Bytes.toBytes(columnFamily), Bytes.toBytes(column), Bytes.toBytes(value));
hTable.put(put);
hTable.close();
System.out.println("插入数据成功");
6) 删除多行数据
public static void deleteMultiRow(String tableName, String... rows) throws IOException
HTable hTable = new HTable(conf, tableName);
List<Delete> deleteList = new ArrayList<Delete>();
for(String row : rows)
Delete delete = new Delete(Bytes.toBytes(row));
deleteList.add(delete);
hTable.delete(deleteList);
hTable.close();
7) 得到所有数据
public static void getAllRows(String tableName) throws IOException
HTable hTable = new HTable(conf, tableName);
//得到用于扫描region的对象
Scan scan = new Scan();
//使用HTable得到resultcanner实现类的对象
ResultScanner resultScanner = hTable.getScanner(scan);
for(Result result : resultScanner)
Cell[] cells = result.rawCells();
for(Cell cell : cells)
//得到rowkey
System.out.println("行键:" + Bytes.toString(CellUtil.cloneRow(cell)));
//得到列族
System.out.println("列族" + Bytes.toString(CellUtil.cloneFamily(cell)));
System.out.println("列:" + Bytes.toString(CellUtil.cloneQualifier(cell)));
System.out.println("值:" + Bytes.toString(CellUtil.cloneValue(cell)));
8) 得到某一行所有数据
public static void getRow(String tableName, String rowKey) throws IOException
HTable table = new HTable(conf, tableName);
Get get = new Get(Bytes.toBytes(rowKey));
//get.setMaxVersions();显示所有版本
//get.setTimeStamp();显示指定时间戳的版本
Result result = table.get(get);
for(Cell cell : result.rawCells())
System.out.println("行键:" + Bytes.toString(result.getRow()));
System.out.println("列族" + Bytes.toString(CellUtil.cloneFamily(cell)));
System.out.println("列:" + Bytes.toString(CellUtil.cloneQualifier(cell)));
System.out.println("值:" + Bytes.toString(CellUtil.cloneValue(cell)));
System.out.println("时间戳:" + cell.getTimestamp());
9) 获取某一行指定“列族:列”的数据
public static void getRowQualifier(String tableName, String rowKey, String family, String qualifier) throws IOException
HTable table = new HTable(conf, tableName);
Get get = new Get(Bytes.toBytes(rowKey));
get.addColumn(Bytes.toBytes(family), Bytes.toBytes(qualifier));
Result result = table.get(get);
for(Cell cell : result.rawCells())
System.out.println("行键:" + Bytes.toString(result.getRow()));
System.out.println("列族" + Bytes.toString(CellUtil.cloneFamily(cell)));
System.out.println("列:" + Bytes.toString(CellUtil.cloneQualifier(cell)));
System.out.println("值:" + Bytes.toString(CellUtil.cloneValue(cell)));
2.4.3 HBaseUtil
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HColumnDescriptor;
import org.apache.hadoop.hbase.HTableDescriptor;
import org.apache.hadoop.hbase.NamespaceDescriptor;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.Admin;
import org.apache.hadoop.hbase.client.Connection;
import org.apache.hadoop.hbase.client.ConnectionFactory;
import org.apache.hadoop.hbase.util.Bytes;
import java.io.IOException;
import java.text.DecimalFormat;
import java.util.Iterator;
import java.util.TreeSet;
/**
* @author Andy
* 1、NameSpace ====> 命名空间
* 2、createTable ===> 表
* 3、isTable ====> 判断表是否存在
* 4、Region、RowKey、分区键
*/
public class HBaseUtil
/**
* 初始化命名空间
*
* @param conf 配置对象
* @param namespace 命名空间的名字
* @throws Exception
*/
public static void initNameSpace(Configuration conf, String namespace) throws Exception
Connection connection = ConnectionFactory.createConnection(conf);
Admin admin = connection.getAdmin();
//命名空间描述器
NamespaceDescriptor nd = NamespaceDescriptor
.create(namespace)
.addConfiguration("AUTHOR", "Andy")
.build();
//通过admin对象来创建命名空间
admin.createNamespace(nd);
System.out.println("已初始化命名空间");
//关闭两个对象
close(admin, connection);
/**
* 关闭admin对象和connection对象
*
* @param admin 关闭admin对象
* @param connection 关闭connection对象
* @throws IOException IO异常
*/
private static void close(Admin admin, Connection connection) throws IOException
if (admin != null)
admin.close();
if (connection != null)
connection.close();
/**
* 创建HBase的表
* @param conf
* @param tableName
* @param regions
* @param columnFamily
*/
public static void createTable(Configuration conf, String tableName, int regions, String... columnFamily) throws IOException
Connection connection = ConnectionFactory.createConnection(conf);
Admin admin = connection.getAdmin();
//判断表
if (isExistTable(conf, tableName))
return;
//表描述器 HTableDescriptor
HTableDescriptor htd = new HTableDescriptor(TableName.valueOf(tableName));
for (String cf : columnFamily)
//列描述器 ：HColumnDescriptor
htd.addFamily(new HColumnDescriptor(cf));
//htd.addCoprocessor("hbase.CalleeWriteObserver");
//创建表
admin.createTable(htd,genSplitKeys(regions));
System.out.println("已建表");
//关闭对象
close(admin,connection);
/**
* 分区键
* @param regions region个数
* @return splitKeys
*/
private static byte[][] genSplitKeys(int regions)
//存放分区键的数组
String[] keys = new String[regions];
//格式化分区键的形式 00 01 02
DecimalFormat df = new DecimalFormat("00");
for (int i = 0; i < regions; i++)
keys[i] = df.format(i) + "";
byte[][] splitKeys = new byte[regions][];
//排序 保证你这个分区键是有序得
TreeSet<byte[]> treeSet = new TreeSet<>(Bytes.BYTES_COMPARATOR);
for (int i = 0; i < regions; i++)
treeSet.add(Bytes.toBytes(keys[i]));
//输出
Iterator<byte[]> iterator = treeSet.iterator();
int index = 0;
while (iterator.hasNext())
byte[] next = iterator.next();
splitKeys[index++]= next;
return splitKeys;
/**
* 判断表是否存在
* @param conf 配置 conf
* @param tableName 表名
*/
public static boolean isExistTable(Configuration conf, String tableName) throws IOException
Connection connection = ConnectionFactory.createConnection(conf);
Admin admin = connection.getAdmin();
boolean result = admin.tableExists(TableName.valueOf(tableName));
close(admin, connection);
return result;
2.4.4 PropertiesUtil
import java.io.IOException;
import java.io.InputStream;
import java.util.Properties;
public class PropertiesUtil
public static Properties properties = null;
static
//获取配置文件、方便维护
InputStream is = ClassLoader.getSystemResourceAsStream("hbase_consumer.properties");
properties = new Properties();
try
properties.load(is);
catch (IOException e)
e.printStackTrace();
/**
* 获取参数值
* @param key 名字
* @return 参数值
*/
public static String getProperty(String key)
return properties.getProperty(key);
2.4.5 HBaseDAO
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
public class HBaseDAO
private static String namespace = PropertiesUtil.getProperty("hbase.calllog.namespace");
private static String tableName = PropertiesUtil.getProperty("hbase.calllog.tablename");
private static Integer regions = Integer.valueOf(PropertiesUtil.getProperty("hbase.calllog.regions"));
public static void main(String[] args) throws Exception
Configuration conf = HBaseConfiguration.create();
conf.set("hbase.zookeeper.property.clientPort", "2181");
conf.set("hbase.zookeeper.quorum", "bigdata111");
conf.set("zookeeper.znode.parent", "/hbase");
if (!HBaseUtil.isExistTable(conf, tableName))
HBaseUtil.initNameSpace(conf, namespace);
HBaseUtil.createTable(conf, tableName, regions, "f1", "f2");
2.5、MapReduce
通过HBase的相关JavaAPI，我们可以实现伴随HBase操作的MapReduce过程，比如使用MapReduce将数据从本地文件系统导入到HBase的表中，比如我们从HBase中读取一些原始数据后使用MapReduce做数据分析。
2.5.1、官方HBase-MapReduce
1) 查看HBase的MapReduce任务的所需的依赖
$ bin/hbase mapredcp
2) 执行环境变量的导入
$ export HBASE_HOME=/opt/module/hbase-1.3.1
$ export HADOOP_CLASSPATH=`$HBASE_HOME/bin/hbase mapredcp`
3) 运行官方的MapReduce任务
-- 案例一：统计Student表中有多少行数据
$ /opt/module/hadoop-2.8.4/bin/yarn jar lib/hbase-server-1.3.1.jar rowcounter ns_ct:calllog
-- 案例二：使用MapReduce将本地数据导入到HBase
(1) 在本地创建一个tsv格式的文件：fruit.tsv，自己建表用\t分割数据
1001 Apple Red
1002 Pear Yellow
1003 Pineapple Yellow
尖叫提示：上面的这个数据不要从word中直接复制，有格式错误
(2) 创建HBase表
hbase(main):001:0> create ‘fruit‘,‘info‘
(3) 在HDFS中创建input_fruit文件夹并上传fruit.tsv文件
$ /opt/module/hadoop-2.8.4/bin/hdfs dfs -mkdir /input_fruit/
$ /opt/module/hadoop-2.8.4/bin/hdfs dfs -put fruit.tsv /input_fruit/
(4) 执行MapReduce到HBase的fruit表中
$ /opt/module/hadoop-2.8.4/bin/yarn jar lib/hbase-server-1.3.1.jar importtsv \
-Dimporttsv.columns=HBASE_ROW_KEY,info:name,info:color fruit \
hdfs://bigdata11:9000/input_fruit
(5) 使用scan命令查看导入后的结果
hbase(main):001:0> scan ‘fruit‘
2.5.2、HBase2HBase
目标：将fruit表中的一部分数据，通过MR迁入到fruit_mr表中。
分步实现：
1) 构建ReadFruitMapper类，用于读取fruit表中的数据
import java.io.IOException;
import org.apache.hadoop.hbase.Cell;
import org.apache.hadoop.hbase.CellUtil;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.client.Result;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.TableMapper;
import org.apache.hadoop.hbase.util.Bytes;
public class ReadFruitMapper extends TableMapper<ImmutableBytesWritable, Put>
@Override
protected void map(ImmutableBytesWritable key, Result value, Context context)
throws IOException, InterruptedException
//将fruit的name和color提取出来，相当于将每一行数据读取出来放入到Put对象中。
Put put = new Put(key.get());
//遍历添加column行
for(Cell cell: value.rawCells())
//添加/克隆列族:info
if("info".equals(Bytes.toString(CellUtil.cloneFamily(cell))))
//添加/克隆列：name
if("name".equals(Bytes.toString(CellUtil.cloneQualifier(cell))))
//将该列cell加入到put对象中
put.add(cell);
//添加/克隆列:color
else if("color".equals(Bytes.toString(CellUtil.cloneQualifier(cell))))
//向该列cell加入到put对象中
put.add(cell);
//将从fruit读取到的每行数据写入到context中作为map的输出
context.write(key, put);
2) 构建WriteFruitMRReducer类，用于将读取到的fruit表中的数据写入到fruit_mr表中
import java.io.IOException;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.TableReducer;
import org.apache.hadoop.io.NullWritable;
public class WriteFruitMRReducer extends TableReducer<ImmutableBytesWritable, Put, NullWritable>
@Override
protected void reduce(ImmutableBytesWritable key, Iterable<Put> values, Context context)
throws IOException, InterruptedException
//读出来的每一行数据写入到fruit_mr表中
for(Put put: values)
context.write(NullWritable.get(), put);
3) 构建Fruit2FruitMRRunner extends Configured implements Tool用于组装运行Job任务
package HDFSToHBase;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.util.ToolRunner;
public class ReadFruitFromHDFSMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put>
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException
//从HDFS中读取的数据
String lineValue = value.toString();
//读取出来的每行数据使用\t进行分割，存于String数组
String[] values = lineValue.split("\t");
//根据数据中值的含义取值
String rowKey = values[0];
String name = values[1];
String color = values[2];
//初始化rowKey
ImmutableBytesWritable rowKeyWritable = new ImmutableBytesWritable(Bytes.toBytes(rowKey));
//初始化put对象
Put put = new Put(Bytes.toBytes(rowKey));
//参数分别:列族、列、值
put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("name"), Bytes.toBytes(name));
put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("color"), Bytes.toBytes(color));
context.write(rowKeyWritable, put);
public static void main(String[] args) throws Exception
Configuration conf = HBaseConfiguration.create();
int status = ToolRunner.run(conf, new Txt2FruitRunner(), args);
System.exit(status);
4) 打包运行任务
$ /opt/module/hadoop-2.8.4/bin/yarn jar /opt/module/hbase-1.3.1/HBase-1.0-SNAPSHOT.jar MRToHBase.Fruit2FruitMRRunner
尖叫提示：运行任务前，如果待数据导入的表不存在，则需要提前创建之。
2.5.2、HDFS2HBase
目标：实现将HDFS中的数据写入到HBase表中。
分步实现：
1) 构建ReadFruitFromHDFSMapper于读取HDFS中的文件数据
import java.io.IOException;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class ReadFruitFromHDFSMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put>
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException
//从HDFS中读取的数据
String lineValue = value.toString();
//读取出来的每行数据使用\t进行分割，存于String数组
String[] values = lineValue.split("\t");
//根据数据中值的含义取值
String rowKey = values[0];
String name = values[1];
String color = values[2];
//初始化rowKey
ImmutableBytesWritable rowKeyWritable = new ImmutableBytesWritable(Bytes.toBytes(rowKey));
//初始化put对象
Put put = new Put(Bytes.toBytes(rowKey));
//参数分别:列族、列、值
put.add(Bytes.toBytes("info"), Bytes.toBytes("name"), Bytes.toBytes(name));
put.add(Bytes.toBytes("info"), Bytes.toBytes("color"), Bytes.toBytes(color));
context.write(rowKeyWritable, put);
2) 构建WriteFruitMRFromTxtReducer类
import java.io.IOException;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.TableReducer;
import org.apache.hadoop.io.NullWritable;
public class WriteFruitMRFromTxtReducer extends TableReducer<ImmutableBytesWritable, Put, NullWritable>
@Override
protected void reduce(ImmutableBytesWritable key, Iterable<Put> values, Context context) throws IOException, InterruptedException
//读出来的每一行数据写入到fruit_hdfs表中
for(Put put: values)
context.write(NullWritable.get(), put);
3) 创建Txt2FruitRunner组装Job
public int run(String[] args) throws Exception
//得到Configuration
Configuration conf = this.getConf();
//创建Job任务
Job job = Job.getInstance(conf, this.getClass().getSimpleName());
job.setJarByClass(Txt2FruitRunner.class);
Path inPath = new Path("hdfs://bigdata111:8020/input_fruit/fruit.tsv");
FileInputFormat.addInputPath(job, inPath);
//设置Mapper
job.setMapperClass(ReadFruitFromHDFSMapper.class);
job.setMapOutputKeyClass(ImmutableBytesWritable.class);
job.setMapOutputValueClass(Put.class);
//设置Reducer
TableMapReduceUtil.initTableReducerJob("fruit_mr", WriteFruitMRFromTxtReducer.class, job);
//设置Reduce数量，最少1个
job.setNumReduceTasks(1);
boolean isSuccess = job.waitForCompletion(true);
if(!isSuccess)
throw new IOException("Job running with error");
return isSuccess ? 0 : 1;
4) 调用执行Job
public static void main(String[] args) throws Exception
Configuration conf = HBaseConfiguration.create();
int status = ToolRunner.run(conf, new Txt2FruitRunner(), args);
System.exit(status);
5) 打包运行
$ /opt/module/hadoop-2.8.4/bin/yarn jar HDFSToHBase.jar HDFSToHBase.ReadFruitFromHDFSMapper
尖叫提示：运行任务前，如果待数据导入的表不存在，则需要提前创建之。
2.6、与Hive的集成
2.6.1、HBase与Hive的对比
1) Hive
(1) 数据仓库
Hive的本质其实就相当于将HDFS中已经存储的文件在mysql中做了一个双射关系，以方便使用HQL去管理查询。
(2) 用于数据分析、清洗
Hive适用于离线的数据分析和清洗，延迟较高。
(3) 基于HDFS、MapReduce
Hive存储的数据依旧在DataNode上，编写的HQL语句终将是转换为MapReduce代码执行。
2) HBase
(1) 数据库
是一种面向列存储的非关系型数据库。
(2) 用于存储结构化和非结构话的数据
适用于单表非关系型数据的存储，不适合做关联查询，类似JOIN等操作。
(3) 基于HDFS
数据持久化存储的体现形式是Hfile，存放于DataNode中，被ResionServer以region的形式进行管理。
(4) 延迟较低，接入在线业务使用
面对大量的企业数据，HBase可以直线单表大量数据的存储，同时提供了高效的数据访问速度。
2.6.2、HBase与Hive集成使用
环境准备
因为我们后续可能会在操作Hive的同时对HBase也会产生影响，所以Hive需要持有操作HBase的Jar，那么接下来拷贝Hive所依赖的Jar包（或者使用软连接的形式）。记得还有把zookeeper的jar包考入到hive的lib目录下。
$ export HBASE_HOME=/opt/module/hbase-1.3.1
$ export HIVE_HOME=/opt/module/apache-hive-1.2.2-bin
$ ln -s $HBASE_HOME/lib/hbase-common-1.3.1.jar $HIVE_HOME/lib/hbase-common-1.3.1.jar
$ ln -s $HBASE_HOME/lib/hbase-server-1.3.1.jar $HIVE_HOME/lib/hbase-server-1.3.1.jar
$ ln -s $HBASE_HOME/lib/hbase-client-1.3.1.jar $HIVE_HOME/lib/hbase-client-1.3.1.jar
$ ln -s $HBASE_HOME/lib/hbase-protocol-1.3.1.jar $HIVE_HOME/lib/hbase-protocol-1.3.1.jar
$ ln -s $HBASE_HOME/lib/hbase-it-1.3.1.jar $HIVE_HOME/lib/hbase-it-1.3.1.jar
$ ln -s $HBASE_HOME/lib/htrace-core-3.1.0-incubating.jar $HIVE_HOME/lib/htrace-core-3.1.0-incubating.jar
$ ln -s $HBASE_HOME/lib/hbase-hadoop2-compat-1.3.1.jar $HIVE_HOME/lib/hbase-hadoop2-compat-1.3.1.jar
$ ln -s $HBASE_HOME/lib/hbase-hadoop-compat-1.3.1.jar $HIVE_HOME/lib/hbase-hadoop-compat-1.3.1.jar
同时在hive-site.xml中修改zookeeper的属性，如下：
<property>
<name>hive.zookeeper.quorum</name>
<value>bigdata11,bigdata12,bigdata13</value>
<description>The list of ZooKeeper servers to talk to. This is only needed for read/write locks.</description>
</property>
<property>
<name>hive.zookeeper.client.port</name>
<value>2181</value>
<description>The port of ZooKeeper servers to talk to. This is only needed for read/write locks.</description>
</property>
1) 案例一
目标：建立Hive表，关联HBase表，插入数据到Hive表的同时能够影响HBase表。
分步实现：
(1) 在Hive中创建表同时关联HBase
CREATE TABLE hive_hbase_emp_table(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm double,
deptno int)
STORED BY ‘org.apache.hadoop.hive.hbase.HBaseStorageHandler‘
WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key,info:ename,info:job,info:mgr,info:hiredate,info:sal,info:comm,info:deptno")
TBLPROPERTIES ("hbase.table.name" = "hbase_emp_table1");
尖叫提示：完成之后，可以分别进入Hive和HBase查看，都生成了对应的表
(2) 在Hive中创建临时中间表，用于load文件中的数据
尖叫提示：不能将数据直接load进Hive所关联HBase的那张表中
|
CREATE TABLE emp( empno int, ename string, job string, mgr int, hiredate string, sal double, comm double, deptno int) row format delimited fields terminated by ‘\t‘; |
(3) 向Hive中间表中load数据
|
hive> load data local inpath ‘/opt/module/datas/emp.txt‘ into table emp; |
(4) 通过insert命令将中间表中的数据导入到Hive关联HBase的那张表中
|
hive> insert into table hive_hbase_emp_table1 select * from emp; |
(5) 查看Hive以及关联的HBase表中是否已经成功的同步插入了数据
Hive：
|
hive> select * from hive_hbase_emp_table; |
HBase：
|
hbase> scan ‘hbase_emp_table‘ |
2) 案例二
目标：在HBase中已经存储了某一张表hbase_emp_table，然后在Hive中创建一个外部表来关联HBase中的hbase_emp_table这张表，使之可以借助Hive来分析HBase这张表中的数据。
注：该案例2紧跟案例1的脚步，所以完成此案例前，请先完成案例1。
分步实现：
(1) 在Hive中创建外部表
|
CREATE EXTERNAL TABLE relevance_hbase_emp( empno int, ename string, job string, mgr int, hiredate string, sal double, comm double, deptno int) STORED BY ‘org.apache.hadoop.hive.hbase.HBaseStorageHandler‘ WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key,info:ename,info:job,info:mgr,info:hiredate,info:sal,info:comm,info:deptno") TBLPROPERTIES ("hbase.table.name" = "hbase_emp_table"); |
(2) 关联后就可以使用Hive函数进行一些分析操作了
|
hive (default)> select * from relevance_hbase_emp; |
2.7、与Sqoop的集成
Sqoop supports additional import targets beyond HDFS and Hive. Sqoop can also import records into a table in HBase.
之前我们已经学习过如何使用Sqoop在Hadoop集群和关系型数据库中进行数据的导入导出工作，接下来我们学习一下利用Sqoop在HBase和RDBMS中进行数据的转储。
相关参数：
|
参数 |
描述 |
|
--column-family <family> |
Sets the target column family for the import 设置导入的目标列族。 |
|
--hbase-create-table |
If specified, create missing HBase tables 是否自动创建不存在的HBase表（这就意味着，不需要手动提前在HBase中先建立表） |
|
--hbase-row-key <col> |
Specifies which input column to use as the row key.In case, if input table contains composite key, then <col> must be in the form of a comma-separated list of composite key attributes. mysql中哪一列的值作为HBase的rowkey，如果rowkey是个组合键，则以逗号分隔。（注：避免rowkey的重复） |
|
--hbase-table <table-name> |
Specifies an HBase table to use as the target instead of HDFS. 指定数据将要导入到HBase中的哪张表中。 |
|
--hbase-bulkload |
Enables bulk loading. 是否允许bulk形式的导入。 |
1) 案例
目标：将RDBMS中的数据抽取到HBase中
分步实现：
(1) 配置sqoop-env.sh，添加如下内容：
|
export HBASE_HOME=/opt/module/hbase-1.3.1 |
(2) 在Mysql中新建一个数据库db_library，一张表book
|
CREATE DATABASE db_library; CREATE TABLE db_library.book( id int(4) PRIMARY KEY NOT NULL AUTO_INCREMENT, name VARCHAR(255) NOT NULL, price VARCHAR(255) NOT NULL); |
(3) 向表中插入一些数据
|
INSERT INTO db_library.book (name, price) VALUES(‘Lie Sporting‘, ‘30‘); INSERT INTO db_library.book (name, price) VALUES(‘Pride & Prejudice‘, ‘70‘); INSERT INTO db_library.book (name, price) VALUES(‘Fall of Giants‘, ‘50‘); |
(4) 执行Sqoop导入数据的操作
手动创建HBase表
|
hbase> create ‘hbase_book‘,‘info‘ |
(5) 在HBase中scan这张表得到如下内容
|
hbase> scan ‘hbase_book‘ |
思考：尝试使用复合键作为导入数据时的rowkey。
|
$ bin/sqoop import \ --connect jdbc:mysql://bigdata11:3306/db_library \ --username root \ --password 000000 \ --table book \ --columns "id,name,price" \ --column-family "info" \ --hbase-create-table \ --hbase-row-key "id" \ --hbase-table "hbase_book" \ --num-mappers 1 \ --split-by id |
尖叫提示：sqoop1.4.6只支持HBase1.0.1之前的版本的自动创建HBase表的功能
2.8、常用的Shell操作
1) satus
例如：显示服务器状态
|
hbase> status ‘bigdata111‘ |
2) whoami
显示HBase当前用户，例如：
|
hbase> whoami |
3) list
显示当前所有的表
|
hbase> list |
4) count
统计指定表的记录数，例如：
|
hbase> count ‘hbase_book‘ |
5) describe
展示表结构信息
|
hbase> describe ‘hbase_book‘ |
6) exist
检查表是否存在，适用于表量特别多的情况
|
hbase> exist ‘hbase_book‘ |
7) is_enabled/is_disabled
检查表是否启用或禁用
|
hbase> is_enabled ‘hbase_book‘ hbase> is_disabled ‘hbase_book‘ |
8) alter
该命令可以改变表和列族的模式，例如：
为当前表增加列族：
|
hbase> alter ‘hbase_book‘, NAME => ‘CF2‘, VERSIONS => 2 |
为当前表删除列族：
|
hbase> alter ‘hbase_book‘, ‘delete‘ => ‘CF2‘ |
9) disable
禁用一张表
|
hbase> disable ‘hbase_book‘ |
10) drop
删除一张表，记得在删除表之前必须先禁用
|
hbase> drop ‘hbase_book‘ |
11) delete
删除一行中一个单元格的值，例如：
|
hbase> delete ‘hbase_book‘, ‘rowKey‘, ‘CF:C‘ |
12) truncate
清空表数据，即禁用表-删除表-创建表
|
hbase> truncate ‘hbase_book‘ |
13) create
创建多个列族：
|
hbase> create ‘t1‘, NAME => ‘f1‘, NAME => ‘f2‘, NAME => ‘f3‘ |
2.10、节点的管理
2.10.1、服役（commissioning）
当启动regionserver时，regionserver会向HMaster注册并开始接收本地数据，开始的时候，新加入的节点不会有任何数据，平衡器开启的情况下，将会有新的region移动到开启的RegionServer上。如果启动和停止进程是使用ssh和HBase脚本，那么会将新添加的节点的主机名加入到conf/regionservers文件中。
2.10.2、退役（decommissioning）
顾名思义，就是从当前HBase集群中删除某个RegionServer，这个过程分为如下几个过程：
1) 停止负载平衡器
|
hbase> balance_switch false |
2) 在退役节点上停止RegionServer
|
hbase> hbase-daemon.sh stop regionserver |
3) RegionServer一旦停止，会关闭维护的所有region
4) Zookeeper上的该RegionServer节点消失
5) Master节点检测到该RegionServer下线，开启平衡器
6) 下线的RegionServer的region服务得到重新分配
该关闭方法比较传统，需要花费一定的时间，而且会造成部分region短暂的不可用。
另一种方案：
1) RegionServer先卸载所管理的region
|
$ bin/graceful_stop.sh <RegionServer-hostname> |
2) 自动平衡数据
3) 和之前的2~6步是一样的
三、HBase的优化
3.1、高可用
在HBase中Hmaster负责监控RegionServer的生命周期，均衡RegionServer的负载，如果Hmaster挂掉了，那么整个HBase集群将陷入不健康的状态，并且此时的工作状态并不会维持太久。所以HBase支持对Hmaster的高可用配置。
1) 关闭HBase集群（如果没有开启则跳过此步）
|
$ bin/stop-hbase.sh |
2) 在conf目录下创建backup-masters文件
|
$ touch conf/backup-masters |
3) 在backup-masters文件中配置高可用HMaster节点
|
$ echo bigdata112 > conf/backup-masters |
4) 将整个conf目录scp到其他节点
|
$ scp -r conf/ bigdata112:/opt/modules/cdh/hbase-0.98.6-cdh5.3.6/ $ scp -r conf/ bigdata113:/opt/modules/cdh/hbase-0.98.6-cdh5.3.6/ |
5) 重新启动HBase后打开页面测试查看
|
0.98版本之前：http://bigdata111:60010 0.98版本之后：http://bigdata111:16010 |
3.2、Hadoop的通用性优化
1) NameNode元数据备份使用SSD
2) 定时备份NameNode上的元数据
每小时或者每天备份，如果数据极其重要，可以5~10分钟备份一次。备份可以通过定时任务复制元数据目录即可。
3) 为NameNode指定多个元数据目录
使用dfs.name.dir或者dfs.namenode.name.dir指定。这样可以提供元数据的冗余和健壮性，以免发生故障。
4) NameNode的dir自恢复
设置dfs.namenode.name.dir.restore为true，允许尝试恢复之前失败的dfs.namenode.name.dir目录，在创建checkpoint时做此尝试，如果设置了多个磁盘，建议允许。
5) HDFS保证RPC调用会有较多的线程数
hdfs-site.xml
|
属性：dfs.namenode.handler.count 解释：该属性是NameNode服务默认线程数，的默认值是10，根据机器的可用内存可以调整为50~100
属性：dfs.datanode.handler.count 解释：该属性默认值为10，是DataNode的处理线程数，如果HDFS客户端程序读写请求比较多，可以调高到15~20，设置的值越大，内存消耗越多，不要调整的过高，一般业务中，5~10即可。 |
6) HDFS副本数的调整
hdfs-site.xml
|
属性：dfs.replication 解释：如果数据量巨大，且不是非常之重要，可以调整为2~3，如果数据非常之重要，可以调整为3~5。 |
7) HDFS文件块大小的调整
hdfs-site.xml
|
属性：dfs.blocksize 解释：块大小定义，该属性应该根据存储的大量的单个文件大小来设置，如果大量的单个文件都小于100M，建议设置成64M块大小，对于大于100M或者达到GB的这种情况，建议设置成256M，一般设置范围波动在64M~256M之间。 |
8) MapReduce Job任务服务线程数调整
mapred-site.xml
|
属性：mapreduce.jobtracker.handler.count 解释：该属性是Job任务线程数，默认值是10，根据机器的可用内存可以调整为50~100 |
9) Http服务器工作线程数
mapred-site.xml
|
属性：mapreduce.tasktracker.http.threads 解释：定义HTTP服务器工作线程数，默认值为40，对于大集群可以调整到80~100 |
10) 文件排序合并优化
mapred-site.xml
|
属性：mapreduce.task.io.sort.factor 解释：文件排序时同时合并的数据流的数量，这也定义了同时打开文件的个数，默认值为10，如果调高该参数，可以明显减少磁盘IO，即减少文件读取的次数。 |
11) 设置任务并发
mapred-site.xml
|
属性：mapreduce.map.speculative 解释：该属性可以设置任务是否可以并发执行，如果任务多而小，该属性设置为true可以明显加快任务执行效率，但是对于延迟非常高的任务，建议改为false，这就类似于迅雷下载。 |
12) MR输出数据的压缩
mapred-site.xml
|
属性：mapreduce.map.output.compress、mapreduce.output.fileoutputformat.compress 解释：对于大集群而言，建议设置Map-Reduce的输出为压缩的数据，而对于小集群，则不需要。 |
13) 优化Mapper和Reducer的个数
mapred-site.xml
|
属性： mapreduce.tasktracker.map.tasks.maximum mapreduce.tasktracker.reduce.tasks.maximum 解释：以上两个属性分别为一个单独的Job任务可以同时运行的Map和Reduce的数量。 设置上面两个参数时，需要考虑CPU核数、磁盘和内存容量。假设一个8核的CPU，业务内容非常消耗CPU，那么可以设置map数量为4，如果该业务不是特别消耗CPU类型的，那么可以设置map数量为40，reduce数量为20。这些参数的值修改完成之后，一定要观察是否有较长等待的任务，如果有的话，可以减少数量以加快任务执行，如果设置一个很大的值，会引起大量的上下文切换，以及内存与磁盘之间的数据交换，这里没有标准的配置数值，需要根据业务和硬件配置以及经验来做出选择。 在同一时刻，不要同时运行太多的MapReduce，这样会消耗过多的内存，任务会执行的非常缓慢，我们需要根据CPU核数，内存容量设置一个MR任务并发的最大值，使固定数据量的任务完全加载到内存中，避免频繁的内存和磁盘数据交换，从而降低磁盘IO，提高性能。 |
大概估算公式：
map = 2 + ?cpu_core
reduce = 2 + ?cpu_core
3.3、Linux优化
1) 开启文件系统的预读缓存可以提高读取速度
|
$ sudo blockdev --setra 32768 /dev/sda |
尖叫提示：ra是readahead的缩写
2) 关闭进程睡眠池
即不允许后台进程进入睡眠状态，如果进程空闲，则直接kill掉释放资源
|
$ sudo sysctl -w vm.swappiness=0 |
3) 调整ulimit上限，默认值为比较小的数字
|
$ ulimit -n 查看允许最大进程数 $ ulimit -u 查看允许打开最大文件数 |
优化修改：
|
$ sudo vi /etc/security/limits.conf 修改打开文件数限制 末尾添加： * soft nofile 1024000 * hard nofile 1024000 Hive - nofile 1024000 hive - nproc 1024000
$ sudo vi /etc/security/limits.d/90-nproc.conf 修改用户打开进程数限制 修改为： #* soft nproc 4096 #root soft nproc unlimited * soft nproc 40960 root soft nproc unlimited |
4) 开启集群的时间同步NTP
集群中某台机器同步网络时间服务器的时间，集群中其他机器则同步这台机器的时间。
5) 更新系统补丁
更新补丁前，请先测试新版本补丁对集群节点的兼容性。
3.4、Zookeeper优化
1) 优化Zookeeper会话超时时间
hbase-site.xml
|
参数：zookeeper.session.timeout 解释：In hbase-site.xml, set zookeeper.session.timeout to 30 seconds or less to bound failure detection (20-30 seconds is a good start).该值会直接关系到master发现服务器宕机的最大周期，默认值为30秒（不同的HBase版本，该默认值不一样），如果该值过小，会在HBase在写入大量数据发生而GC时，导致RegionServer短暂的不可用，从而没有向ZK发送心跳包，最终导致认为从节点shutdown。一般20台左右的集群需要配置5台zookeeper。 |
3.5、HBase优化
3.5.1、预分区
每一个region维护着startRow与endRowKey，如果加入的数据符合某个region维护的rowKey范围，则该数据交给这个region维护。那么依照这个原则，我们可以将数据索要投放的分区提前大致的规划好，以提高HBase性能。
1) 手动设定预分区
|
hbase> create ‘staff‘,‘info‘,‘partition1‘,SPLITS => [‘1000‘,‘2000‘,‘3000‘,‘4000‘] |
2) 生成16进制序列预分区
|
create ‘staff2‘,‘info‘,‘partition2‘,NUMREGIONS => 15, SPLITALGO => ‘HexStringSplit‘ |
3) 按照文件中设置的规则预分区
创建splits.txt文件内容如下：
|
aaaa bbbb cccc dddd |
然后执行：
|
create ‘staff3‘,‘partition3‘,SPLITS_FILE => ‘splits.txt‘ |
4) 使用JavaAPI创建预分区
|
//自定义算法，产生一系列Hash散列值存储在二维数组中 byte[][] splitKeys = 某个散列值函数 //创建HBaseAdmin实例 HBaseAdmin hAdmin = new HBaseAdmin(HBaseConfiguration.create()); //创建HTableDescriptor实例 HTableDescriptor tableDesc = new HTableDescriptor(tableName); //通过HTableDescriptor实例和散列值二维数组创建带有预分区的HBase表 hAdmin.createTable(tableDesc, splitKeys); |
3.5.2、RowKey设计
一条数据的唯一标识就是rowkey，那么这条数据存储于哪个分区，取决于rowkey处于哪个一个预分区的区间内，设计rowkey的主要目的 ，就是让数据均匀的分布于所有的region中，在一定程度上防止数据倾斜。接下来我们就谈一谈rowkey常用的设计方案。
1) 生成随机数、hash、散列值
|
比如： 原本rowKey为1001的，SHA1后变成：dd01903921ea24941c26a48f2cec24e0bb0e8cc7 原本rowKey为3001的，SHA1后变成：49042c54de64a1e9bf0b33e00245660ef92dc7bd 原本rowKey为5001的，SHA1后变成：7b61dec07e02c188790670af43e717f0f46e8913 在做此操作之前，一般我们会选择从数据集中抽取样本，来决定什么样的rowKey来Hash后作为每个分区的临界值。 |
2) 字符串反转
|
20170524000001转成10000042507102 20170524000002转成20000042507102 |
这样也可以在一定程度上散列逐步put进来的数据。
3) 字符串拼接
|
20170524000001_a12e 20170524000001_93i7 |
3.5.3、内存优化
HBase操作过程中需要大量的内存开销，毕竟Table是可以缓存在内存中的，一般会分配整个可用内存的70%给HBase的Java堆。但是不建议分配非常大的堆内存，因为GC过程持续太久会导致RegionServer处于长期不可用状态，一般16~48G内存就可以了，如果因为框架占用内存过高导致系统内存不足，框架一样会被系统服务拖死。
3.5.4、基础优化
1) 允许在HDFS的文件中追加内容
不是不允许追加内容么？没错，请看背景故事：
http://blog.cloudera.com/blog/2009/07/file-appends-in-hdfs/
hdfs-site.xml、hbase-site.xml
|
属性：dfs.support.append 解释：开启HDFS追加同步，可以优秀的配合HBase的数据同步和持久化。默认值为true。 |
2) 优化DataNode允许的最大文件打开数
hdfs-site.xml
|
属性：dfs.datanode.max.transfer.threads 解释：HBase一般都会同一时间操作大量的文件，根据集群的数量和规模以及数据动作，设置为4096或者更高。默认值：4096 |
3) 优化延迟高的数据操作的等待时间
hdfs-site.xml
|
属性：dfs.image.transfer.timeout 解释：如果对于某一次数据操作来讲，延迟非常高，socket需要等待更长的时间，建议把该值设置为更大的值（默认60000毫秒），以确保socket不会被timeout掉。 |
4) 优化数据的写入效率
mapred-site.xml
|
属性： mapreduce.map.output.compress mapreduce.map.output.compress.codec 解释：开启这两个数据可以大大提高文件的写入效率，减少写入时间。第一个属性值修改为true，第二个属性值修改为：org.apache.hadoop.io.compress.GzipCodec或者其他压缩方式。 |
5) 优化DataNode存储
|
属性：dfs.datanode.failed.volumes.tolerated 解释： 默认为0，意思是当DataNode中有一个磁盘出现故障，则会认为该DataNode shutdown了。如果修改为1，则一个磁盘出现故障时，数据会被复制到其他正常的DataNode上，当前的DataNode继续工作。 |
6) 设置RPC监听数量
hbase-site.xml
|
属性：hbase.regionserver.handler.count 解释：默认值为30，用于指定RPC监听的数量，可以根据客户端的请求数进行调整，读写请求较多时，增加此值。 |
7) 优化HStore文件大小
hbase-site.xml
|
属性：hbase.hregion.max.filesize 解释：默认值10737418240（10GB），如果需要运行HBase的MR任务，可以减小此值，因为一个region对应一个map任务，如果单个region过大，会导致map任务执行时间过长。该值的意思就是，如果HFile的大小达到这个数值，则这个region会被切分为两个Hfile。 |
8) 优化hbase客户端缓存
hbase-site.xml
|
属性：hbase.client.write.buffer 解释：用于指定HBase客户端缓存，增大该值可以减少RPC调用次数，但是会消耗更多内存，反之则反之。一般我们需要设定一定的缓存大小，以达到减少RPC次数的目的。 |
9) 指定scan.next扫描HBase所获取的行数
hbase-site.xml
|
属性：hbase.client.scanner.caching 解释：用于指定scan.next方法获取的默认行数，值越大，消耗内存越大。 |
10) flush、compact、split机制
当MemStore达到阈值，将Memstore中的数据Flush进Storefile；compact机制则是把flush出来的小文件合并成大的Storefile文件。split则是当Region达到阈值，会把过大的Region一分为二。
涉及属性：
即：128M就是Memstore的默认阈值
|
hbase.hregion.memstore.flush.size：134217728 |
即：这个参数的作用是当单个HRegion内所有的Memstore大小总和超过指定值时，flush该HRegion的所有memstore。RegionServer的flush是通过将请求添加一个队列，模拟生产消费模型来异步处理的。那这里就有一个问题，当队列来不及消费，产生大量积压请求时，可能会导致内存陡增，最坏的情况是触发OOM。
|
hbase.regionserver.global.memstore.upperLimit：0.4 hbase.regionserver.global.memstore.lowerLimit：0.38 |
即：当MemStore使用内存总量达到hbase.regionserver.global.memstore.upperLimit指定值时，将会有多个MemStores flush到文件中，MemStore flush 顺序是按照大小降序执行的，直到刷新到MemStore使用内存略小于lowerLimit
以上是关于HBase的主要内容，如果未能解决你的问题，请参考以下文章