数据导入HBase最常用的三种方式及实践分析

要使用Hadoop,数据合并至关重要,HBase应用甚广。一般而言,需要 针对不同情景模式将现有的各种类型的数据库或数据文件中的数据转入至HBase 中。常见方式为:使用HBase的API中的Put方法; 使用HBase 的bulk load 工具;使用定制的MapReduce Job方式。《HBase Administration Cookbook》一书对这三种方式有着详尽描述,由 ImportNew 的陈晨进行了编译,很有收获,推荐给大家。

HBase数据迁移(1)-使用HBase的API中的Put方法

使用HBase的API中的Put是最直接的方法,用法也很容易学习。但针对大部分情况,它并非都是最高效的方式。当需要将海量数据在规定时间内载入HBase中时,效率问题体现得尤为明显。待处理的数据量一般都是巨大的,这也许是为何我们选择了HBase而不是其他数据库的原因。在项目开始之前,你就该思考如何将所有能够很好的将数据转移进HBase,否则之后可能面临严重的性能问题。

HBase有一个名为 bulk load的功能支持将海量数据高效地装载入HBase中。Bulk load是通过一个MapReduce Job来实现的,通过Job直接生成一个HBase的内部HFile格式文件来形成一个特殊的HBase数据表,然后直接将数据文件加载到运行的集群中。使用bulk load功能最简单的方式就是使用importtsv 工具。importtsv 是从TSV文件直接加载内容至HBase的一个内置工具。它通过运行一个MapReduce Job,将数据从TSV文件中直接写入HBase的表或者写入一个HBase的自有格式数据文件。

尽管importtsv 工具在需要将文本数据导入HBase的时候十分有用,但是有一些情况,比如导入其他格式的数据,你会希望使用编程来生成数据,而MapReduce是处理海量数据最有效的方式。这可能也是HBase中加载海量数据唯一最可行的方法了。当然我们可以使用MapReduce向HBase导入数据,但海量的数据集会使得MapReduce Job也变得很繁重。若处理不当,则可能使得MapReduce的job运行时的吞吐量很小。

在HBase中数据合并是一项频繁执行写操作任务,除非我们能够生成HBase的内部数据文件,并且直接加载。这样尽管HBase的写入速度一直很快,但是若合并过程没有合适的配置,也有可能造成写操作时常被阻塞。写操作很重的任务可能引起的另一个问题就是将数据写入了相同的族群服务器(region server),这种情况常出现在将海量数据导入到一个新建的HBase中。一旦数据集中在相同的服务器,整个集群就变得不平衡,并且写速度会显著的降低。我们将会在本文中致力于解决这些问题。我们将从一个简单的任务开始,使用API中的Put方法将MySQL中的数据导入HBase。接着我们会描述如何使用 importtsv 和 bulk load将TSV数据文件导入HBase。我们也会有一个MapReduce样例展示如何使用其他数据文件格式来导入数据。上述方式都包括将数据直接写入HBase中,以及在HDFS中直接写入HFile类型文件。本文中最后一节解释在向HBase导入数据之前如何构建好集群。本文代码均是以Java编写,我们假设您具有基本Java知识,所以我们将略过如何编译与打包文中的Java示例代码,但我们会在示例源码中进行注释。

通过单个客户端导入MySQL数据

数据合并最常见的应用场景就是从已经存在的关系型数据库将数据导入到HBase中。对于此类型任务,最简单直接的方式就是从一个单独的客户端获取数据,然后通过HBase的API中Put方法将数据存入HBase中。这种方式适合处理数据不是太多的情况。

本节描述的是使用Put方法将MySQL数据导入HBase中的方式。所有的操作均是在一个单独的客户端执行,并且不会使用到MapReduce。本节将会带领你通过HBase Shell创建HBase表格,通过Java来连接集群,并将数据导入HBase。

准备

公共数据集合是个练习HBase数据合并的很好数据源。互联网上有很多公共数据集合。我们在本文中奖使用 “美国国家海洋和大气管理局 1981-2010气候平均值”的公共数据集合。访问http://www1.ncdc.noaa.gov/pub/data/normals/1981-2010/下载。

这些气候报表数据是由美国国家海洋和大气管理局(NOAA)生成的。在本文中,我们使用在目录 products | hourly 下的小时温度数据(可以在上述链接页面中找到)。下载hly-temp-normal.txt文件。

需要一个MySQL实例,在MySQL数据库中创建hly_temp_normal表格,使用如下的SQL命令:

[sql] view plaincopy在CODE上查看代码片派生到我的代码片

create table hly_temp_normal (

id INT NOT NULL AUTO_INCREMENT PRIMARY KEY,

stnid CHAR(11),

month TINYINT,

day TINYINT,

value1 VARCHAR(5),

value2 VARCHAR(5),

value3 VARCHAR(5),

value4 VARCHAR(5),

value5 VARCHAR(5),

value6 VARCHAR(5),

value7 VARCHAR(5),

value8 VARCHAR(5),

value9 VARCHAR(5),

value10 VARCHAR(5),

value11 VARCHAR(5),

value12 VARCHAR(5),

value13 VARCHAR(5),

value14 VARCHAR(5),

value15 VARCHAR(5),

value16 VARCHAR(5),

value17 VARCHAR(5),

value18 VARCHAR(5),

value19 VARCHAR(5),

value20 VARCHAR(5),

value21 VARCHAR(5),

value22 VARCHAR(5),

value23 VARCHAR(5),

value24 VARCHAR(5)

);

本文提供了一些脚本将txt中的数据导入到MySQL表中。你可以使用 insert_hly.py 来加载每小时的NOAA数据。只需要修改脚本中的主机(host),用户(user),密码(password)以及数据名称(database name)。完成修改后就能够将下载的hly-temp-normal.txt数据导入到mysql的hly_temp_normal 表中,使用命令如下:

$ python insert_hly.py -f hly-temp-normal.txt -t hly_temp_normal

译者注:此处给出python脚本下载地址(https://github.com/uprush/hac-book/blob/master/2-data-migration/script/insert_hly.py)

(译者注:由于对于python的了解有限以及环境限制,所以单独另写了一段Java的代码,可以直接使用的:

[java] view plaincopy在CODE上查看代码片派生到我的代码片

import java.io.FileInputStream; import java.io.IOException; import java.io.InputStreamReader;

import java.io.Reader; import java.sql.Connection; import java.sql.DriverManager;

import java.sql.PreparedStatement; import java.sql.SQLException; import

java.util.ArrayList; import java.util.List; public class InsertHly { static

String user="root"; static String pwd="root123"; static String driver="com.mysql.jdbc.Driver";

static String url="jdbc:mysql://127.0.0.1:3306/htom?useUnicode=true&characterEncoding=UTF-8";

public static void main(String[] args) throws SQLException { Connection

baseCon = null; String sqlStr="insert into hly_temp_normal (stnid,month,day,value1,value2,value3,value4,value5,value6,value7,value8,value9,value10,value11,value12,value13,value14,value15,value16,value17,value18,value19,value20,value21,value22,value23,value24)

values (?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?)"; List parasValues=new

ArrayList(); try { baseCon = DriverManager.getConnection(url, user, pwd);

} catch (SQLException e) { // TODO Auto-generated catch block e.printStackTrace();

} // 替换为文件地址 String allRowsStr=readFileByChars("d:\\TestZone\\hly-temp-normal.txt",

"gbk"); String[] rows=allRowsStr.split("\n"); for(String row : rows){ parasValues.add(row.split("\\s+"));

} PreparedStatement basePsm = null; try { baseCon.setAutoCommit(false);

basePsm = baseCon.prepareStatement(sqlStr); for (int i = 0; i < parasValues.size();

i++) { Object[] parasValue = parasValues.get(i); for (int j = 0; j <

parasValue.length; j++) { basePsm.setObject(j + 1, parasValue[j]); } basePsm.addBatch();

} basePsm.executeBatch(); baseCon.commit(); } catch (SQLException e) {

baseCon.rollback(); throw e; } finally { if (basePsm != null) { basePsm.close();

basePsm = null; } if (baseCon != null) { baseCon.close(); } } } public

static String readFileByChars(String fileName, String enc) { StringBuffer

content=new StringBuffer(); Reader reader = null; try { // 一次读多个字符 char[]

tempchars = new char[30]; int charread = 0; reader = new InputStreamReader(new

FileInputStream(fileName),enc); // 读入多个字符到字符数组中,charread为一次读取字符数 while

((charread = reader.read(tempchars)) != -1) { // 同样屏蔽掉\r不显示 if ((charread

== tempchars.length) && (tempchars[tempchars.length - 1] != '\r'))

{ content.append(tempchars); } else { for (int i = 0; i < charread;

i++) { if (tempchars[i] == '\r') { continue; } else { content.append(tempchars[i]);

} } } } return content.toString(); } catch (Exception e1) { e1.printStackTrace();

} finally { if (reader != null) { try { reader.close(); } catch (IOException

e1) { } } } return null; } } )

为使得下一节中的Java源码能够编译,你需要下列库支持:

hadoop-core-1.0.2.jar

hbase-0.92.1.jar

mysql-connector-java-5.1.18.jar

你可以将他们手动加入classpath中,或者使用本文中的可用的示例代码。

在导入数据之前,确认HDFS, ZooKeeper,和HBase集群均正常运行。在HBase的客户端节点记录日志。

如何实施

通过单节点客户端将数据从MySQL导入HBase:

1.从HBase的客户端服务器从过HBase的Shell命令行,连接到HBase的集群。

hadoop$ $HBASE_HOME/bin/hbase shell

2.在HBase中创建 hly_temp 表

hbase> create ‘hly_temp’, {NAME => ‘n’, VERSIONS => 1}

3.写一个Java程序将数据从MySQL中导入HBase,并将其打包成jar。在Java中按照下列步骤导入数据:

i. 使用Java创建一个connectHBase() 方法来连接到指定的HBase表:

$ vi Recipe1.java

[java] view plaincopy在CODE上查看代码片派生到我的代码片

private static HTable connectHBase(String tablename) \

throws IOException {

HTable table = null;

Configuration conf = HBaseConfiguration.create();

table = new HTable(conf, tablename);

return table;

}

ii. 使用Java创建一个 connectDB() 方法来 MySQL :

$ vi Recipe1.java

[java] view plaincopy在CODE上查看代码片派生到我的代码片

private static Connection connectDB() \

throws Exception {

String userName = "db_user";

String password = "db_password";

String url = "jdbc:mysql://db_host/database";

Class.forName("com.mysql.jdbc.Driver").newInstance();

Connection conn = DriverManager.getConnection(url,

userName, password);

return conn;

}

此处是Java类中的main() 方法,在其中我们从MySQL获取数据并存入HBase中:

$ vi Recipe1.java

[java] view plaincopy在CODE上查看代码片派生到我的代码片

public class Recipe1 {

public static void main(String[] args) {

Connection dbConn = null;

HTable htable = null;

Statement stmt = null;

String query = "select * from hly_temp_normal";

try {

dbConn = connectDB();

htable = connectHBase("hly_temp");

byte[] family = Bytes.toBytes("n");

stmt = dbConn.createStatement();

ResultSet rs = stmt.executeQuery(query);

// time stamp for all inserted rows

// 所有插入数据的时间戳

long ts = System.currentTimeMillis();

while (rs.next()) {

String stationid = rs.getString("stnid");

int month = rs.getInt("month");

int day = rs.getInt("day");

String rowkey = stationid + Common.lpad(String.

valueOf(month), 2,

'0') + Common.lpad(String.valueOf(day), 2, '0');

Put p = new Put(Bytes.toBytes(rowkey));

// get hourly data from MySQL and put into hbase

//从MySQL中获取小时数据并存入HBase

for (int i = 5; i < 29; i++) {

String columnI = "v" + Common.lpad

(String.valueOf(i - 4), 2, '0');

String valueI = rs.getString(i);

p.add(family, Bytes.toBytes(columnI), ts,

Bytes.toBytes(valueI));

}

htable.put(p);

}

} catch (Exception e) {

e.printStackTrace();

} finally {

try {

if (stmt != null) {

stmt.close();

}

if (dbConn != null) {

dbConn.close();

}

if (htable != null) {

htable.close();

}

} catch (Exception e) {

// ignore

}

}

}

}

4.运行导入任务,下面的脚本就是用于执行JAR文件:

[java] view plaincopy在CODE上查看代码片派生到我的代码片

#/bin/bash

bin=`dirname $0`

bin=`cd $bin;pwd`

cp=$HBASE_HOME/conf:$HBASE_HOME/hbase-0.92.1.jar:$bin/build/hac-

chapter2.jar

for jar in $bin/lib/*.jar

do

cp=$cp:$jar

done

for jar in $HBASE_HOME/lib/*.jar

do

cp=$cp:$jar

done

$JAVA_HOME/bin/java -classpath $cp “hac.chapter2.Recipe1″

5.验证HBase中导入的数据,通过HBase的Shell连接至HBase:

hadoop$ $HBASE_HOME/bin/hbase shell

6.验证数据已经被导入了HBase的对应表中:

hbase> count ‘hly_temp’

95630 row(s) in 8.9850 seconds

hbase> scan ‘hly_temp’, {LIMIT => 10}

AQW000617050110 column=n:v23,

timestamp=1322958813521, value=814S

AQW000617050110 column=n:v24,

timestamp=1322958813521, value=811C

10 row(s) in 0.6730 seconds

运行原理

在步骤1和2中,我们在HBase中创建了目标表用于插入数据。目标表名称为hly_temp,且只有单个列族(column family) n。我们将列族名称设计为一个字母的原因,是因为列族名称会存储在HBase的每个键值对中。使用短名能够让数据的存储和缓存更有效率。我们只需要保留一个版本的数据,所以为列族指定VERSION属性。

在Java代码中,为了连接到HBase,我们首先创建一个配置(Configuration )对象,使用该对象创建一个HTable实例。这个HTable对象用于处理所有的客户端API调用。如你所见,我们在代码没有设置任何ZooKeeper或HBase的连接配置。所以程序该如何连接到运行的HBase集群呢?这或许是因为我们在步骤4中将 $HBase/conf目录添加到classpath中了。通过上述设置,HBase的客户端API会classpath中的hbase-site.xml加载配置信息。连接配置信息在hbase-site.xml中设置。

在使用JDBC中MySQL中获取数据之后,我们循环读取结果集,将MySQL中的一行映射为HBase表中的一行。此处我们使用stationid,月份和日期栏位来生成HBase数据的row key。我们在月份和日期左边也填充0,补足2位数。这样做很重要,因为HBase的row key是按照字典排序的,意味着12将排序在2之前,这样可能会导致一些意外的情况发生。

我们创建了Put对象,利用row key添加一行数据。每小时的数据的添加需要调用Put.add()方法,传入参数包括列族(column family), 限定符(qualifier),时间戳( timestamp), and 值(value)。再次声明,我们使用很短的列族名称能够让存储数据更高效。所有的数据都被添加之后,我们调用HTable.put() 方法会将数据保存进HBase的table中。

最后,所有打开的资源都需要手动关闭。我们在代码中的final块中结束了MySQL和HBase的连接,这样确保即时导入动作中抛出异常仍然会被调用到。

你能够通过对比MySQL和HBase的数据行数来验证导入是否正确。你可以在扫描(scan)结果集中发现数据都准确的导入了HBase。

时间: 2014-12-17

数据导入HBase最常用的三种方式及实践分析的相关文章

Excel表格中常用的三种数据转置的方法

  Excel表格中常用的三种数据转置的方法          如下图所示,需要将A2:B9的内容,转变为D列的样子. 思考一下,有几种方法能实现呢? 这个题目乍一看是有点难度的高大上,是不是啊? 1.VBA代码法 按Ctrl+F11,打开VBE编辑器,在代码窗口中写上以下代码: Sub run() For i = 1 To 8 Cells(2 + (i - 1) * 2, 4) = Cells(i + 1, 1) Cells(3 + (i - 1) * 2, 4) = Cells(i + 1,

C语言常用的三种排序方法总结与探讨

排序是程序设计中非常重要的内容,它的功能是将一组无序的的数据,排列成有序的数据序列,经过排列后的数据,要么是从大到小排列,要么是从小到大排列.一般也只有这两种情况. 例如我们统计班级学生的成绩,那么一般是按照学号来进行统计,原来成绩是无序排列的,这样的话非常不适合于我们对成绩的查询,那么一般我们进行成绩查询之前,先进行排序,如按照高分到低分的排序,这样可以很快地查出本班的最高分和最低分,和成绩比较靠前或靠后的学生. 排序有很多种方法,常用的有三种:冒泡排序.选择排序.插入排序等,下面我们就对这三

c#数据库存取图片的三种方式

第一种方式   文件夹与数据库配合 近来做了不少关于这块的功能 ,随着网络的飞速发展,网络存取图片已不再是神话,而成为了一种时尚,如果是你 是用Asp.net开发的话,可能更多的人会考虑使用数据库存储图片的路经,而在文件夹是存储图片的方式.这种方式主要的方法有两个一个就是怎么样读取图片,怎么样存储图上,读取的话我就不多说的这个是最简单的了,只要大家把地址=给存储图片的对象就行了,在取的时候一般要使用相对地址也就是"~" 如下所: ImageUrl="../CardDeal/S

SpringMVC返回json数据的三种方式_javascript技巧

Spring MVC属于SpringFrameWork的后续产品,已经融合在Spring Web Flow里面.Spring 框架提供了构建 Web 应用程序的全功能 MVC 模块.使用 Spring 可插入的 MVC架构,从而在使用Spring进行WEB开发时,可以选择使用Spring的SpringMVC框架或集成其他MVC开发框架,如Struts1,Struts2等. 1.第一种方式是spring2时代的产物,也就是每个json视图controller配置一个Jsoniew. 如:<bean

一起谈.NET技术,c#数据库存取图片的三种方式

第一种方式   文件夹与数据库配合 近来做了不少关于这块的功能 ,随着网络的飞速发展,网络存取图片已不再是神话,而成为了一种时尚,如果是你 是用Asp.net开发的话,可能更多的人会考虑使用数据库存储图片的路经,而在文件夹是存储图片的方式.这种方式主要的方法有两个一个就是怎么样读取图片,怎么样存储图上,读取的话我就不多说的这个是最简单的了,只要大家把地址=给存储图片的对象就行了,在取的时候一般要使用相对地址也就是"~" 如下所: ImageUrl="../CardDeal/S

搜索引擎常用的三种网站排序算法

搜索引擎如何对互联网上那么多的网站进行合适的排名?想必做站长的都想知道这一点,这是通过一套非常繁琐复杂的算法计算出来的,具体的算法想必没有几个人知道,但是最常用的三种算法还是需要大家去了解一下的. 1.词频位置加权排序算法:顾名思义是说从整个网站上的文字的位置上与出现的次数进行排序,先来说一下位置,不同的网站关键词在内容里出现与在标题里面出现时差别非常大的,搜索引擎认为标题能表现出一个网站是干什么的,如果标题里面出现了关键词要远比文章里面出现关键词重要的多的多.这就是现在大家都知道一个网站的标题

android sqlite使用之模糊查询数据库数据的三种方式

android应用开发中常常需要记录一下数据,而在查询的时候如何实现模糊查询呢?很少有文章来做这样的介绍,所以这里简单的介绍下三种sqlite的模糊查询方式,直接上代码把: package com.example.utils; import java.util.ArrayList; import android.content.ContentValues; import android.content.Context; import android.database.Cursor; import

sqoop将oracle数据导入hbase的问题,求各位大神们指导

问题描述 sqoop将oracle数据导入hbase的问题,求各位大神们指导 sqoop将oracle数据导入hbase,要求可以Java连接服务器上的sqoop,sqoop1可以直接实现但是没有Java client的API,sqoop2 有client但是不能直接实现oracle到hbase,这是我得出的结论,请教大神们,有没有好的方法?

iOS开发中UIWebView的加载本地数据的三种方式_IOS

UIWebView是IOS内置的浏览器,可以浏览网页,打开文档 html/htm pdf docx txt等格式的文件. safari浏览器就是通过UIWebView做的. 服务器将MIME的标识符等放入传送的数据中告诉浏览器使用那种插件读取相关文件. uiwebview加载各种本地文件(通过loadData方法): UIWebView加载内容的三种方式: 1 加载本地数据文件 指定文件的MIMEType 编码格式使用@"UTF-8" 2加载html字符串(可以加载全部或者部分html