HBase BulkLoad概述

直接用put命令将海量数据导入至HBase会耗费大量时间（HFile合并、Region分割等），而且用原生的put命令导入海量数据，会占用HRegionServer很多资源，HBase集群会变得压力山大，集群基本对外丧失写的能力。

其实HBase中数据以HFile文件的形式存储于HDFS，所以我们可以绕过HBase put API，直接将数据加工成HFile文件，再将其加载到Hyperbase中，从而完成大规模数据的快速入库。

BulkLoad实现路线（技术选型）

原生BulkLoad需要编写mapreduce代码，对数据文件进行处理，通过HBase提供的api转为HFile。但这里我们选用HyperBase+Inceptor的方式实现BulkLoad，它底层其实是将SQL命令转为mapreduce任务。整体流程：

对数据集预分Region，获取SplitKey - > 根据SplitKey创建HyperDrive表，预分Region -> 将数据转为HFile文件并加载至HBase -> 为Index数据划分Region，Rebuild Index。

rebuild索引的操作大家参考此篇博文：

HBase二级索引实践

废话不多说，开搞：

准备数据

将数据文件上传至HDFS。

hadoop fs -mkdir -p /tmp/jbw/bulkLoadData
hadoop fs -put data.csv /tmp/jbw/bulkLoadData

根据SplitKey预分Region

观察数据，发现id编号从10000000到19999999，一共10000000条数据，故在预分Region环节，建表DDL如下。

此过程即预先定义最终HBase表实际分布式存储的结构（划分多少个Region）

drop table if exists hyper_table;

-- 此表在后续会从外表中查询并导入数据
create table hyper_table
(rowkey string
  , num int
  , country int
  , rd string)
stored as hyperdrive
tblproperties('hyperdrive.table.splitkey' = '"110000000",
              "120000000",
              "130000000",
              "140000000",
              "150000000",
              "160000000",
              "170000000",
              "180000000",
              "190000000"'
);

导入HDFS上数据至外表

创建外表，从HDFS中导入数据至外表。

drop table if exists hyper_external_table;
create external table hyper_external_table
(rowkey string
  , num int
  , country int
  , rd string)
row format delimited fields terminated by ','
location '/tmp/jbw/bulkLoadData';

导入过程挺快的，千万条数据，秒级导入。

使用BulkLoad方式从数据外表中导入至最终HBase表

-- 用bulkload方式导入预先分好region的hyper_table表中
insert overwrite table hyper_table
select
    /*+ USE_BULKLOAD */
    rowkey
     , num
     , country
     , rd
from
    hyper_external_table
order by
     rowkey;

利用SQL BulkLoad方式，我们仅用了32秒即完成了千万条数据的导入。

查询可见，数据均以成功导入。

好了，可以发现用BulkLoad黑科技导入数据至HBase，既方便又快捷，生产环境海量数据入库，基本都是使用此方式。

HBase系列(三)：利用SQL BulkLoad快速导入海量数据