协处理器HBase Coprocessor

@Author  : Spinach | GHB
@Link    : http://blog.csdn.net/bocai8058

起源

Hbase 作为列族数据库最经常被人诟病的特性包括：无法轻易建立“二级索引”，难以执行求和、计数、排序等操作。比如，在旧版本的(<0.92)Hbase 中，统计数据表的总行数，需要使用Counter方法，执行一次MapReduce Job才能得到。

虽然HBase在数据存储层中集成了MapReduce，能够有效用于数据表的分布式计算。然而在很多情况下，做一些简单的相加或者聚合计算的时候，如果直接将计算过程放置在server端，能够减少通讯开销，从而获得很好的性能提升。

于是，HBase在0.92之后引入了协处理器(coprocessors)，实现一些激动人心的新特性：能够轻易建立二次索引、复杂过滤器(谓词下推)以及访问控制等。

两种类型：Observer和Endpoint

Observer

Observer类似于传统数据库中的触发器，当发生某些事件的时候这类协处理器会被 Server端调用。Observer Coprocessor就是一些散布在HBase Server端代码中的hook钩子，在固定的事件发生时被调用。

比如：put操作之前有钩子函数prePut，该函数在put操作执行前会被Region Server调用；在put操作之后则有postPut钩子函数。

以HBase0.92版本为例，它提供了三种观察者接口：
- RegionObserver：提供客户端的数据操纵事件钩子：Get、Put、Delete、Scan 等。
- WALObserver：提供WAL相关操作钩子。
- MasterObserver：提供DDL类型的操作钩子。如创建、删除、修改数据表等。到0.96版本又新增一个RegionServerObserver。

下图是以RegionObserver为例子讲解Observer这种协处理器的原理：

Endpoint

Endpoint协处理器类似传统数据库中的存储过程，客户端可以调用这些Endpoint协处理器执行一段Server端代码，并将Server端代码的结果返回给客户端进一步处理，最常见的用法就是进行聚集操作。如果没有协处理器，当用户需要找出一张表中的最大数据，即max聚合操作，就必须进行全表扫描，在客户端代码内遍历扫描结果，并执行求最大值的操作。这样的方法无法利用底层集群的并发能力，而将所有计算都集中到Client端统一执行，势必效率低下。利用Coprocessor，用户可以将求最大值的代码部署到HBase Server端，HBase将利用底层cluster的多个节点并发执行求最大值的操作。即在每个Region范围内执行求最大值的代码，将每个Region的最大值在Region Server端计算出，仅仅将该max值返回给客户端。在客户端进一步将多个Region的最大值进一步处理而找到其中的最大值。这样整体的执行效率就会提高很多。

下图是 EndPoint 的工作原理：

协处理器加载方式

协处理器的加载方式有两种，我们称之为静态加载方式（Static Load）和动态加载方式（Dynamic Load）。静态加载的协处理器称之为 System Coprocessor，动态加载的协处理器称之为 Table Coprocessor

静态加载方式（Static Load）

//修改hbase-site.xml文件
//启动全局aggregation，能过操纵所有的表上的数据。只需要添加如下代码：

<property>
<name>hbase.coprocessor.user.region.classes</name>
<value>org.apache.hadoop.hbase.coprocessor.AggregateImplementation</value>
</property>

动态加载方式（Dynamic Load）

//启用表aggregation，只对特定的表生效。通过HBase Shell来实现。

//disable指定表。 
hbase> disable 'mytable'
//添加aggregation
hbase> alter 'mytable', METHOD => 'table_att','coprocessor'=>'|org.apache.Hadoop.hbase.coprocessor.AggregateImplementation||'

# 解释：coprocessor的四个参数，分别用‘|’隔开
1. 你的协处理器jar包所在hdfs上的路径
2. 协处理器类全限定名
3. 协处理器加载顺序
4. 传参

//重启指定表 
hbase> enable 'mytable'

//卸载需要以下三步：
disable 'mytable'
alter 'mytable', METHOD =>'table_att', NAME => 'coprocessor$1'
enable 'mytable'

二级索引案例

row key在HBase中是以B+ tree结构化有序存储的，所以scan起来会比较效率。单表以row key存储索引，column value存储id值或其他数据，这就是Hbase索引表的结构。

由于 HBase 本身没有二级索引（Secondary Index）机制，基于索引检索数据只能单纯地依靠RowKey，为了能支持多条件查询，开发者需要将所有可能作为查询条件的字段一一拼接到 RowKey中，这是HBase开发中极为常见的做法

在社交类应用中，经常需要快速检索各用户的关注列表guanzhu，同时，又需要反向检索各种户的粉丝列表fensi，为了实现这个需求，最佳实践是建立两张互为反向的表：

//一个表为正向索引关注表：“guanzhu”
Rowkey  ： a
f1：from   b

//另一个表为反向索引粉丝表：“fensi”
Rowkey  ： b
f1：from   a

插入一条关注信息时，为了减轻应用端维护反向索引表的负担，可用 Observer 协处理器实现：

总结

Observer 允许集群在正常的客户端操作过程中可以有不同的行为表现；
Endpoint 允许扩展集群的能力，对客户端应用开放新的运算命令；
Observer 类似于RDBMS中的触发器，主要在服务端工作；
Endpoint 类似于RDBMS中的存储过程，主要在client端工作；
Observer 可以实现权限管理、优先级设置、监控、ddl 控制、二级索引等功能；
Endpoint 可以实现min、max、avg、sum、distinct、group by等功能；

引用：https://www.cnblogs.com/liuwei6/p/6837674.html