尽管在将文本文件加载入HBase时importtsv工具十分高效，但在许多情况下为了完全控制整个加载过程，你可能更想自己编写MapReduce Job向HBase导入数据。例如在你希望加载其他格式文件时不能使用importtsv工具。
HBase提供TableOutputFormat 用于在MapReduce Job中向HBase的表中写入数据。你也可以使用HFileOutputFormat 类在MapReduce Job中直接生成HBase自有格式文件HFile，之后使用上一篇（迁移2）中提到的completebulkload 工具加载至运行的HBase集群中。在本文中，我们将详细解释如何编写自己的MapReduce Job来加载数据。我们会先介绍如何使用TableOutputFormat，在更多章节中介绍在MapReduce Job中直接生成HBase自有格式文件HFile。
准备
我们本文中使用 “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/。 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。对于下载的数据文件无需进行格式处理，我们将使用MapReduce直接读取原始数据。
我们假设您的环境已经可以在HBase上运行MapReduce。若还不行，你可以参考一下之前的文章（迁移1、迁移2）。
如何实施
1.将原始数据从本地文件系统拷贝进HDFS：
|
1
2
3
|
hac@client1$ $HADOOP_HOME
/bin/hadoop
fs -
mkdir
/user/hac/input/2-3
hac@client1$ $HADOOP_HOME
/bin/hadoop
fs -copyFromLocal hly-temp-normal.tsv
/user/hac/input/2-3
|
2.编辑客户端服务器上的hadoop-env.sh文件，将HBase的JAR文件加入Hadoop的环境变量中：
|
1
2
3
|
hadoop@client1$
vi
$HADOOP_HOME
/conf/hadoop-env
.sh
export
HADOOP_CLASSPATH=
/usr/local/hbase/current/hbase-0
.92.1.jar
|
3.编写MapReduce的Java代码并且打包为JAR文件。Java源码如下：
|
1
|
$
vi
Recipe3.java
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
|
public
class
Recipe3 {
public
static
Job createSubmittableJob
(Configuration conf, String[] args)
throws
IOException {
String tableName = args[
0
];
Path inputDir =
new
Path(args[
1
]);
Job job =
new
Job (conf,
"hac_chapter2_recipe3"
);
job.setJarByClass(HourlyImporter.
class
);
FileInputFormat.setInputPaths(job, inputDir);
job.setInputFormatClass(TextInputFormat.
class
);
job.setMapperClass(HourlyImporter.
class
);
// ++++ insert into table directly using TableOutputFormat ++++
// ++++ 使用TableOutputFormat 直接插入表中++++
TableMapReduceUtil.initTableReducerJob(tableName,
null
, job);
job.setNumReduceTasks(
0
);
TableMapReduceUtil.addDependencyJars(job);
return
job;
}
public
static
void
main(String[] args)
throws
Exception {
Configuration conf =
HBaseConfiguration.create();
Job job = createSubmittableJob(conf, args);
System.exit (job.waitForCompletion(
true
) ?
0
:
1
);
}
}
|
4.在Recipe3.java中添加一个内部类。作为MapReduce Job的mapper类：
|
1
|
$
vi
Recipe3.java
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
|
static
class
HourlyImporter
extends
Mapper<LongWritable, Text, ImmutableBytesWritable, Put> {
private
long
ts;
static
byte
[] family = Bytes.toBytes(
"n"
);
@Override
protected
void
setup(Context context) {
ts = System.currentTimeMillis();
}
@Override
public
void
map(LongWritable offset, Text value, Context
context)
throws
IOException {
try
{
String line = value.toString();
String stationID = line.substring(
0
,
11
);
String month = line.substring(
12
,
14
);
String day = line.substring(
15
,
17
);
String rowkey = stationID + month + day;
byte
[] bRowKey = Bytes.toBytes(rowkey);
ImmutableBytesWritable rowKey =
new
ImmutableBytesWritable(bRowKey);
Put p =
new
Put(bRowKey);
for
(
int
i =
1
; i <
25
; i++) {
String columnI =
"v"
+ Common.lpad(String.valueOf(i),
2
,
'0'
);
int
beginIndex = i *
7
+
11
;
String valueI =
line.substring(beginIndex, beginIndex +
6
).trim();
p.add(family, Bytes.toBytes(columnI),
ts, Bytes.toBytes(valueI));
}
context.write(rowKey, p);
}
catch
(InterruptedException e) {
e.printStackTrace();
}
}
}
}
|
5.为了能够运行MapReduce Job需要将源码打包为JAR文件，并且从客户端使用hadoop jar命令：
|
1
2
3
4
5
6
7
|
hac@client1$ $HADOOP_HOME
/bin/hadoop
jar hac-chapter2.jar hac.
chapter2.Recipe3 \
hly_temp \
/user/hac/input/2-3
|
检查结果。MapReduce job的运行结果应当显示下内容：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
13
/03/27
17:42:40 INFO mapred.JobClient: Map-Reduce Framework
13
/03/27
17:42:40 INFO mapred.JobClient: Map input records=95630
13
/03/27
17:42:40 INFO mapred.JobClient: Physical memory (bytes) snapshot=239820800
13
/03/27
17:42:40 INFO mapred.JobClient: Spilled Records=0
13
/03/27
17:42:40 INFO mapred.JobClient: CPU
time
spent (ms)=124530
13
/03/27
17:42:40 INFO mapred.JobClient: Total committed heap usage (bytes)=130220032
13
/03/27
17:42:40 INFO mapred.JobClient: Virtual memory (bytes) snapshot=1132621824
13
/03/27
17:42:40 INFO mapred.JobClient: Map input bytes=69176670
13
/03/27
17:42:40 INFO mapred.JobClient: Map output records=95630
13
/03/27
17:42:40 INFO mapred.JobClient: SPLIT_RAW_BYTES=118
|
Map的输入记录数应当与输入路径下的文件内容总行数相同。Map输出记录数应当与输入记录数相同（本文中）。你能够在HBase中使用 count/scan命令来验证上述结果
运行原理
为了运行MapReduce Job，我们首先在createSubmittableJob()方法中构建一个Job实例。实例建立后，我们对其设置了输入路径，输入格式以及mapper类。之后，我们调用了TableMapReduceUtil.initTableReducerJob() 对job进行适当配置。包括，加入HBase配置，设置TableOutputFormat，以及job运行需要的一些依赖的添加。在HBase上编写MapReduce程序时，TableMapReduceUtil 是一个很有用的工具类。
主函数中调用 job.waitForCompletion() 能够将Job提交到MapReduce框架中，直到运行完成才退出。运行的Job将会读取输入路径下的所有文件，并且将每行都传入到mapper类(HourlyImporter)。
在map方法中，转换行数据并生成row key，建立Put对象，通过Put.add()方法将转换后的数据添加到对应的列中。最终调用context.write()方法将数据写入HBase表中。本例中无需reduce阶段。
如你所见，编写自定义的MapReduce Job来向HBase插入数据是很简单的。程序与直接在单台客户端使用HBase API类似。当面对海量数据时，我们建议使用MapReduce来向HBase中导入数据。
其他
使用自定义的MapReduce Job来向HBase加载数据在大部分情况下都是合理的。但是，如果你的数据是极大量级的，上述方案不能很好处理时。还有其他方式能够更好的处理数据合并问题。
在MapReduce中生成HFile
除了直接将数据写入HBase表，我们还可以在MapReduce Job中直接生成HBase自有格式HFile，然后使用completebulkload 工具将文件加载进集群中。这个方案将比使用TableOutputFormat API更加节省CPU与网络资源：
1.修改Job配置。要生成HFile文件，找到createSubmittableJob()的下面两行：
|
1
2
3
|
TableMapReduceUtil.initTableReducerJob(tableName,
null
, job);
job.setNumReduceTasks(
0
);
|
2.替换代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
HTable table =
new
HTable(conf, tableName);
job.setReducerClass(PutSortReducer.
class
);
Path outputDir =
new
Path(args[
2
]);
FileOutputFormat.setOutputPath(job, outputDir);
job.setMapOutputKeyClass(ImmutableBytesWritable.
class
);
job.setMapOutputValueClass(Put.
class
);
HFileOutputFormat.configureIncrementalLoad (job, table);
|
3.在命令行添加输出地址参数。编译并打包源码，然后在运行任务的命令行添加输出地址参数：
|
1
2
3
4
5
6
7
8
9
|
hac@client1$ $HADOOP_HOME
/bin/hadoop
jar hac-chapter2.jar hac.
chapter2.Recipe3 \
hly_temp \
/user/hac/input/2-3
\
/user/hac/output/2-3
|
4.完成bulk load：
|
1
2
3
4
5
6
7
|
hac@client1$ $HADOOP_HOME
/bin/hadoop
jar $HBASE_HOME
/hbase-
0.92.1.jar completebulkload \
/user/hac/output/2-3
\
hly_temp
|
步骤1中，我们修改了源码中的job配置。我们设置job使用由HBase提供的PutSortReducer reduce类。这个类会在数据行写入之前对列进行整理。HFileOutputFormat.configureIncrementalLoad() 方法能够为生成HFile文件设置适当的参数。
在步骤2中的job运行完成之后，自有HFile格式文件会生成在我们指定的输出路径。文件在列族目录2-3/n之下，将会使用completebulkload 加载到HBase集群中。
在MapReduce Job执行过程中，如果你在浏览器中打开HBase的管理界面，会发现HBase没有发出任何请求。这表明这些数据不是直接写入HBase的表中。
影响数据合并的重要配置
如果你在MapReduce Job使用TableOutputFormat 类将数据直接写入HBase表中，是一个十分繁重的写操作。尽管HBase是设计用于快速处理写操作，但下面的这些还是你可能需要调整的重要的配置：
- JVM的堆栈和GC设置
- 域服务器处理数量
- 最大的域文件数量
- 内存大小
- 更新块设置
你需要了解HBase架构的基本知识来理解这些配置如何影响HBase的写性能。以后我们会进行详细的描述。
Hadoop和HBase会生成若干日志。当集群中的MapReduce Job加载数据时存在某些瓶颈或障碍时，检查日志可以给你一些提示。下面是一些比较重要的日志：
- Hadoop/HBase/ZooKeeper的守护进程的GC日志
- HMaster守护进程的日志
在将数据转移至HBase之前预先搭建域
HBase的每行数据都归属一个特定的域中。一个域中包含了一定范围内的排序号的HBase的数据行。域是由域服务器发布和管理的。
当我们在HBase中建立一个表后，该表会在一个单独的域启动。所有插入该表的数据都会首先进入这个域中。数据持续插入，当到达一个极限之后，域会被分为两份。称之为域的分离。分离的域会分布到其他域服务器上，以达到集群中的负载能够均衡。
如你所想，若我们能够将表初始化在预先建好的域上，使用合适的算法，数据加载的负载会在整个集群中平衡，并且加快了数据加载的速度。
我们将描述如何用预先建好的域来建立一个表。
准备
登入HBase的客户端节点
如何实施
在客户端节点上执行如下命令：
|
1
2
3
4
5
6
7
8
9
|
$ $HBASE_HOME
/bin/hbase
org.apache.hadoop.hbase.util.RegionSplitter -c 10 -f n hly_temp2
12
/04/06
23:16:32 DEBUG util.RegionSplitter: Creating table hly_temp2 with 1 column families. Presplitting to 10 regions
…
12
/04/06
23:16:44 DEBUG util.RegionSplitter: Table created! Waiting
for
regions to show online
in
META...
12
/04/06
23:16:44 DEBUG util.RegionSplitter: Finished creating table with 10 regions
|
运行原理
命令行调用了RegionSplitter 类，并且附带如下参数：
- -c 10—用预先分割的10个域来建立这个表
- -f n—建立一个名叫n的列族
- hly_temp2— 表名
在浏览器中打开HBase管理界面，在用户表中点击hly_temp2，你可以看到预先建立的10个域。
RegionSplitter 是HBase提供的一个工具类。使用RegionSplitter 你可以做下面这些事情：
- 使用具体数量的预建域来建立一个表。
- 能够将一个已存在的表进行分离域。
- 使用自定义算法来分离域。
在上文中使用自定义MapReduce导入数据时，也许你原本认为数据写入应该是分布在集群中所有的域中，但实际不是。在管理页上可以看到，在MapReduce Job的执行期间所有的请求都发送至相同的服务器。
这是因为默认的分离算法（MD5StringSplit）不是很适合我们的情况。我们所有的数据都发送至相同集群，因此所有的API请求都发送至域所在的域服务器中。我们需要提供自定义的算法来适当的分离域。
预分离的域也能够对生成自有格式HFile文件的的MapReduce Job产生影响。运行上文中的MapReduce Job，对hly_temp2表使用生成HFile文件的选项。如下图所示，你可以发现MapReduce Job的reduce数量从原本的1到10了，这就是预搭建域的数量：
这是因为Job中reduce的数量是基于目标表的域数量。
若reduce数量增加，通常意味加载动作分布到多个服务器上面，所以job的运行速度会更快。