大数据学习笔记——HBase使用bulkload导入数据

HBase与其他大数据组件的整合

HBase作为一个以列作为存储形式的大数据组件，具有查询快，存储的数据量大等特点，那么，该组件是如何与Hadoop生态圈中的其他组件进行整合并进行数据的各种导入导出的呢，这篇博客会就这个问题做一个详细的整理，那么废话不多说，我们直接开始吧！

1. Hbase与Hive的整合

我们先在HBase中保存了一张学生表，进入hbase shell命令行窗口，然后输入命令 scan 'ns1:student'，得到以下信息：

现在我们需要将这个学生表插入到hive的一张表中去，建表语句如下，注意，如果hbase中的表已经存在，那么在Hive中建表的时候就必须使用外部表，并且在Hive中的以及在HBase中的表的字段命名完全可以不一样，只需要顺序是一样的就行了！

create external table hive_mapping_hbase_student(
id string ,
name string ,
course string ,
score string)
stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
with serdeproperties ("hbase.columns.mapping" =
":key,
info:name,
info:course,
info:score")
tblproperties("hbase.table.name" = "ns1:student");

使用hiveserver2进入hive命令行窗口，将上述代码进行拷贝，然后查询数据查看是否插入成功，select * from hive_mapping_hbase_student;

数据插入成功！

现在我们再来做一个实验，那就是当我们往hive中插入数据的时候，不指定主键列时会不会报错？执行插入语句：insert into hive_mapping_hbase_student(name) values('Mary'); 结果在hiveserver2中报如下错误信息：

这说明了两个问题：

1. HBase的表和Hive的表是相互关联的

2. 往HBase中插入数据时必须要指定rowkey，否则就一定会报错

2. HBase与sqoop的整合

首先我们在mysql中保存了一张emp表来展现员工信息，具体信息查询如下所示：

现在我们要使用sqoop将这些数据插入到HBase的表中去，具体指令如下，并且观察执行过程，可以发现该过程是会开启mapreduce的：

sqoop import --connect jdbc:mysql://s101:3306/test --username root --password w51056789 --table emp --hbase-create-table --hbase-table ns1:emp --hbase-row-key id --column-family info -m 1

插入成功，我们来看一下HBase中的具体的数据吧！

3. HBase与Mapreduce的整合

HBase最为经典的应用为它和MR的整合，有两种方式将数据通过MR计算框架插入HBase表中，第一种方式使用到TableOutputFormat类，数据是一条一条地插入到数据库的；第二种方式使用到HFileOutputFormat2类，实现方式为批量数据导入，因此效率较高，推荐使用。

首先需要注意的是，因为要用到一些依赖的库，第一件事要在pom文件中写入以下依赖：

<dependencies>
        <!-- https://mvnrepository.com/artifact/org.apache.hbase/hbase-client -->
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-client</artifactId>
            <version>1.2.8</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-server</artifactId>
            <version>1.2.8</version>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
        </dependency>
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.44</version>
        </dependency>
    </dependencies>

3.1 TableOutputFormat方式导入

首先我们先准备一份已经保存在HBase中的word count文件，然后使用mapreduce执行单词计数程序，最后再输出回HBase中的另一张表，准备的原始数据表如下：

然后开始编写代码：

WCApp类：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.mapreduce.TableInputFormat;
import org.apache.hadoop.hbase.mapreduce.TableOutputFormat;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
 
public class WCApp {
    public static void main(String[] args) throws Exception {
        //这里也必须写成Hbase的Configuration
        Configuration conf = HBaseConfiguration.create();
        //在这里设定输入和输出的Hbase表名
        conf.set(TableInputFormat.INPUT_TABLE,"ns1:wc");
        conf.set(TableOutputFormat.OUTPUT_TABLE,"ns1:wcres");
 
        Job job = Job.getInstance(conf);
 
        //设置作业名称以及各个class对象
        job.setJobName("Hbase job");
        job.setJarByClass(WCApp.class);
        job.setMapperClass(WCMapper.class);
        job.setReducerClass(WCReducer.class);
 
        //使用TableInputFormat和TableOutputFormat
        job.setInputFormatClass(TableInputFormat.class);
        job.setOutputFormatClass(TableOutputFormat.class);
 
        //设置Mapper和Reducer的输出KV
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
 
        job.setOutputKeyClass(NullWritable.class);
        job.setOutputValueClass(Put.class);
 
        job.waitForCompletion(true);
 
    }
}

WCMapper类：

import org.apache.hadoop.hbase.Cell;
import org.apache.hadoop.hbase.CellUtil;
import org.apache.hadoop.hbase.client.Result;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
 
import java.io.IOException;
 
public class WCMapper extends Mapper<ImmutableBytesWritable, Result, Text, IntWritable> {
    @Override
    protected void map(ImmutableBytesWritable key, Result value, Context context) throws IOException, InterruptedException {
        //因为一个字段因此直接get(0)即可
        Cell cell = value.listCells().get(0);
        String line = new String(CellUtil.cloneValue(cell));
        String[] arr = line.split(" ");
        for (String s : arr) {
            context.write(new Text(s), new IntWritable(1));
        }
    }
}

WCReducer类：

import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
 
import java.io.IOException;
 
public class WCReducer extends Reducer<Text, IntWritable, NullWritable, Put> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable value : values) {
            sum += value.get();
        }
 
        Put put = new Put(key.toString().getBytes());
        //为了让输出的不是字节数组，变得容易看得懂，应该转化成字符串
        put.addColumn("info".getBytes(), "value".getBytes(), (sum + "").getBytes());
        context.write(NullWritable.get(),put);
    }
}

查看最终结果'ns1:wcres'表，成功：

3.2 HFileOutputFormat2方式导入

HBase可使用put命令向一张已经建好了的表中插入数据，然而，当遇到数据量非常大的情况，一条一条的进行插入效率将会大大降低，因此第二种方法将会整理提高批量导入效率的一种可行方案，那就是使用Mapper类先进行数据清洗，再在APP中批量导入。

首先我们准备好一份csv文件学生表，其中包含的是学生信息，具体信息如下：

对于此文件来说，每一行有四个字段，第一个代表rowkey，第二个代表name，第三个代表course，第四个代表score

接着，我们在hbase shell中建立一张学生表，之后数据将会直接导入至这张表中去：

hbase shell

> create_namespace 'ns1'

> create 'ns1:student', 'info'

HfileMapper类：

package bulkload;
 
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 java.io.IOException;
 
public class HfileMapper extends Mapper<LongWritable,Text,ImmutableBytesWritable,Put> {
 
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] strs = line.split(",");
        //首先获取到学生的学号
        String id = strs[0];
        ImmutableBytesWritable rowKey = new ImmutableBytesWritable(Bytes.toBytes(id));
        //然后新建一个Put对象并分别获取到name，course以及score字段
        Put put = new Put(Bytes.toBytes(id));
        put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("name"), Bytes.toBytes(strs[1]));
        put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("course"), Bytes.toBytes(strs[2]));
        put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("score"), Bytes.toBytes(strs[3]));
        //
        context.write(rowKey,put);
    }
}

HfileApp类：

package bulkload;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.Connection;
import org.apache.hadoop.hbase.client.ConnectionFactory;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 
public class HfileApp {
    public static void main(String[] args) throws Exception {
        //这里也必须写成Hbase的Configuration
        Configuration conf = HBaseConfiguration.create();
 
        conf.set("fs.defaultFS","file:///");
        System.setProperty("HADOOP_USER_NAME","root");
 
        Job job = Job.getInstance(conf);
 
        //设置作业名称以及各个class对象
        job.setJobName("bulkload");
        job.setJarByClass(HfileApp.class);
        job.setMapperClass(HfileMapper.class);
 
        job.setOutputFormatClass(HFileOutputFormat2.class);
 
        //设置Mapper的输出KV
        job.setMapOutputKeyClass(ImmutableBytesWritable.class);
        job.setMapOutputValueClass(Put.class);
 
        FileInputFormat.addInputPath(job,new Path("d:/student.csv"));
        HFileOutputFormat2.setOutputPath(job,new Path("hdfs://mycluster/hfile"));
 
        //由于Hbase是有特定结构的，不像Hive那样可以很轻松地load data，因此需要指定表进行生成
        Connection conn = ConnectionFactory.createConnection(conf);
        HFileOutputFormat2.configureIncrementalLoad(job,conn.getTable(TableName.valueOf("ns1:student")),
                conn.getRegionLocator(TableName.valueOf("ns1:student")));
 
        boolean b = job.waitForCompletion(true);
 
        //开始进行bulk load批量导入程序
        if(b){
            LoadIncrementalHFiles incr = new LoadIncrementalHFiles(conf);
            incr.doBulkLoad(new Path("hdfs://mycluster/hfile"),conn.getAdmin(),conn.getTable(TableName.valueOf("ns1:student")),
                    conn.getRegionLocator(TableName.valueOf("ns1:student")));
        }
 
        conn.close();
    }
}

去HBase中查看学生表信息，成功插入！！！