锐客网

  1. 首页 > it技术 > >

Hbase数据的导入导出以及优化

hbase

(需要关闭hbase服务)
数据库的备份还原：
hadoop distcp \
hdfs://master:9000/hbase \
hdfs://master:9000/hbase_back/backup20180801

还原：
hadoop distcp \
hdfs://master:9000/hbase_back/backup20180801\
hdfs://master:9000/hbase
(以上操作要开启yarn)
(需要开启hbase服务)
数据导出：
hbase org.apache.hadoop.hbase.mapreduce.Export hbase_emp_table/data/hbase/hbase_emp_table_back
查看
hdfs dfs -ls /data/hbase/
从hdfs上拉取到本地
hadoop dfs -get /data/hbase/hbase_emp_table_back/uar/data/hbase_emp_table_back

数据导入：
将输入上传到HDFS：
hadoop dfs -put /usr/data/hbase_emp_table_back/data/hbase/hbase_emp_table_back_desk
建表：
hbase(main):002:0>create 'hbase_emp','info'
导入数据
hbase org.apache.hadoop.hbase.mapreduce.Import hbase_emp /data/hbase/hbase_emp_table_back_desk

4.HBase 优化
4.1预分区
每一个 region 维护着 startRow 与 endRowKey，
如果加入的数据符合某个 region 维护的 rowKey 范围，则该数据交给这个 region 维护。
那么依照这个原则，我们可以将数据索要投放的分区提前大致的规划好，以提高 HBase 性能。
1) 手动设定预分区

hbase> create 'ff','info','partition1',SPLITS => ['1000','2000','3000','4000']
2) 生成 16 进制序列预分区

create 'ff2','info','partition2',{NUMREGIONS => 15, SPLITALGO => 'HexStringSplit'}
3) 按照文件中设置的规则预分区 创建 splits.txt 文件内容如下:
aaaa
bbbb
cccc
dddd
hadoop dfs -put /usr/data/split.txt/data/hbase/split.txt
然后执行:

create 'ff3','partition3',SPLITS_FILE => 'splits.txt'
1.考虑数据量的大小
2.考虑RegionServer服务器个数
资料; https://blog.csdn.net/linuxheik/article/details/51167575 Hbase split的三种方式和split的过程
4) 使用 JavaAPI 创建预分区
//自定义算法，产生一系列 Hash 散列值存储在二维数组中
byte[][] splitKeys = 某个散列值函数
//创建 HBaseAdmin 实例
HBaseAdmin admin = new HBaseAdmin(HBaseConfiguration.create());
//创建 HTableDescriptor 实例
HTableDescriptor tableDesc = new HTableDescriptor(tableName);
//通过 HTableDescriptor 实例和散列值二维数组创建带有预分区的 HBase 表
admin.createTable(tableDesc, splitKeys);
4.2、RowKey 设计
一条数据的唯一标识就是 rowkey，那么这条数据存储于哪个分区，取决于 rowkey 处于哪个 一个预分区的区间内
，设计 rowkey 的主要目的 ，就是让数据均匀的分布于所有的 region 中，在一定程度上防止数据倾斜。
接下来我们就谈一谈 rowkey 常用的设计方案。
1) 生成随机数、hash、散列值
比如:
原本 rowKey 为 1001 的，SHA1 后变成:dd01903921ea24941c26a48f2cec24e0bb0e8cc7
原本 rowKey 为 3001 的，SHA1 后变成:49042c54de64a1e9bf0b33e00245660ef92dc7bd
原本 rowKey 为 5001 的，SHA1 后变成:7b61dec07e02c188790670af43e717f0f46e8913
在做此操作之前，一般我们会选择从数据集中抽取样本，来决定什么样的 rowKey 来 Hash 后作为每个分区的临界值。
2) 字符串反转
20170524000001 转成 10000042507102
20170524000002 转成 20000042507102
这样也可以在一定程度上散列逐步 put 进来的数据。
3) 字符串拼接
20170524000001_a12e
20170524000001_93i7
4.3、内存优化
HBase 操作过程中需要大量的内存开销，毕竟 Table 是可以缓存在内存中的，一般会分配整 个可用内存的 70%给 HBase 的 Java 堆。
但是不建议分配非常大的堆内存，因为 GC 过程持 续太久会导致 RegionServer 处于长期不可用状态，一般 16~48G 内存就可以了，
如果因为框架占用内存过高导致系统内存不足，框架一样会被系统服务拖死。
4.4、基础优化
1 优化 DataNode 允许的最大文件打开数
hdfs-site.xml
属性:dfs.datanode.max.transfer.threads
解释:HBase 一般都会同一时间操作大量的文件，根据集群的数量和规模以及数据动作，
设置为 4096 或者更高。默认值:4096
2 优化延迟高的数据操作的等待时间
hdfs-site.xml
属性:dfs.image.transfer.timeout
解释:如果对于某一次数据操作来讲，延迟非常高，socket 需要等待更长的时间，
建议把该值设置为更大的值(默认 60000 毫秒)，以确保 socket 不会被 timeout 掉。
3 优化数据的写入效率
mapred-site.xml
属性:
mapreduce.map.output.compress
mapreduce.map.output.compress.codec
解释:开启这两个数据可以大大提高文件的写入效率，减少写入时间。
第一个属性值修改为 true，
第二个属性值修改为:org.apache.hadoop.io.compress.GzipCodec 或者其他压缩方式。
4 优化 DataNode 存储
属性:dfs.datanode.failed.volumes.tolerated
解释:默认为 0，意思是当 DataNode 中有一个磁盘出现故障，则会认为该 DataNode shutdown 了。
如果修改为 1，则一个磁盘出现故障时，数据会被复制到其他正常的 DataNode 上，
当前的 DataNode 继续工作。
5设置 RPC 监听数量
hbase-site.xml
属性:hbase.regionserver.handler.count
解释:默认值为 30，用于指定 RPC 监听的数量，可以根据客户端的请求数进行调整，
读写 请求较多时，增加此值。
6优化 HStore 文件大小
hbase-site.xml
属性:hbase.hregion.max.filesize
解释:默认值 10737418240(10GB)，如果需要运行 HBase 的 MR 任务，可以减小此值，
因为一个 region 对应一个 map 任务，如果单个 region 过大，会导致 map 任务执行时间过长。
该值的意思就是，如果 HFile 的大小达到这个数值，则这个 region 会被切分为两个 Hfile。
7 优化 hbase 客户端缓存
hbase-site.xml
属性:hbase.client.write.buffer
解释:用于指定 HBase 客户端缓存，增大该值可以减少 RPC 调用次数，但是会消耗更多内存，反之则反之。
一般我们需要设定一定的缓存大小，以达到减少 RPC 次数的目的。
8指定 scan.next 扫描 HBase 所获取的行数
hbase-site.xml
属性:hbase.client.scanner.caching
解释:用于指定 scan.next 方法获取的默认行数，值越大，消耗内存越大。
【Hbase数据的导入导出以及优化】
9 flush、compact、split 机制
当 MemStore 达到阈值，将 Memstore 中的数据 Flush 进 Storefile;
compact 机制则是把 flush出来的小文件合并成大的 Storefile 文件。
split 则是当 Region 达到阈值，会把过大的 Region
一分为二。
涉及属性:
即:128M 就是 Memstore 的默认阈值

hbase.hregion.memstore.flush.size:134217728
即:这个参数的作用是当单个 HRegion 内所有的 Memstore 大小总和超过指定值时，
flush 该 HRegion 的所有 memstore。RegionServer 的 flush 是通过将请求添加一个队列，
模拟 生产消费模型来异步处理的。那这里就有一个问题，当队列来不及消费，产生大量积压请求 时，
可能会导致内存陡增，最坏的情况是触发 OOM。
hbase.regionserver.global.memstore.upperLimit:0.4
hbase.regionserver.global.memstore.lowerLimit:0.38
即:当 MemStore 使用内存总量达到 hbase.regionserver.global.memstore.upperLimit 指定 值时，
将会有多个 MemStores flush 到文件中，MemStore flush 顺序是按照大小降序执行 的，
直到刷新到 MemStore 使用内存略小于 lowerLimit

    推荐阅读


    上一篇：装箱问题及延伸

    下一篇：从对象数组中筛选出某些属性值的项