如何使用MapReduce将CSV导入HBASE表

Question

嗨，我是hadoop的新手，我正在尝试使用MapReduce将csv表导入到Hbase。

我正在使用hadoop 1.2.1和hbase 1.1.1

我有以下格式的数据：

Wban Number, YearMonthDay, Time, Hourly Precip

03011,20060301,0050,0

03011,20060301,0150,0

我为批量加载编写了以下代码

public class BulkLoadDriver extends Configured implements Tool{

public static void main(String [] args) throws Exception{


    int result= ToolRunner.run(HBaseConfiguration.create(), new BulkLoadDriver(), args);
}

public static enum COUNTER_TEST{FILE_FOUND, FILE_NOT_FOUND};
public String tableName="hpd_table";// name of the table to be inserted in hbase

@Override
public int run(String[] args) throws Exception {

    //Configuration conf= this.getConf();

    Configuration conf = HBaseConfiguration.create();
    Job job= new Job(conf,"BulkLoad"); 
    job.setJarByClass(getClass());

    job.setMapperClass(bulkMapper.class);

    FileInputFormat.setInputPaths(job, new Path(args[0]));
    job.setInputFormatClass(TextInputFormat.class);


    TableMapReduceUtil.initTableReducerJob(tableName, null, job);   //for HBase table
    job.setNumReduceTasks(0);
    return (job.waitForCompletion(true)?0:1);


}
private static class bulkMapper extends Mapper<LongWritable, Text, ImmutableBytesWritable, Put>{
    //static class bulkMapper extends TableMapper<ImmutableBytesWritable, Put> {

    public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException
    {
        String [] val= value.toString().split(",");


        // store the split values in the bytes format so that they can be added to the PUT object
        byte[] wban=Bytes.toBytes(val[0]);
        byte[] ymd= Bytes.toBytes(val[1]);
        byte[] tym=Bytes.toBytes(val[2]);
        byte[] hPrec=Bytes.toBytes(val[3]);

        Put put=new Put(wban);
        put.add(ymd, tym, hPrec);

        System.out.println(wban);
        context.write(new ImmutableBytesWritable(wban), put);

        context.getCounter(COUNTER_TEST.FILE_FOUND).increment(1);

    }

}

}

我为此创建了一个jar并在终端中运行以下命令：

hadoop jar〜/ hadoop-1.2.1 / MRData / bulkLoad.jar bulkLoad.BulkLoadDriver /MR/input/200603hpd.txt hpd_table

但是我得到的输出是数百行以下类型的行：try_201509012322_0001_m_000000_0：[B @ 2d22bfc8 try_201509012322_0001_m_000000_0：[B @ 445cfa9e

我不确定它们是什么意思，以及如何执行此批量上传。 请帮忙。

提前致谢。

Answer 1

有几种方法可以将数据导入HBase。 请查看以下链接：

http://www.cloudera.com/content/cloudera/zh-CN/documentation/core/latest/topics/admin_hbase_import.html

HBase批量加载：

1. CSV格式的数据文件

2. 将数据处理为HFile格式 。 有关HFile格式的详细信息，请参见http://hbase.apache.org/book/hfile_format.html 。 通常，您使用MapReduce作业进行转换，并且由于数据是唯一的，因此经常需要自己编写Mapper。 作业必须发出行键作为Key，并发出KeyValue，Put或Delete作为值。 Reducer由HBase处理； 使用HFileOutputFormat.configureIncrementalLoad（）对其进行配置，并执行以下操作：

   • 检查表以配置总订单分区程序
   • 将分区文件上载到集群并将其添加到DistributedCache
   • 设置化简任务数以匹配当前区域数
   • 设置输出键/值类以匹配HFileOutputFormat要求
   • 将Reducer设置为执行适当的排序（KeyValueSortReducer或PutSortReducer）

3. 在输出文件夹中的每个区域创建一个HFile 。 输入数据几乎完全被重写，因此您需要的可用磁盘空间至少是原始数据集大小的两倍。 例如，对于mysqldump的100 GB输出，HDFS中至少应有200 GB可用磁盘空间。 您可以在过程结束时删除原始输入文件。

4. 将文件加载到HBase中。 使用LoadIncrementalHFiles命令（通常称为completebulkload工具），向其传递一个URL，该URL在HDFS中定位文件。 每个文件都被加载到RegionServer上该区域的相关区域中。 您可以通过传递--versions = N选项来限制加载的版本数，其中N是要包含的最大版本数，从最新到最旧（最大时间戳到最小时间戳）。 如果在创建文件后拆分了一个区域，则该工具会根据新边界自动拆分HFile。 该过程效率低下，因此，如果您的表正在被其他过程写入，则应在完成转换步骤后立即加载。