如何使用TableMapReduceUtil在HBase扫描仪结果上运行MapReduce

Question

我的hbase表如下所示：

    key---------value
    id1/bla     value1
    id1/blabla  value2
    id2/bla     value3
    id2/blabla  value4
    ....

有上百万个以id1开头的密钥和数百万个以id2开头的密钥。

我想用mapReduce从hbase读取数据，因为有很多键以相同的ID开头，每个id 1个映射还不够好。 我更喜欢每个ID 100个映射器

我希望超过1个映射器将在由id过滤的同一scanerResult上运行。 我了解了TableMapReduceUtil并尝试了以下方法：

Configuration config = HBaseConfiguration.create();
Job job = new Job(config,"ExampleSummary");
job.setJarByClass(MySummaryJob.class);     // class that contains mapper and reducer

Scan scan = new Scan();
scan.setCaching(500);        // 1 is the default in Scan, which will be bad for MapReduce jobs
scan.setCacheBlocks(false);  // don't set to true for MR jobs
// set other scan attrs

TableMapReduceUtil.initTableMapperJob(
    sourceTable,        // input table
    scan,               // Scan instance to control CF and attribute selection
    MyMapper.class,     // mapper class
    Text.class,         // mapper output key
    IntWritable.class,  // mapper output value
    job);

带有如下所示的地图功能（应迭代扫描仪结果）：

public static class MyMapper extends TableMapper<Text, IntWritable>  {

    private final IntWritable ONE = new IntWritable(1);
    private Text text = new Text();

    public void map(ImmutableBytesWritable row, Result value, Context context) throws IOException, InterruptedException {
            text.set("123");     // we can only emit Writables...    
            context.write(text, ONE);
    }
}
<br>

我的问题是：

1. 映射功能怎么可能作为输入Result而不是ResultScanner输入？ 我知道扫描结果可以由ResultScanner进行迭代，而ResultScanner可以由Result进行迭代。 ResultScanner有列表\\结果数组不是吗？
2. 如何在地图功能中迭代扫描仪的结果？
3. 我如何控制此函数的拆分数量。如果它仅打开10个映射器，而我想设置20个，则可以更改某些内容吗？
4. 有没有最简单的方法可以实现我的目标？

Answer 1

我将从您列表中的＃4开始：

默认行为是为每个区域创建一个映射器。 因此， TableInputFormat尝试破解TableInputFormat以根据您的规范创建自定义输入拆分， TableInputFormat先考虑将数据拆分为100个区域（然后您将拥有100个非常平衡的映射器）。

这种方法可以提高读取和写入性能，因为您不容易受到热点攻击（假设您的群集中有多于一台或两台区域服务器）。

进行此操作的首选方法是预先拆分表（即在创建表时定义拆分）。