1.概述

在實(shí)際的應(yīng)用場(chǎng)景中，數(shù)據(jù)存儲(chǔ)在HBase集群中，但是由于一些特殊的原因，需要將數(shù)據(jù)從HBase遷移到Kafka。正常情況下，一般都是源數(shù)據(jù)到Kafka，再有消費(fèi)者處理數(shù)據(jù)，將數(shù)據(jù)寫入HBase。但是，如果逆向處理，如何將HBase的數(shù)據(jù)遷移到Kafka呢?今天筆者就給大家來分享一下具體的實(shí)現(xiàn)流程。

2.內(nèi)容

一般業(yè)務(wù)場(chǎng)景如下，數(shù)據(jù)源頭產(chǎn)生數(shù)據(jù)，進(jìn)入Kafka，然后由消費(fèi)者(如Flink、Spark、Kafka API)處理數(shù)據(jù)后進(jìn)入到HBase。這是一個(gè)很典型的實(shí)時(shí)處理流程。流程圖如下：

上述這類實(shí)時(shí)處理流程，處理數(shù)據(jù)都比較容易，畢竟數(shù)據(jù)流向是順序處理的。但是，如果將這個(gè)流程逆向，那么就會(huì)遇到一些問題。

2.1 海量數(shù)據(jù)

HBase的分布式特性，集群的橫向拓展，HBase中的數(shù)據(jù)往往都是百億、千億級(jí)別，或者數(shù)量級(jí)更大。這類級(jí)別的數(shù)據(jù)，對(duì)于這類逆向數(shù)據(jù)流的場(chǎng)景，會(huì)有個(gè)很麻煩的問題，那就是取數(shù)問題。如何將這海量數(shù)據(jù)從HBase中取出來?

2.2 沒有數(shù)據(jù)分區(qū)

我們知道HBase做數(shù)據(jù)Get或者List很快，也比較容易。而它又沒有類似Hive這類數(shù)據(jù)倉庫分區(qū)的概念，不能提供某段時(shí)間內(nèi)的數(shù)據(jù)。如果要提取最近一周的數(shù)據(jù)，可能全表掃描，通過過濾時(shí)間戳來獲取一周的數(shù)據(jù)。數(shù)量小的時(shí)候，可能問題不大，而數(shù)據(jù)量很大的時(shí)候，全表去掃描HBase很困難。

3.解決思路

對(duì)于這類逆向數(shù)據(jù)流程，如何處理。其實(shí)，我們可以利用HBase Get和List的特性來實(shí)現(xiàn)。因?yàn)镠Base通過RowKey來構(gòu)建了一級(jí)索引，對(duì)于RowKey級(jí)別的取數(shù)，速度是很快的。實(shí)現(xiàn)流程細(xì)節(jié)如下： 

數(shù)據(jù)流程如上圖所示，下面筆者為大家來剖析每個(gè)流程的實(shí)現(xiàn)細(xì)節(jié)，以及注意事項(xiàng)。

3.1 Rowkey抽取

我們知道HBase針對(duì)Rowkey取數(shù)做了一級(jí)索引，所以我們可以利用這個(gè)特性來展開。我們可以將海量數(shù)據(jù)中的Rowkey從HBase表中抽取，然后按照我們制定的抽取規(guī)則和存儲(chǔ)規(guī)則將抽取的Rowkey存儲(chǔ)到HDFS上。

這里需要注意一個(gè)問題，那就是關(guān)于HBase Rowkey的抽取，海量數(shù)據(jù)級(jí)別的Rowkey抽取，建議采用MapReduce來實(shí)現(xiàn)。這個(gè)得益于HBase提供了TableMapReduceUtil類來實(shí)現(xiàn)，通過MapReduce任務(wù)，將HBase中的Rowkey在map階段按照指定的時(shí)間范圍進(jìn)行過濾，在reduce階段將rowkey拆分為多個(gè)文件，最后存儲(chǔ)到HDFS上。

這里可能會(huì)有同學(xué)有疑問，都用MapReduce抽取Rowkey了，為啥不直接在掃描處理列簇下的列數(shù)據(jù)呢?這里，我們?cè)趩?dòng)MapReduce任務(wù)的時(shí)候，Scan HBase的數(shù)據(jù)時(shí)只過濾Rowkey(利用FirstKeyOnlyFilter來實(shí)現(xiàn))，不對(duì)列簇?cái)?shù)據(jù)做處理，這樣會(huì)快很多。對(duì)HBase RegionServer的壓力也會(huì)小很多。

• RowColumnrow001info:namerow001info:agerow001info:sexrow001info:sn

這里舉個(gè)例子，比如上表中的數(shù)據(jù)，其實(shí)我們只需要取出Rowkey(row001)。但是，實(shí)際業(yè)務(wù)數(shù)據(jù)中，HBase表描述一條數(shù)據(jù)可能有很多特征屬性(例如姓名、性別、年齡、身份證等等)，可能有些業(yè)務(wù)數(shù)據(jù)一個(gè)列簇下有十幾個(gè)特征，但是他們卻只有一個(gè)Rowkey，我們也只需要這一個(gè)Rowkey。那么，我們使用FirstKeyOnlyFilter來實(shí)現(xiàn)就很合適了。 

/** 
 * A filter that will only return the first KV from each row. 
 * <p> 
 * This filter can be used to more efficiently perform row count operations. 
 */ 

這個(gè)是FirstKeyOnlyFilter的一段功能描述，它用于返回第一條KV數(shù)據(jù)，官方其實(shí)用它來做計(jì)數(shù)使用，這里我們稍加改進(jìn)，把FirstKeyOnlyFilter用來做抽取Rowkey。

3.2 Rowkey生成

抽取的Rowkey如何生成，這里可能根據(jù)實(shí)際的數(shù)量級(jí)來確認(rèn)Reduce個(gè)數(shù)。建議生成Rowkey文件時(shí)，切合實(shí)際的數(shù)據(jù)量來算Reduce的個(gè)數(shù)。盡量不用為了使用方便就一個(gè)HDFS文件，這樣后面不好維護(hù)。舉個(gè)例子，比如HBase表有100GB，我們可以拆分為100個(gè)文件。

3.3 數(shù)據(jù)處理

在步驟1中，按照抽取規(guī)則和存儲(chǔ)規(guī)則，將數(shù)據(jù)從HBase中通過MapReduce抽取Rowkey并存儲(chǔ)到HDFS上。然后，我們?cè)谕ㄟ^MapReduce任務(wù)讀取HDFS上的Rowkey文件，通過List的方式去HBase中獲取數(shù)據(jù)。拆解細(xì)節(jié)如下: 

Map階段，我們從HDFS讀取Rowkey的數(shù)據(jù)文件，然后通過批量Get的方式從HBase取數(shù)，然后組裝數(shù)據(jù)發(fā)送到Reduce階段。在Reduce階段，獲取來自Map階段的數(shù)據(jù)，寫數(shù)據(jù)到Kafka，通過Kafka生產(chǎn)者回調(diào)函數(shù)，獲取寫入Kafka狀態(tài)信息，根據(jù)狀態(tài)信息判斷數(shù)據(jù)是否寫入成功。如果成功，記錄成功的Rowkey到HDFS，便于統(tǒng)計(jì)成功的進(jìn)度;如果失敗，記錄失敗的Rowkey到HDFS，便于統(tǒng)計(jì)失敗的進(jìn)度。

3.4 失敗重跑

通過MapReduce任務(wù)寫數(shù)據(jù)到Kafka中，可能會(huì)有失敗的情況，對(duì)于失敗的情況，我們只需要記錄Rowkey到HDFS上，當(dāng)任務(wù)執(zhí)行完成后，再去程序檢查HDFS上是否存在失敗的Rowkey文件，如果存在，那么再次啟動(dòng)步驟3，即讀取HDFS上失敗的Rowkey文件，然后再List HBase中的數(shù)據(jù)，進(jìn)行數(shù)據(jù)處理后，最后再寫Kafka，以此類推，直到HDFS上失敗的Rowkey處理完成為止。

4.實(shí)現(xiàn)代碼

這里實(shí)現(xiàn)的代碼量也并不復(fù)雜，下面提供一個(gè)偽代碼，可以在此基礎(chǔ)上進(jìn)行改造(例如Rowkey的抽取、MapReduce讀取Rowkey并批量Get HBase表，然后在寫入Kafka等)。示例代碼如下：

public class MRROW2HDFS { 
 public static void main(String[] args) throws Exception { 
 Configuration config = HBaseConfiguration.create(); // HBase Config info 
 Job job = Job.getInstance(config, "MRROW2HDFS"); 
 job.setJarByClass(MRROW2HDFS.class); 
 job.setReducerClass(ROWReducer.class); 
 String hbaseTableName = "hbase_tbl_name"; 
 Scan scan = new Scan(); 
 scan.setCaching(1000); 
 scan.setCacheBlocks(false); 
 scan.setFilter(new FirstKeyOnlyFilter()); 
 TableMapReduceUtil.initTableMapperJob(hbaseTableName, scan, ROWMapper.class, Text.class, Text.class, job); 
 FileOutputFormat.setOutputPath(job, new Path("/tmp/rowkey.list")); // input you storage rowkey hdfs path 
 System.exit(job.waitForCompletion(true) ? 0 : 1); 
 } 
 public static class ROWMapper extends TableMapper<Text, Text> { 
 @Override 
 protected void map(ImmutableBytesWritable key, Result value, 
 Mapper<ImmutableBytesWritable, Result, Text, Text>.Context context) 
 throws IOException, InterruptedException { 
 for (Cell cell : value.rawCells()) { 
 // Filter date range 
 // context.write(...); 
 } 
 } 
 } 
  
 public static class ROWReducer extends Reducer<Text,Text,Text,Text>{ 
 private Text result = new Text(); 
  
 @Override 
 protected void reduce(Text key, Iterable<Text> values,Context context) throws IOException, InterruptedException { 
 for(Text val:values){ 
 result.set(val); 
 context.write(key, result); 
 } 
 } 
 } 
} 

5.總結(jié)

整個(gè)逆向數(shù)據(jù)處理流程，并不算復(fù)雜，實(shí)現(xiàn)也是很基本的MapReduce邏輯，沒有太復(fù)雜的邏輯處理。在處理的過程中，需要幾個(gè)細(xì)節(jié)問題，Rowkey生成到HDFS上時(shí)，可能存在行位空格的情況，在讀取HDFS上Rowkey文件去List時(shí)，最好對(duì)每條數(shù)據(jù)做個(gè)過濾空格處理。另外，就是對(duì)于成功處理Rowkey和失敗處理Rowkey的記錄，這樣便于任務(wù)失敗重跑和數(shù)據(jù)對(duì)賬?？梢灾獣詳?shù)據(jù)遷移進(jìn)度和完成情況。同時(shí)，我們可以使用 Kafka Eagle 監(jiān)控工具來查看Kafka寫入進(jìn)度。