技术头条 - 一个快速在微博传播文章的方式     搜索本站
您现在的位置首页 --> 算法 --> 使用HBase EndPoint(coprocessor)进行计算

使用HBase EndPoint(coprocessor)进行计算

浏览:937次  出处信息

如果要统对hbase中的数据,进行某种统计,比如统计某个字段最大值,统计满足某种条件的记录数,统计各种记录特点,并按照记录特点分类(类似于sql的group by)~

常规的做法就是把hbase中整个表的数据scan出来,或者稍微环保一点,加一个filter,进行一些初步的过滤(对于rowcounter来说,就加了FirstKeyOnlyFilter),但是这么做来说还是会有很大的副作用,比如占用大量的网络带宽(当标级别到达千万级别,亿级别之后)尤为明显,RPC的量也是不容小觑的。

理想的方式应该是怎样?

拿row counter这个简单例子来说,我要统计总行数,如果每个region 告诉我他又多少行,然后把结果告诉我,我再将他们的结果汇总一下,不就行了么?
现在的问题是hbase没有提供这种接口,来统计每个region的行数,那是否我们可以自己来实现一个呢?
没错,正如本文标题所说,我们可以自己来实现一个Endpoint,然后让hbase加载起来,然后我们远程调用即可。

什么是Endpoint?

先弄清楚什么是hbase coprocessor

hbase有两种coprocessor,一种是Observer(观察者),类似于关系数据库的trigger(触发器),另外一种就是EndPoint,类似于关系数据库的存储过程。

观察者这里就多做介绍了,这里介绍Endpoint。

EndPoint是动态RPC插件的接口,它的实现代码被部署在服务器端(regionServer),从而能够通过HBase RPC调用。客户端类库提供了非常方便的方法来调用这些动态接口,它们可以在任意时候调用一个EndPoint,它们的实现代码会被目标region远程执行,结果会返回到终端。用户可以结合使用这些强大的插件接口,为HBase添加全新的特性。

怎么实现一个EndPoint

1. 定义一个新的protocol接口,必须继承CoprocessorProtocol.
2. 实现终端接口,继承抽象类BaseEndpointCoprocessor,改实现代码需要部署到
3. 在客户端,终端可以被两个新的HBase Client API调用 。单个region:HTableInterface.coprocessorProxy(Class<T> protocol, byte[] row) 。rigons区域:HTableInterface.coprocessorExec(Class<T> protocol, byte[] startKey, byte[] endKey, Batch.Call<T,R> callable),这里的region是通过一个row来标示的,就是说,改row落到那个region,RPC就发给哪个region,对于start-end的,[start,end)范围内的region都会受到RPC调用。

如图71e2816c-c109-475a-9d64-bc6b74e61443

publicinterfaceCounterProtocol extendsCoprocessorProtocol {
    publiclongcount(byte[] start, byte[] end) throwsIOException;
}
publicclassCounterEndPoint extendsBaseEndpointCoprocessor implementsCounterProtocol {
 
    @Override
    publiclongcount(byte[] start, byte[]end) throwsIOException {
        // aggregate at each region
        Scan scan = newScan();
        longnumRow = 0;
 
        InternalScanner scanner = ((RegionCoprocessorEnvironment) getEnvironment()).getRegion()
                .getScanner(scan);
        try{
            List<KeyValue> curVals = newArrayList<KeyValue>();
            booleanhasMore = false;
            do{
                curVals.clear();
                hasMore = scanner.next(curVals);
                if(Bytes.compareTo(curVals.get(0).getRow(), start)<0) {
                    continue;
                }
                if(Bytes.compareTo(curVals.get(0).getRow(), end)>= 0) {
                    break;
                }
                numRow++;
            } while(hasMore);
        } finally{
            scanner.close();
        }
        returnnumRow;
    }
 
}
publicclassCounterEndPointDemo {
    publicstaticvoidmain(String[] args) throwsIOException, Throwable {
        finalString startRow = args[0];
        finalString endRow = args[1];
 
        @SuppressWarnings("resource")
        HTableInterface table = newHTable(HBaseConfiguration.create(), "tc");
        Map<byte[], Long> results;
 
        // scan: for all regions
        results = table.coprocessorExec(CounterProtocol.class, startRow.getBytes(),
                endRow.getBytes(), newBatch.Call<CounterProtocol, Long>() {
                    publicLong call(CounterProtocol instance) throwsIOException {
                        returninstance.count(startRow.getBytes(), endRow.getBytes());
                    }
                });
 
        longtotal = 0;
        for(Map.Entry<byte[], Long> e : results.entrySet()) {
            System.out.println(e.getValue());
            total += e.getValue();
        }
 
        System.out.println("total:"+ total);
    }
}

整个程序的框架其实又是另外一个mapreduce,只是运行在region server上面,reduce运行在客户端,其中map计算量较大,reduce计算量很小!

另外需要提醒的是:
protocol的返回类型,可以是基本类型。
如果是一个自定义的类型需要实现org.apache.hadoop.io.Writable接口。
关于详细的支持类型,请参考代码hbase源码:org.apache.hadoop.hbase.io.HbaseObjectWritable

怎么部署?

1. 通过hbase-site.xml增加

<property>
  <name>hbase.coprocessor.region.classes</name>
  <value>xxxx.CounterEndPoint </value>
</property>
  1. 如果要配置多个,就用逗号(,)分割。

  2. 包含此类的jar必须位于hbase的classpath

  3. 这种coprocessor是作用于所有的表,如果你只想作用于部分表,请使用下面一种方式。

2. 通过shell方式
增加:

hbase(main):005:0> alter 't1', METHOD => 'table_att',
'coprocessor'=>'hdfs:///foo.jar|com.foo.FooRegionObserver|1001|arg1=1,arg2=2'
Updating all regions with the new schema...
1/1regions updated.
Done.
0 row(s) in1.0730 seconds

coprocessor格式为:
[FilePath]|ClassName|Priority|arguments
arguments: k=v[,k=v]+

  1. 其中FilePath是hdfs路径,例如/tmp/zhenhe/cp/zhenhe-1.0.jar

  2. ClassNameEndPoint实现类的全名

  3. Priority为,整数,框架会根据这个数据决定多个cp的执行顺序

  4. Arguments,传给cp的参数

  5. 如果hbase的classpath包含改类,FilePath可以留空

卸载:

  1. 先describe “tableName‘,查看你要卸载的cp的编号

  2. 然后alter 't1', METHOD => 'table_att_unset', NAME=> 'coprocessor$3',coprocessor$3可变。

应用场景

这是一个最简单的例子,另外还有很多统计场景,可以用在这种方式实现,有如下好处:

  1. 节省网络带宽

  2. 减少RPC调用(scan的调用随着CacheSzie的变小而线性增加),减轻hbase压力

  3. 可以提高统计效率,那我之前写过的一个groupby类型的例子来说,大约可以提高50%以上的统计速度。

其他应用场景?

  1. 一个保存着用户信息的表,可以统计每个用户信息(counter job)

  2. 统计最大值,最小值,平均值,参考:https://issues.apache.org/jira/browse/HBASE-1512

  3. 批量删除记录,批量删除某个时间戳的记录

参考:

1. http://blogs.apache.org/hbase/entry/coprocessor_introduction
2. https://issues.apache.org/jira/browse/HBASE-1512

建议继续学习:

  1. HBase集群出现NotServingRegionException问题的排查及解决方法    (阅读:16227)
  2. HFile存储格式    (阅读:14539)
  3. hbase运维    (阅读:13679)
  4. hbase介绍    (阅读:11033)
  5. HBase技术介绍    (阅读:6761)
  6. HBase随机写以及随机读性能测试    (阅读:6492)
  7. HBase性能优化方法总结    (阅读:5830)
  8. HBase二级索引与Join    (阅读:5793)
  9. HBase Thrift 接口使用注意事项    (阅读:5413)
  10. Cassandra和HBase主要设计思路对比    (阅读:4139)
QQ技术交流群:445447336,欢迎加入!
扫一扫订阅我的微信号:IT技术博客大学习
© 2009 - 2024 by blogread.cn 微博:@IT技术博客大学习

京ICP备15002552号-1