bulk-load装载hdfs数据到hbase

bulk-load的作用是用mapreduce的方式将hdfs上的文件装载到hbase中，对于海量数据装载入hbase非常有用，参考http://hbase.apache.org/docs/r0.89.20100621/bulk-loads.html：

hbase提供了现成的程序将hdfs上的文件导入hbase,即bulk-load方式。它包括两个步骤（也可以一次完成）：

1 将文件包装成hfile，hadoop jar /path/to/hbase.jar importtsv
-Dimporttsv.columns=a,b,c <tablename>
<inputdir>

比如:

Java代码


hadoop dfs -cat test/1

1
2

3
4

5
6

7
8

hadoop dfs -cat test/1
        1       2
        3       4
        5       6
        7       8

执行

Java代码


hadoop jar ~/hbase/hbase-0.90.2.jar importtsv
-Dimporttsv.columns=HBASE_ROW_KEY,f1 t8 test

hadoop jar ~/hbase/hbase-0.90.2.jar importtsv -Dimporttsv.columns=HBASE_ROW_KEY,f1 t8 test

将会启动mapreduce程序在hdfs上生成t8这张表，它的rowkey分别为1 3 5 7，对应的value为2 4 6
8

注意，源文件默认以"\t"为分割符，如果需要换成其它分割符，在执行时加上-Dimporttsv.separator=","，则变成了以","分割

2 在上一步中，如果设置了输出目录,如

Java代码


hadoop jar ~/hbase/hbase-0.90.2.jar importtsv
-Dimporttsv.bulk.output=tmp -Dimporttsv.columns=HBASE_ROW_KEY,f1 t8
test

hadoop jar ~/hbase/hbase-0.90.2.jar importtsv -Dimporttsv.bulk.output=tmp -Dimporttsv.columns=HBASE_ROW_KEY,f1 t8 test

那么t8表还暂时不会生成，只是将hfile输出到tmp文件夹下，我们可以查看tmp:

Java代码


hadoop dfs -du tmp

Found 3 items

0
hdfs://namenode:9000/user/test/tmp/_SUCCESS

65254
hdfs://namenode:9000/user/test/tmp/_logs

462
hdfs://namenode:9000/user/test/tmp/f1

hadoop dfs -du tmp
        Found 3 items
        0           hdfs://namenode:9000/user/test/tmp/_SUCCESS
        65254       hdfs://namenode:9000/user/test/tmp/_logs
        462         hdfs://namenode:9000/user/test/tmp/f1

然后执行hadoop jar hbase-VERSION.jar completebulkload
/user/todd/myoutput
mytable将这个输出目录中的hfile转移到对应的region中,这一步因为只是mv，所以相当快。如：

hadoop jar ~/hbase/hbase-0.90.2.jar completebulkload tmp t8

然后

Java代码


hadoop dfs -du
/hbase/t8/c408963c084d328490cc2f809ade9428

Found 4 items

124
hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/.oldlogs

692
hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/.regioninfo

0
hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/.tmp

462
hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/f1

hadoop dfs -du /hbase/t8/c408963c084d328490cc2f809ade9428
        Found 4 items
        124         hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/.oldlogs
        692         hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/.regioninfo
        0           hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/.tmp
        462         hdfs://namenode:9000/hbase/t8/c408963c084d328490cc2f809ade9428/f1

此时己经生成了表t8

注意，如果数据特别大，而表中原来就有region，那么会执行切分工作，查找数据对应的region并装载

程序使用中注意：

1
因为是执行hadoop程序，不会自动查找hbase的config路径，也就找不到hbase的环境变量。因此需要将hbase-site.xml加入到hadoop-conf变量中

2 还需要将hbase/lib中的jar包放入classpath中

3
执行以上的步骤2时需要将zookeeper的配置写入core-site.xml中，因为在那一步时甚至不会读取hbase-site.xml，否则会连不上zookeeper
http://koven2049.iteye.com/blog/982831