HBase數據遷移到Kafka實戰

1.概述

在實際的應用場景中，數據存儲在HBase集群中，但是由於一些特殊的原因，需要將數據從HBase遷移到Kafka。正常情況下，一般都是源數據到Kafka，再有消費者處理數據，將數據寫入HBase。但是，如果逆向處理，如何將HBase的數據遷移到Kafka呢？今天筆者就給大家來分享一下具體的實現流程。

2.內容

一般業務場景如下，數據源頭產生數據，進入Kafka，然后由消費者（如Flink、Spark、Kafka API）處理數據后進入到HBase。這是一個很典型的實時處理流程。流程圖如下：

 

 上述這類實時處理流程，處理數據都比較容易，畢竟數據流向是順序處理的。但是，如果將這個流程逆向，那么就會遇到一些問題。

2.1 海量數據

HBase的分布式特性，集群的橫向拓展，HBase中的數據往往都是百億、千億級別，或者數量級更大。這類級別的數據，對於這類逆向數據流的場景，會有個很麻煩的問題，那就是取數問題。如何將這海量數據從HBase中取出來？

2.2 沒有數據分區

我們知道HBase做數據Get或者List<Get>很快，也比較容易。而它又沒有類似Hive這類數據倉庫分區的概念，不能提供某段時間內的數據。如果要提取最近一周的數據，可能全表掃描，通過過濾時間戳來獲取一周的數據。數量小的時候，可能問題不大，而數據量很大的時候，全表去掃描HBase很困難。

3.解決思路

對於這類逆向數據流程，如何處理。其實，我們可以利用HBase Get和List<Get>的特性來實現。因為HBase通過RowKey來構建了一級索引，對於RowKey級別的取數，速度是很快的。實現流程細節如下：

 

 數據流程如上圖所示，下面筆者為大家來剖析每個流程的實現細節，以及注意事項。

3.1 Rowkey抽取

我們知道HBase針對Rowkey取數做了一級索引，所以我們可以利用這個特性來展開。我們可以將海量數據中的Rowkey從HBase表中抽取，然后按照我們制定的抽取規則和存儲規則將抽取的Rowkey存儲到HDFS上。

這里需要注意一個問題，那就是關於HBase Rowkey的抽取，海量數據級別的Rowkey抽取，建議采用MapReduce來實現。這個得益於HBase提供了TableMapReduceUtil類來實現，通過MapReduce任務，將HBase中的Rowkey在map階段按照指定的時間范圍進行過濾，在reduce階段將rowkey拆分為多個文件，最后存儲到HDFS上。

這里可能會有同學有疑問，都用MapReduce抽取Rowkey了，為啥不直接在掃描處理列簇下的列數據呢？這里，我們在啟動MapReduce任務的時候，Scan HBase的數據時只過濾Rowkey（利用FirstKeyOnlyFilter來實現），不對列簇數據做處理，這樣會快很多。對HBase RegionServer的壓力也會小很多。

Row	Column
row001	info:name
row001	info:age
row001	info:sex
row001	info:sn

這里舉個例子，比如上表中的數據，其實我們只需要取出Rowkey（row001）。但是，實際業務數據中，HBase表描述一條數據可能有很多特征屬性（例如姓名、性別、年齡、身份證等等），可能有些業務數據一個列簇下有十幾個特征，但是他們卻只有一個Rowkey，我們也只需要這一個Rowkey。那么，我們使用FirstKeyOnlyFilter來實現就很合適了。

/**
 * 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.
 */

這個是FirstKeyOnlyFilter的一段功能描述，它用於返回第一條KV數據，官方其實用它來做計數使用，這里我們稍加改進，把FirstKeyOnlyFilter用來做抽取Rowkey。

3.2 Rowkey生成

抽取的Rowkey如何生成，這里可能根據實際的數量級來確認Reduce個數。建議生成Rowkey文件時，切合實際的數據量來算Reduce的個數。盡量不用為了使用方便就一個HDFS文件，這樣后面不好維護。舉個例子，比如HBase表有100GB，我們可以拆分為100個文件。

3.3 數據處理

在步驟1中，按照抽取規則和存儲規則，將數據從HBase中通過MapReduce抽取Rowkey並存儲到HDFS上。然后，我們在通過MapReduce任務讀取HDFS上的Rowkey文件，通過List<Get>的方式去HBase中獲取數據。拆解細節如下:

 

 Map階段，我們從HDFS讀取Rowkey的數據文件，然后通過批量Get的方式從HBase取數，然后組裝數據發送到Reduce階段。在Reduce階段，獲取來自Map階段的數據，寫數據到Kafka，通過Kafka生產者回調函數，獲取寫入Kafka狀態信息，根據狀態信息判斷數據是否寫入成功。如果成功，記錄成功的Rowkey到HDFS，便於統計成功的進度；如果失敗，記錄失敗的Rowkey到HDFS，便於統計失敗的進度。

3.4 失敗重跑

通過MapReduce任務寫數據到Kafka中，可能會有失敗的情況，對於失敗的情況，我們只需要記錄Rowkey到HDFS上，當任務執行完成后，再去程序檢查HDFS上是否存在失敗的Rowkey文件，如果存在，那么再次啟動步驟10，即讀取HDFS上失敗的Rowkey文件，然后再List<Get> HBase中的數據，進行數據處理后，最后再寫Kafka，以此類推，直到HDFS上失敗的Rowkey處理完成為止。

 

4.實現代碼

這里實現的代碼量也並不復雜，下面提供一個偽代碼，可以在此基礎上進行改造（例如Rowkey的抽取、MapReduce讀取Rowkey並批量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

整個逆向數據處理流程，並不算復雜，實現也是很基本的MapReduce邏輯，沒有太復雜的邏輯處理。在處理的過程中，需要幾個細節問題，Rowkey生成到HDFS上時，可能存在行位空格的情況，在讀取HDFS上Rowkey文件去List<Get>時，最好對每條數據做個過濾空格處理。另外，就是對於成功處理Rowkey和失敗處理Rowkey的記錄，這樣便於任務失敗重跑和數據對賬。可以知曉數據遷移進度和完成情況。同時，我們可以使用Kafka Eagle監控工具來查看Kafka寫入進度。

6.結束語

這篇博客就和大家分享到這里，如果大家在研究學習的過程當中有什么問題，可以加群進行討論或發送郵件給我，我會盡我所能為您解答，與君共勉！

另外，博主出書了《Kafka並不難學》和《Hadoop大數據挖掘從入門到進階實戰》，喜歡的朋友或同學， 可以在公告欄那里點擊購買鏈接購買博主的書進行學習，在此感謝大家的支持。關注下面公眾號，根據提示，可免費獲取書籍的教學視頻。