概要描述

本案例详细介绍hbase的SQL Bulkload操作流程，以及注意事项；

详细说明

Bulkload是一种快速向Hbase导入大量数据的方法；
SQL BulkLoad的适用场景为：

• 初次原始数据导入
• 增量数据导入

1、操作前准备工作

• 准备数据集，并上传至HDFS

2、根据hdfs数据建立Inceptor外表

请确保源表中的数据是按照splikey均匀分布的，否则bulkload导入数据后各region可能会出现数据倾斜的状况，后续使用会引发负载不均衡的问题；

create external table store_people
(name string, sex string
 , nation STRING
 , idcard STRING
 , b_date STRING
 , phone STRING
 , email STRING
 , addr STRING) 
 ROW FORMAT delimited fields TERMINATED BY ','  location    '/tmp/hbase/';

3、采样生成SplitKey

在导入数据之前，用户需要对数据进行采样，根据采样结果可以生成splitkey，作为预分region的依据；
采样表即用来保存采样的结果，采样表列中必须包含 所有 用来生成rowkey的源表字段；
例如，源表中的 idcard 字段会用来生成目标表的rowkey：

create table sample_table
(idcard STRING) 
ROW FORMAT delimited FIELDS TERMINATED BY ',' 
COLLECTION ITEMS TERMINATED BY '\001' 
MAP KEYS TERMINATED BY '\003' 
LINES TERMINATED BY '\n' 
STORED AS TEXTFILE;

3.1、存放采样结果

根据原始数据收集采样结果：

INSERT INTO TABLE sample_table SELECT sample(20618,idcard) FROM store_people;

— 说明：
— Inceptor提供了sample函数用来生成splitkey；
— sample函数接受至少2个参数，第1个参数是采样率，采样率=数据条数/97/预分region数
— 样例数据有10000000条，预分5个region，因此采样率=10000000/97/5，即采样率为20618；
— 后面的参数为采样表中的列名；
— 用户需要根据自身业务场景和实际数据量，确定导入后目标表的rowkey，region数量；

3.2、通过采样获取splitkey

将查询结果记录下来，下一步需要使用这些splitkey创建目标表：

select splitkey from ( 
select max(c) as splitkey from (
select idcard c, ntile(5) over (order by idcard) nt from sample_table ) group by nt
) order by splitkey LIMIT 4;

• 说明：
• ntile函数的参数即为预分region的数量；
• limit的数量是预分region数量减一；

最终获取到的splitkey如下图所示：

4、使用Inceptor建立hbase表的映射表

根据上一步骤得到的splitkey创建hbase表：

DROP TABLE sqlbulkload_test;
CREATE TABLE sqlbulkload_test
(key STRING
  , name STRING
  , sex STRING
  , nation STRING
  , b_date BIGINT
  , phone STRING
  , email STRING
  , addr STRING)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
COLLECTION ITEMS TERMINATED BY '\001' 
MAP KEYS TERMINATED BY '\003' 
LINES TERMINATED BY '\N'
STORED by org.apache.hadoop.hive.hbase.HBaseStorageHandler
TBLPROPERTIES(
'hbase.table.splitkey'='230124199501014575,362430200912311849,432501200001010756,522527199001014861',
'COMPRESSION'='SNAPPY',
'hbase.table.name'='sqlbulkload_test');

5、使用SQL Bulkload导入数据

使用bulkload的方式从源表中将数据导入目标表

insert into table sqlbulkload_test 
select /*+USE_BULKLOAD*/ 
idcard key,name STRING,sex STRING,nation STRING,
b_date BIGINT,phone STRING,email STRING,addr STRING 
from store_people order by key;

6、在hbase shell中查看数据已经成功插入