HBase, загрузка больших массивов данных через bulk load

Привет коллеги.

Хочу поделиться своим опытом использования HBase, а именно рассказать про bulk loading. Это еще один метод загрузки данных. Он принципиально отличается от обычного подхода (записи в таблицу через клиента). Есть мнение, что с помощью bulk load можно очень быстро загружать огромные массивы данных. Именно в этом я решил разобраться.



И так, обо всём по порядку. Загрузка через bulk load происходит в три этапа:

• Помещаем файлы с данными в HDFS


• Запускаем MapReduce задачу, которая преобразует исходные данные непосредственно в файлы формата HFile, посути HBase хранит свои данные именно в таких файлах.


• Запускаем bulk load функцию, которая зальёт (привяжет) полученные файлы в таблицу HBase.

В данном случае мне было необходимо прочувствовать эту технологию и понять её в цифрах: чему равна скорость, как она зависит от количества и размера файлов. Эти числа слишком зависимы от внешних условий, но помогают понять порядки между обычной загрузкой и bulk load.

Исходные данные:

Кластер под управлением Cloudera CDH4, HBase 0.94.6-cdh4.3.0.

Три виртуальных хоста (на гипервизоре), в конфигурации CentOS / 4CPU / RAM 8GB / HDD 50GB

Тестовые данные хранились в CSV файлах различных размеров, суммарным объёмом 2GB, 3.5GB, 7.1GB и 14.2GB

Сначала о результатах:

Bulk loading

Cкорость:

• Max 29.2 Mb/sec или 58K rec/sec (3.5GB в 28 файлах)


• Average 27 Mb/sec или 54K rec/sec(рабочая скорость, более приближенная к реальности )


• Min 14.5 Mb/sec или 29K rec/sec (2GB в 100 файлах)


• 1 файл загружается на 20% быстрее чем 100

Размер одной записи (row): 0.5Кb

Время инициализации MapReduce Job: 70 sec

Время загрузки файлов в HDFS с локальной файловой системы:

• 3.5GB / 1 файл — 65 sec


• 7.5GB / 100 — 150 sec


• 14.2G / 1 файл — 285 sec

Загрузка через клиенты:

Загрузка осуществлялась с 2-х хостов по 8 потоков на каждом.

Клиенты запускались по крону в одно и тоже время, загрузка CPU не превышала 40%

Размер одной записи (row), как и в предыдущем случае был равен 0.5Кb.

Что в итоге?

Реализовать этот тест, я решил на волне разговоров о bulk load как о способе сверхбыстрой загрузки данных. Стоит сказать, что в официальной документации речь идет только о снижении нагрузки на сеть и CPU. Как бы там ни было, я не вижу выигрыша в скорости. Тесты показывают что bulk load быстре всего лишь в полтора раза, но не будем забывать что это без учета инициализации m/r джобы. Кроме того, данные надо доставить в HDFS, на это тоже потребуется какое то время.

Думаю, стоит относиться к bulk load просто, как к еще одному способу загрузки данных, архитектурно иному (в некоторых случаях очень даже удобному).

А теперь о реализации

Теоретически всё довольно просто, но на практике возникает несколько технических нюансов.

//Создаём джоб
Job job = new Job(configuration, JOB_NAME);
job.setJarByClass(BulkLoadJob.class);

job.setMapOutputKeyClass(ImmutableBytesWritable.class);
job.setMapOutputValueClass(Put.class);

job.setMapperClass(DataMapper.class);
job.setNumReduceTasks(0);

job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(HFileOutputFormat.class);

FileInputFormat.setInputPaths(job, inputPath);
HFileOutputFormat.setOutputPath(job, new Path(outputPath));

HTable dataTable = new HTable(jobConfiguration, TABLE_NAME);
HFileOutputFormat.configureIncrementalLoad(job, dataTable);

//Запускаем
ControlledJob controlledJob = new ControlledJob(
    job,
    null
);

JobControl jobController = new JobControl(JOB_NAME);
jobController.addJob(controlledJob);

Thread thread = new Thread(jobController);
thread.start();
.
.
.
//Даём права на output
setFullPermissions(JOB_OUTPUT_PATH);

//Запускаем функцию bulk-load
LoadIncrementalHFiles loader = new LoadIncrementalHFiles(jobConfiguration);
loader.doBulkLoad(
        new Path(JOB_OUTPUT_PATH),
        dataTable
);

• MapReduce Job создаёт выходные файлы c правами пользователя, от имени которого он был запущен.


• bulk load всегда запускается от имени пользователя hbase, поэтому не может прочитать подготовленные для него файлы, и валится вот с таким исключением: org.apache.hadoop.security.AccessControlException: Permission denied: user=hbase

Поэтому надо запускать Job от имени пользователя hbase или раздать права на выходные файлы (именно так я сделал).

• Необходимо правильно создать таблицу HBase. По умолчанию она создается с одним Region-ом. Это приводит к тому, что создается только один редьюсер и запись идет только на одну ноду, загружая её на 100% остальные при этом курят.
  
  Поэтому при создании новой таблицы надо сделать pre-split. В моём случае таблица разбивалась на 10 Region-ов равномерно разбросанных по всему кластеру.

//Создаём таблицу и делаем пре-сплит
HTableDescriptor descriptor = new HTableDescriptor(
        Bytes.toBytes(tableName)
);

descriptor.addFamily(
        new HColumnDescriptor(Constants.COLUMN_FAMILY_NAME)
);

HBaseAdmin admin = new HBaseAdmin(config);

byte[] startKey = new byte[16];
Arrays.fill(startKey, (byte) 0);

byte[] endKey = new byte[16];
Arrays.fill(endKey, (byte)255);

admin.createTable(descriptor, startKey, endKey, REGIONS_COUNT);
admin.close();

• MapReduce Job пишет в выходную директорию, которую мы ему указываем, но при этом создает субдиректории, одноименные с column family. Файлы создаются именно там

В целом, это всё. Хочется сказать, что это довольно грубый тест, без хитрых оптимизаций, поэтому если у вас есть что добавить, буду рад услышать.

Весь код проекта доступен на GitHub: github.com/2anikulin/hbase-bulk-load

This entry passed through the Full-Text RSS service — if this is your content and you're reading it on someone else's site, please read the FAQ at fivefilters.org/content-only/faq.php#publishers. Five Filters recommends:

• Massacres That Matter - Part 1 - 'Responsibility To Protect' In Egypt, Libya And Syria


• Massacres That Matter - Part 2 - The Media Response On Egypt, Libya And Syria


• National demonstration: No attack on Syria - Saturday 31 August, 12 noon, Temple Place, London, UK