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