hbase094xreader.md 15 KB
Hbase094XReader & Hbase11XReader 插件文档
1 快速介绍
HbaseReader 插件实现了从 Hbase中读取数据。在底层实现上，HbaseReader 通过 HBase 的 Java 客户端连接远程 HBase 服务，并通过 Scan 方式读取你指定 rowkey 范围内的数据，并将读取的数据使用 DataX 自定义的数据类型拼装为抽象的数据集，并传递给下游 Writer 处理。
1.1支持的功能
1、目前HbaseReader支持的Hbase版本有：Hbase0.94.x和Hbase1.1.x。
若您的hbase版本为Hbase0.94.x，reader端的插件请选择：hbase094xreader，即：
"reader": { "name": "hbase094xreader" }若您的hbase版本为Hbase1.1.x，reader端的插件请选择：hbase11xreader,即：
"reader": { "name": "hbase11xreader" }
2、目前HbaseReader支持两模式读取：normal 模式、multiVersionFixedColumn模式；
normal 模式：把HBase中的表，当成普通二维表（横表）进行读取,读取最新版本数据。如：
hbase(main):017:0> scan 'users' ROW COLUMN+CELL lisi column=address:city, timestamp=1457101972764, value=beijing lisi column=address:contry, timestamp=1457102773908, value=china lisi column=address:province, timestamp=1457101972736, value=beijing lisi column=info:age, timestamp=1457101972548, value=27 lisi column=info:birthday, timestamp=1457101972604, value=1987-06-17 lisi column=info:company, timestamp=1457101972653, value=baidu xiaoming column=address:city, timestamp=1457082196082, value=hangzhou xiaoming column=address:contry, timestamp=1457082195729, value=china xiaoming column=address:province, timestamp=1457082195773, value=zhejiang xiaoming column=info:age, timestamp=1457082218735, value=29 xiaoming column=info:birthday, timestamp=1457082186830, value=1987-06-17 xiaoming column=info:company, timestamp=1457082189826, value=alibaba 2 row(s) in 0.0580 seconds读取后数据
| rowKey | addres:city | address:contry | address:province | info:age| info:birthday | info:company | | --------| ---------------- |----- |----- |--------| ---------------- |----- | | lisi | beijing| china| beijing |27 | 1987-06-17 | baidu| | xiaoming | hangzhou| china | zhejiang|29 | 1987-06-17 | alibaba|
- multiVersionFixedColumn模式：把HBase中的表，当成竖表进行读取。读出的每条记录一定是四列形式，依次为：rowKey，family:qualifier，timestamp，value。读取时需要明确指定要读取的列，把每一个 cell 中的值，作为一条记录（record），若有多个版本就有多条记录（record）。如：
``` hbase(main):018:0> scan 'users',{VERSIONS=>5} ROW COLUMN+CELL lisi column=address:city, timestamp=1457101972764, value=beijing lisi column=address:contry, timestamp=1457102773908, value=china lisi column=address:province, timestamp=1457101972736, value=beijing lisi column=info:age, timestamp=1457101972548, value=27 lisi column=info:birthday, timestamp=1457101972604, value=1987-06-17 lisi column=info:company, timestamp=1457101972653, value=baidu xiaoming column=address:city, timestamp=1457082196082, value=hangzhou xiaoming column=address:contry, timestamp=1457082195729, value=china xiaoming column=address:province, timestamp=1457082195773, value=zhejiang xiaoming column=info:age, timestamp=1457082218735, value=29 xiaoming column=info:age, timestamp=1457082178630, value=24 xiaoming column=info:birthday, timestamp=1457082186830, value=1987-06-17 xiaoming column=info:company, timestamp=1457082189826, value=alibaba 2 row(s) in 0.0260 seconds
读取后数据(4列)
| rowKey | column:qualifier| timestamp | value |
| --------| ---------------- |----- |----- |
| lisi | address:city| 1457101972764 | beijing |
| lisi | address:contry| 1457102773908 | china |
| lisi | address:province| 1457101972736 | beijing |
| lisi | info:age| 1457101972548 | 27 |
| lisi | info:birthday| 1457101972604 | 1987-06-17 |
| lisi | info:company| 1457101972653 | beijing |
| xiaoming | address:city| 1457082196082 | hangzhou |
| xiaoming | address:contry| 1457082195729 | china |
| xiaoming | address:province| 1457082195773 | zhejiang |
| xiaoming | info:age| 1457082218735 | 29 |
| xiaoming | info:age| 1457082178630 | 24 |
| xiaoming | info:birthday| 1457082186830 | 1987-06-17 |
| xiaoming | info:company| 1457082189826 | alibaba |
3、HbaseReader中有一个必填配置项是：hbaseConfig，需要你联系 HBase PE，将hbase-site.xml 中与连接 HBase 相关的配置项提取出来，以 json 格式填入，同时可以补充更多HBase client的配置，如：设置scan的cache（hbase.client.scanner.caching）、batch来优化与服务器的交互。
如：hbase-site.xml的配置内容如下
<name>hbase.rootdir</name>
<value>hdfs://ip:9000/hbase</value>
<name>hbase.cluster.distributed</name>
<value>true</value>
<name>hbase.zookeeper.quorum</name>
<value>***</value>
转换后的json为：
"hbaseConfig": {
"hbase.rootdir": "hdfs: //ip:9000/hbase",
"hbase.cluster.distributed": "true",
"hbase.zookeeper.quorum": "***"
}
### 1.2 限制
1、目前不支持动态列的读取。考虑网络传输流量（支持动态列，需要先将hbase所有列的数据读取出来，再按规则进行过滤），现支持的两种读取模式中需要用户明确指定要读取的列。
2、关于同步作业的切分：目前的切分方式是根据用户hbase表数据的region分布进行切分。即：在用户填写的［startrowkey，endrowkey］范围内，一个region会切分成一个task，单个region不进行切分。
3、multiVersionFixedColumn模式下不支持增加常量列
## 2 实现原理
简而言之，HbaseReader 通过 HBase 的 Java 客户端，通过 HTable, Scan, ResultScanner 等 API，读取你指定 rowkey 范围内的数据，并将读取的数据使用 DataX 自定义的数据类型拼装为抽象的数据集，并传递给下游 Writer 处理。hbase11xreader与hbase094xreader的主要不同在于API的调用不同，Hbase1.1.x废弃了很多Hbase0.94.x的api。
## 3 功能说明
### 3.1 配置样例
* 配置一个从 HBase 抽取数据到本地的作业:（normal 模式）
{
"job": {
"setting": {
"speed": {
"channel": 1
}
},
"content": [
{
"reader": {
"name": "hbase11xreader",
"parameter": {
"hbaseConfig": {
"hbase.rootdir": "hdfs: //xxx: 9000/hbase",
"hbase.cluster.distributed": "true",
"hbase.zookeeper.quorum": "xxx"
},
"table": "users",
"encoding": "utf-8",
"mode": "normal",
"column": [
{
"name": "rowkey",
"type": "string"
},
{
"name": "info: age",
"type": "string"
},
{
"name": "info: birthday",
"type": "date",
"format":"yyyy-MM-dd"
},
{
"name": "info: company",
"type": "string"
},
{
"name": "address: contry",
"type": "string"
},
{
"name": "address: province",
"type": "string"
},
{
"name": "address: city",
"type": "string"
}
],
"range": {
"startRowkey": "",
"endRowkey": "",
"isBinaryRowkey": true
}
}
},
"writer": {
"name": "txtfilewriter",
"parameter": {
"path": "/Users/shf/workplace/datax_test/hbase11xreader/result",
"fileName": "qiran",
"writeMode": "truncate"
}
}
}
]
}
}
* 配置一个从 HBase 抽取数据到本地的作业:（ multiVersionFixedColumn 模式）
{ "job": {
"setting": {
"speed": {
"channel": 1
}
},
"content": [
{
"reader": {
"name": "hbase11xreader",
"parameter": {
"hbaseConfig": {
"hbase.rootdir": "hdfs: //xxx: 9000/hbase",
"hbase.cluster.distributed": "true",
"hbase.zookeeper.quorum": "xxx"
},
"table": "users",
"encoding": "utf-8",
"mode": "multiVersionFixedColumn",
"maxVersion": "-1",
"column": [
{
"name": "rowkey",
"type": "string"
},
{
"name": "info: age",
"type": "string"
},
{
"name": "info: birthday",
"type": "date",
"format":"yyyy-MM-dd"
},
{
"name": "info: company",
"type": "string"
},
{
"name": "address: contry",
"type": "string"
},
{
"name": "address: province",
"type": "string"
},
{
"name": "address: city",
"type": "string"
}
],
"range": {
"startRowkey": "",
"endRowkey": ""
}
}
},
"writer": {
"name": "txtfilewriter",
"parameter": {
"path": "/Users/shf/workplace/datax_test/hbase11xreader/result",
"fileName": "qiran",
"writeMode": "truncate"
}
}
}
]
} } ```
3.2 参数说明
hbaseConfig
描述：每个HBase集群提供给DataX客户端连接的配置信息存放在hbase-site.xml，请联系你的HBase PE提供配置信息，并转换为JSON格式。同时可以补充更多HBase client的配置，如：设置scan的cache、batch来优化与服务器的交互。
必选：是
默认值：无
mode
描述：读取hbase的模式，支持normal 模式、multiVersionFixedColumn模式，即：normal/multiVersionFixedColumn
必选：是
默认值：无
table
描述：要读取的 hbase 表名（大小写敏感）
必选：是
默认值：无
encoding
描述：编码方式，UTF-8 或是 GBK，用于对二进制存储的 HBase byte[] 转为 String 时的编码
必选：否
默认值：UTF-8
column
- 描述：要读取的hbase字段，normal 模式与multiVersionFixedColumn 模式下必填项。
(1)、normal 模式下：name指定读取的hbase列，除了rowkey外，必须为 列族:列名 的格式，type指定源数据的类型，format指定日期类型的格式，value指定当前类型为常量，不从hbase读取数据，而是根据value值自动生成对应的列。配置格式如下：
"column": [ { "name": "rowkey", "type": "string" }, { "value": "test", "type": "string" } ]normal 模式下，对于用户指定Column信息，type必须填写，name/value必须选择其一。
(2)、multiVersionFixedColumn 模式下：name指定读取的hbase列，除了rowkey外，必须为 列族:列名 的格式，type指定源数据的类型，format指定日期类型的格式 。multiVersionFixedColumn模式下不支持常量列。配置格式如下：
"column": [ { "name": "rowkey", "type": "string" }, { "name": "info: age", "type": "string" } ]必选：是
默认值：无
- 描述：要读取的hbase字段，normal 模式与multiVersionFixedColumn 模式下必填项。
maxVersion
描述：指定在多版本模式下的hbasereader读取的版本数，取值只能为－1或者大于1的数字，－1表示读取所有版本
必选：multiVersionFixedColumn 模式下必填项
默认值：无
range
- 描述：指定hbasereader读取的rowkey范围。
startRowkey：指定开始rowkey；
endRowkey指定结束rowkey；
isBinaryRowkey：指定配置的startRowkey和endRowkey转换为byte[]时的方式，默认值为false,若为true，则调用Bytes.toBytesBinary(rowkey)方法进行转换;若为false：则调用Bytes.toBytes(rowkey)
配置格式如下：
"range": { "startRowkey": "aaa", "endRowkey": "ccc", "isBinaryRowkey":false }必选：否
默认值：无
- 描述：指定hbasereader读取的rowkey范围。
scanCacheSize
描述：Hbase client每次rpc从服务器端读取的行数
必选：否
默认值：256
scanBatchSize
描述：Hbase client每次rpc从服务器端读取的列数
必选：否
默认值：100
3.3 类型转换
下面列出支持的读取HBase数据类型，HbaseReader 针对 HBase 类型转换列表:
| DataX 内部类型 | HBase 数据类型 |
|---|---|
| Long | int, short ,long |
| Double | float, double |
| String | string,binarystring |
| Date | date |
| Boolean | boolean |
请注意:
除上述罗列字段类型外，其他类型均不支持。
4 性能报告
略
5 约束限制
略