discuz论坛apache日志hadoop大数据项目：hbase、hive数据加载思路分析

hbase与hive实现about云分析discuz论坛apache日志hadoop大数据项目思路有很多：
目标：
实现数据能否同时注入hbase与hive

实现方式：

1.hbase通过BulkLoad加载、hive使用创建外部表的方式
2.hbase通过TableOutputFormat 方式、在reduce中直接生成put对象写入HBase，于此同时hive亦能查询数据，详细参考
about云分析discuz论坛apache日志hadoop大数据项目：hive与hbase是如何整合使用的


思路分析：
通常 MapReduce 在写HBase时使用的是 TableOutputFormat 方式，在reduce中直接生成put对象写入HBase，该方式在大数据量写入时效率低下（HBase会block写入，频繁进行flush，split，compact等大量IO操作），并对HBase节点的稳定性造成一定的影响（GC时间过长，响应变慢，导致节点超时退出，并引起一系列连锁反应），而HBase支持 bulk load 的入库方式，它是利用hbase的数据信息按照特定格式存储在hdfs内这一原理，直接在HDFS中生成持久化的HFile数据格式文件，然后上传至合适位置，即完成巨量数据快速入库的办法。配合mapreduce完成，高效便捷，而且不占用region资源，增添负载，在大数据量写入时能极大的提高写入效率，并降低对HBase节点的写入压力。


通过使用先生成HFile，然后再BulkLoad到Hbase的方式来替代之前直接调用HTableOutputFormat的方法有如下的好处：
（1）消除了对HBase集群的插入压力
（2）提高了Job的运行速度，降低了Job的执行时间

目前此种方式仅仅适用于只有一个列族的情况，在新版 HBase 中，单列族的限制会消除。

bulkload 流程与实践
bulkload 方式需要两个Job配合完成：
（1）第一个Job还是运行原来业务处理逻辑，处理的结果不直接调用HTableOutputFormat写入到HBase，而是先写入到HDFS上的一个中间目录下（如 middata）
（2）第二个Job以第一个Job的输出（middata）做为输入，然后将其格式化HBase的底层存储文件HFile
（3）调用BulkLoad将第二个Job生成的HFile导入到对应的HBase表中

总结
对于大数据来讲bulkload的方式，然后采用hive外部表的方式，这样方式应该更合适大数据项目。比如百度、新浪等这些必须使用这种方式，但是面对一些中小网站，可以采用第二种方式。
我们采用其中一种方式来实现。






1、Hbase几种数据入库（load）方式比较

http://www.aboutyun.com/thread-8601-1-1.html

2、MapReduce生成HFile入库到HBase及源码分析

http://www.aboutyun.com/thread-8600-1-1.html

3、MapReduce生成HFile入库到HBase
http://www.aboutyun.com/thread-8602-1-1.html

学习学习，感觉很有技术范儿

非常感谢分享