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.

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

1. Помещаем файлы с данными в HDFS
2. Запускаем MapReduce задачу, которая преобразует исходные данные непосредственно в файлы формата  HFile, посути HBase хранит свои данные именно в таких файлах.
3. 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

суммарный размер данных	количество файлов	суммарное количество записей (rows)	количество map	количество reduce	время задачи (Job, сек)	время общее (сек)
2GB	16	4 000 000	16	10	88	160
2GB	100	4 000 000	100	10	137	207
3.5GB	28	7 000 000	28	10	120	191
3.5GB	100	7 000 000	100	10	183	253
3.5GB	1	7 000 000	28	10	123	192
7.1GB	100	14 000 000	100	10	314	380
7.1GB	1	14 000 000	55	10	258	330
14.2G	1	28 000 000	109	10	510	583

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.

количество записей (rows)	среднее время (сек)
4 000 000	109
7 000 000	208
14 000 000	380
28 000 000	836

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: https://github.com/2anikulin/hbase-bulk-load