1.概述

在實際的應用場景中，資料儲存在HBase叢集中，但是由於一些特殊的原因，需要將資料從HBase遷移到Kafka。正常情況下，一般都是源資料到Kafka，再有消費者處理資料，將資料寫入HBase。但是，如果逆向處理，如何將HBase的資料遷移到Kafka呢？今天筆者就給大家來分享一下具體的實現流程。

2.內容

一般業務場景如下，資料來源頭產生資料，進入Kafka，然後由消費者（如Flink、Spark、Kafka API）處理資料後進入到HBase。這是一個很典型的實時處理流程。流程圖如下：

 上述這類實時處理流程，處理資料都比較容易，畢竟資料流向是順序處理的。但是，如果將這個流程逆向，那麼就會遇到一些問題。

2.1 海量資料

HBase的分散式特性，叢集的橫向拓展，HBase中的資料往往都是百億、千億級別，或者數量級更大。這類級別的資料，對於這類逆向資料流的場景，會有個很麻煩的問題，那就是取數問題。如何將這海量資料從HBase中取出來？

2.2 沒有資料分割槽

我們知道HBase做資料Get或者List<Get>很快，也比較容易。而它又沒有類似Hive這類資料倉庫分割槽的概念，不能提供某段時間內的資料。如果要提取最近一週的資料，可能全表掃描，通過過濾時間戳來獲取一週的資料。數量小的時候，可能問題不大，而資料量很大的時候，全表去掃描HBase很困難。

3.解決思路

對於這類逆向資料流程，如何處理。其實，我們可以利用HBase Get和List<Get>的特性來實現。因為HBase通過RowKey來構建了一級索引，對於RowKey級別的取數，速度是很快的。實現流程細節如下：

 資料流程如上圖所示，下面筆者為大家來剖析每個流程的實現細節，以及注意事項。

3.1 Rowkey抽取

我們知道HBase針對Rowkey取數做了一級索引，所以我們可以利用這個特性來展開。我們可以將海量資料中的Rowkey從HBase表中抽取，然後按照我們制定的抽取規則和儲存規則將抽取的Rowkey儲存到HDFS上。

這裡需要注意一個問題，那就是關於HBase Rowkey的抽取，海量資料級別的Rowkey抽取，建議採用MapReduce來實現。這個得益於HBase提供了TableMapReduceUtil類來實現，通過MapReduce任務，將HBase中的Rowkey在map階段按照指定的時間範圍進行過濾，在reduce階段將rowkey拆分為多個檔案，最後儲存到HDFS上。

這裡可能會有同學有疑問，都用MapReduce抽取Rowkey了，為啥不直接在掃描處理列簇下的列資料呢？這裡，我們在啟動MapReduce任務的時候，Scan HBase的資料時只過濾Rowkey（利用FirstKeyOnlyFilter來實現），不對列簇資料做處理，這樣會快很多。對HBase RegionServer的壓力也會小很多。

這裡舉個例子，比如上表中的資料，其實我們只需要取出Rowkey（row001）。但是，實際業務資料中，HBase表描述一條資料可能有很多特徵屬性（例如姓名、性別、年齡、身份證等等），可能有些業務資料一個列簇下有十幾個特徵，但是他們卻只有一個Rowkey，我們也只需要這一個Rowkey。那麼，我們使用FirstKeyOnlyFilter來實現就很合適了。

/**
 * A filter that will only return the first KV from each row.
 * <p>
 * This filter can be used to more efficiently perform row count operations.
 */

這個是FirstKeyOnlyFilter的一段功能描述，它用於返回第一條KV資料，官方其實用它來做計數使用，這裡我們稍加改進，把FirstKeyOnlyFilter用來做抽取Rowkey。

3.2 Rowkey生成

抽取的Rowkey如何生成，這裡可能根據實際的數量級來確認Reduce個數。建議生成Rowkey檔案時，切合實際的資料量來算Reduce的個數。儘量不用為了使用方便就一個HDFS檔案，這樣後面不好維護。舉個例子，比如HBase表有100GB，我們可以拆分為100個檔案。

3.3 資料處理

在步驟1中，按照抽取規則和儲存規則，將資料從HBase中通過MapReduce抽取Rowkey並存儲到HDFS上。然後，我們在通過MapReduce任務讀取HDFS上的Rowkey檔案，通過List<Get>的方式去HBase中獲取資料。拆解細節如下:

 Map階段，我們從HDFS讀取Rowkey的資料檔案，然後通過批量Get的方式從HBase取數，然後組裝資料傳送到Reduce階段。在Reduce階段，獲取來自Map階段的資料，寫資料到Kafka，通過Kafka生產者回調函式，獲取寫入Kafka狀態資訊，根據狀態資訊判斷資料是否寫入成功。如果成功，記錄成功的Rowkey到HDFS，便於統計成功的進度；如果失敗，記錄失敗的Rowkey到HDFS，便於統計失敗的進度。

3.4 失敗重跑

通過MapReduce任務寫資料到Kafka中，可能會有失敗的情況，對於失敗的情況，我們只需要記錄Rowkey到HDFS上，當任務執行完成後，再去程式檢查HDFS上是否存在失敗的Rowkey檔案，如果存在，那麼再次啟動步驟3，即讀取HDFS上失敗的Rowkey檔案，然後再List<Get> HBase中的資料，進行資料處理後，最後再寫Kafka，以此類推，直到HDFS上失敗的Rowkey處理完成為止。

4.實現程式碼

這裡實現的程式碼量也並不複雜，下面提供一個虛擬碼，可以在此基礎上進行改造（例如Rowkey的抽取、MapReduce讀取Rowkey並批量Get HBase表，然後在寫入Kafka等）。示例程式碼如下：

public class MRROW2HDFS {

    public static void main(String[] args) throws Exception {

        Configuration config = HBaseConfiguration.create(); // HBase Config info
        Job job = Job.getInstance(config, "MRROW2HDFS");
        job.setJarByClass(MRROW2HDFS.class);
        job.setReducerClass(ROWReducer.class);

        String hbaseTableName = "hbase_tbl_name";

        Scan scan = new Scan();
        scan.setCaching(1000);
        scan.setCacheBlocks(false);
        scan.setFilter(new FirstKeyOnlyFilter());

        TableMapReduceUtil.initTableMapperJob(hbaseTableName, scan, ROWMapper.class, Text.class, Text.class, job);
        FileOutputFormat.setOutputPath(job, new Path("/tmp/rowkey.list")); // input you storage rowkey hdfs path
        System.exit(job.waitForCompletion(true) ? 0 : 1);

    }

    public static class ROWMapper extends TableMapper<Text, Text> {

        @Override
        protected void map(ImmutableBytesWritable key, Result value,
                Mapper<ImmutableBytesWritable, Result, Text, Text>.Context context)
                throws IOException, InterruptedException {

            for (Cell cell : value.rawCells()) {
                // Filter date range
                // context.write(...);
            }
        }
    }
    
    public static class ROWReducer extends Reducer<Text,Text,Text,Text>{
        private Text result = new Text();
        
        @Override
        protected void reduce(Text key, Iterable<Text> values,Context context) throws IOException, InterruptedException {
            for(Text val:values){
                result.set(val);
                context.write(key, result);
            }
        }
    }
}

5.總結

整個逆向資料處理流程，並不算複雜，實現也是很基本的MapReduce邏輯，沒有太複雜的邏輯處理。在處理的過程中，需要幾個細節問題，Rowkey生成到HDFS上時，可能存在行位空格的情況，在讀取HDFS上Rowkey檔案去List<Get>時，最好對每條資料做個過濾空格處理。另外，就是對於成功處理Rowkey和失敗處理Rowkey的記錄，這樣便於任務失敗重跑和資料對賬。可以知曉資料遷移進度和完成情況。同時，我們可以使用Kafka Eagle監控工具來檢視Kafka寫入進度。

6.結束語

這篇部落格就和大家分享到這裡，如果大家在研究學習的過程當中有什麼問題，可以加群進行討論或傳送郵件給我，我會盡我所能為您解答，與君共勉！

另外，博主出書了《Kafka並不難學》和《Hadoop大資料探勘從入門到進階實戰》，喜歡的朋友或同學， 可以在公告欄那裡點選購買連結購買博主的書進行學習，在此感謝大家的支援。關注下面公眾號，根據提示，可免費獲取書籍的教學視