如果要统对hbase中的数据,进行某种统计,比如统计某个字段最大值,统计满足某种条件的记录数,统计各种记录特点,并按照记录特点分类(类似于sql的group by)~

常规的做法就是把hbase中整个表的数据scan出来,或者稍微环保一点,加一个filter,进行一些初步的过滤(对于rowcounter来说,就加了FirstKeyOnlyFilter),但是这么做来说还是会有很大的副作用,比如占用大量的网络带宽(当标级别到达千万级别,亿级别之后)尤为明显,RPC的量也是不容小觑的。

理想的方式应该是怎样?

拿row counter这个简单例子来说,我要统计总行数,如果每个region 告诉我他又多少行,然后把结果告诉我,我再将他们的结果汇总一下,不就行了么?
现在的问题是hbase没有提供这种接口,来统计每个region的行数,那是否我们可以自己来实现一个呢?
没错,正如本文标题所说,我们可以自己来实现一个Endpoint,然后让hbase加载起来,然后我们远程调用即可。

什么是Endpoint?

先弄清楚什么是hbase coprocessor

hbase有两种coprocessor,一种是Observer(观察者),类似于关系数据库的trigger(触发器),另外一种就是EndPoint,类似于关系数据库的存储过程。

观察者这里就多做介绍了,这里介绍Endpoint。

EndPoint是动态RPC插件的接口,它的实现代码被部署在服务器端(regionServer),从而能够通过HBase RPC调用。客户端类库提供了非常方便的方法来调用这些动态接口,它们可以在任意时候调用一个EndPoint,它们的实现代码会被目标region远程执行,结果会返回到终端。用户可以结合使用这些强大的插件接口,为HBase添加全新的特性。

怎么实现一个EndPoint

1. 定义一个新的protocol接口,必须继承CoprocessorProtocol.
2. 实现终端接口,继承抽象类BaseEndpointCoprocessor,改实现代码需要部署到
3. 在客户端,终端可以被两个新的HBase Client API调用 。单个region:HTableInterface.coprocessorProxy(Class<T> protocol, byte[] row) 。rigons区域:HTableInterface.coprocessorExec(Class<T> protocol, byte[] startKey, byte[] endKey, Batch.Call<T,R> callable),这里的region是通过一个row来标示的,就是说,改row落到那个region,RPC就发给哪个region,对于start-end的,[start,end)范围内的region都会受到RPC调用。

如图


public          interface          CounterProtocol           extends          CoprocessorProtocol {         
                    public          long          count(          byte          [] start,           byte          [] end)           throws          IOException;         
          }


public          class          CounterEndPoint           extends          BaseEndpointCoprocessor           implements          CounterProtocol {         
                    
                    @Override         
                    public          long          count(          byte          [] start,           byte          []end)           throws          IOException {         
                    // aggregate at each region         
                    Scan scan =           new          Scan();         
                    long          numRow =           0          ;         
                    
                    InternalScanner scanner = ((RegionCoprocessorEnvironment) getEnvironment()).getRegion()         
                    .getScanner(scan);         
                    try          {         
                    List<KeyValue> curVals =           new          ArrayList<KeyValue>();         
                    boolean          hasMore =           false          ;         
                    do          {         
                    curVals.clear();         
                    hasMore = scanner.next(curVals);         
                    if          (Bytes.compareTo(curVals.get(          0          ).getRow(), start)<          0          ) {         
                    continue          ;         
                    }         
                    if          (Bytes.compareTo(curVals.get(          0          ).getRow(), end)>=           0          ) {         
                    break          ;         
                    }         
                    numRow++;         
                    }           while          (hasMore);         
                    }           finally          {         
                    scanner.close();         
                    }         
                    return          numRow;         
                    }         
                    
          }

public          class          CounterEndPointDemo {         
                    public          static          void          main(String[] args)           throws          IOException, Throwable {         
                    final          String startRow = args[          0          ];         
                    final          String endRow = args[          1          ];         
                    
                    @SuppressWarnings          (          "resource"          )         
                    HTableInterface table =           new          HTable(HBaseConfiguration.create(),           "tc"          );         
                    Map<          byte          [], Long> results;         
                    
                    // scan: for all regions         
                    results = table.coprocessorExec(CounterProtocol.          class          , startRow.getBytes(),         
                    endRow.getBytes(),           new          Batch.Call<CounterProtocol, Long>() {         
                    public          Long call(CounterProtocol instance)           throws          IOException {         
                    return          instance.count(startRow.getBytes(), endRow.getBytes());         
                    }         
                    });         
                    
                    long          total =           0          ;         
                    for          (Map.Entry<          byte          [], Long> e : results.entrySet()) {         
                    System.out.println(e.getValue());         
                    total += e.getValue();         
                    }         
                    
                    System.out.println(          "total:"          + total);         
                    }         
          }


整个程序的框架其实又是另外一个mapreduce,只是运行在region server上面,reduce运行在客户端,其中map计算量较大,reduce计算量很小!

另外需要提醒的是:
protocol的返回类型,可以是基本类型。
如果是一个自定义的类型需要实现org.apache.hadoop.io.Writable接口。
关于详细的支持类型,请参考代码hbase源码:org.apache.hadoop.hbase.io.HbaseObjectWritable

怎么部署?

1. 通过hbase-site.xml增加

<          property          >         
                    <          name          >hbase.coprocessor.region.classes</          name          >         
                    <          value          >xxxx.CounterEndPoint </          value          >         
          </          property          >



  1. 如果要配置多个,就用逗号(,)分割。
  2. 包含此类的jar必须位于hbase的classpath
  3. 这种coprocessor是作用于所有的表,如果你只想作用于部分表,请使用下面一种方式。

2. 通过shell方式
增加:

hbase(main):005:0> alter           't1'          , METHOD =>           'table_att'          ,         
          'coprocessor'          =>          'hdfs:///foo.jar|com.foo.FooRegionObserver|1001|arg1=1,arg2=2'         
          Updating all regions with the new schema...         
          1          /1          regions updated.         
          Done.         
          0 row(s)           in          1.0730 seconds



coprocessor格式为:
[FilePath]|ClassName|Priority|arguments
arguments: k=v[,k=v]+

  1. 其中FilePath是hdfs路径,例如/tmp/zhenhe/cp/zhenhe-1.0.jar
  2. ClassNameEndPoint实现类的全名
  3. Priority为,整数,框架会根据这个数据决定多个cp的执行顺序
  4. Arguments,传给cp的参数
  5. 如果hbase的classpath包含改类,FilePath可以留空

卸载:

  1. 先describe “tableName‘,查看你要卸载的cp的编号
  2. 然后alter 't1', METHOD => 'table_att_unset', NAME=> 'coprocessor$3',coprocessor$3可变。

应用场景

这是一个最简单的例子,另外还有很多统计场景,可以用在这种方式实现,有如下好处:

  1. 节省网络带宽
  2. 减少RPC调用(scan的调用随着CacheSzie的变小而线性增加),减轻hbase压力
  3. 可以提高统计效率,那我之前写过的一个groupby类型的例子来说,大约可以提高50%以上的统计速度。

其他应用场景?

  1. 一个保存着用户信息的表,可以统计每个用户信息(counter job)
  2. 统计最大值,最小值,平均值,参考:https://issues.apache.org/jira/browse/HBASE-1512
  3. 批量删除记录,批量删除某个时间戳的记录

参考:

1. http://blogs.apache.org/hbase/entry/coprocessor_introduction
2. https://issues.apache.org/jira/browse/HBASE-1512