HBase数据迁移到Kafka？这种逆向操作你震惊了吗！
HBase数据迁移到Kafka？这种逆向操作你震惊了吗！
在实际的应用场景中，数据存储在HBase集群中，但是由于一些特殊的原因，需要将数据从HBase迁移到Kafka。正常情况下，一般都是源数据到Kafka，再有消费者处理数据，将数据写入HBase。但是，如果逆向处理，如何将HBase的数据迁移到Kafka呢？今天笔者就给大家来分享一下具体的实现流程。
逆向处理会遇到的问题
一般业务场景如下，数据源头产生数据，进入Kafka，然后由消费者（如Flink、Spark、Kafka API）处理数据后进入到HBase。这是一个很典型的实时处理流程。流程图如下：
上述这类实时处理流程，处理数据都比较容易，毕竟数据流向是顺序处理的。但是，如果将这个流程逆向，那么就会遇到一些问题。
1.海量数据
HBase的分布式特性，集群的横向拓展，HBase中的数据往往都是百亿、千亿级别，或者数量级更大。这类级别的数据，对于这类逆向数据流的场景，会有个很麻烦的问题，那就是取数问题。如何将这海量数据从HBase中取出来？
2.没有数据分区
我们知道HBase做数据Get或者List很快，也比较容易。而它又没有类似Hive这类数据仓库分区的概念，不能提供某段时间内的数据。如果要提取最近一周的数据，可能全表扫描，通过过滤时间戳来获取一周的数据。数量小的时候，可能问题不大，而数据量很大的时候，全表去扫描HBase很困难。
解决思路
对于这类逆向数据流程，如何处理。其实，我们可以利用HBase Get和List的特性来实现。因为HBase通过RowKey来构建了一级索引，对于RowKey级别的取数，速度是很快的。实现流程细节如下：
数据流程如上图所示，下面笔者为大家来剖析每个流程的实现细节，以及注意事项。
1.Rowkey抽取
我们知道HBase针对Rowkey取数做了一级索引，所以我们可以利用这个特性来展开。我们可以将海量数据中的Rowkey从HBase表中抽取，然后按照我们制定的抽取规则和存储规则将抽取的Rowkey存储到HDFS上。 这里需要注意一个问题，那就是关于HBase Rowkey的抽取，海量数据级别的Rowkey抽取，建议采用MapReduce来实现。这个得益于HBase提供了TableMapReduceUtil类来实现，通过MapReduce任务，将HBase中的Rowkey在map阶段按照指定的时间范围进行过滤，在reduce阶段将rowkey拆分为多个文件，最后存储到HDFS上。 这里可能会有同学有疑问，都用MapReduce抽取Rowkey了，为啥不直接在扫描处理列簇下的列数据呢？这里，我们在启动MapReduce任务的时候，Scan HBase的数据时只过滤Rowkey（利用FirstKeyOnlyFilter来实现），不对列簇数据做处理，这样会快很多。对HBase RegionServer的压力也会小很多。
这里举个例子，比如上表中的数据，其实我们只需要取出Rowkey（row001）。但是，实际业务数据中，HBase表描述一条数据可能有很多特征属性（例如姓名、性别、年龄、身份证等等），可能有些业务数据一个列簇下有十几个特征，但是他们却只有一个Rowkey，我们也只需要这一个Rowkey。那么，我们使用FirstKeyOnlyFilter来实现就很合适了。
/**
* 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.
*/
这个是FirstKeyOnlyFilter的一段功能描述，它用于返回第一条KV数据，官方其实用它来做计数使用，这里我们稍加改进，把FirstKeyOnlyFilter用来做抽取Rowkey。
2.Rowkey生成
抽取的Rowkey如何生成，这里可能根据实际的数量级来确认Reduce个数。建议生成Rowkey文件时，切合实际的数据量来算Reduce的个数。尽量不用为了使用方便就一个HDFS文件，这样后面不好维护。举个例子，比如HBase表有100GB，我们可以拆分为100个文件。
3.数据处理
在步骤1中，按照抽取规则和存储规则，将数据从HBase中通过MapReduce抽取Rowkey并存储到HDFS上。然后，我们在通过MapReduce任务读取HDFS上的Rowkey文件，通过List的方式去HBase中获取数据。拆解细节如下:
Map阶段，我们从HDFS读取Rowkey的数据文件，然后通过批量Get的方式从HBase取数，然后组装数据发送到Reduce阶段。
在Reduce阶段，获取来自Map阶段的数据，写数据到Kafka，通过Kafka生产者回调函数，获取写入Kafka状态信息，根据状态信息判断数据是否写入成功。
如果成功，记录成功的Rowkey到HDFS，便于统计成功的进度；如果失败，记录失败的Rowkey到HDFS，便于统计失败的进度。
4.失败重跑
通过MapReduce任务写数据到Kafka中，可能会有失败的情况，对于失败的情况，我们只需要记录Rowkey到HDFS上，当任务执行完成后，再去程序检查HDFS上是否存在失败的Rowkey文件，如果存在，那么再次启动步骤10，即读取HDFS上失败的Rowkey文件，然后再ListHBase中的数据，进行数据处理后，最后再写Kafka，以此类推，直到HDFS上失败的Rowkey处理完成为止。
实现代码
这里实现的代码量也并不复杂，下面提供一个伪代码，可以在此基础上进行改造（例如Rowkey的抽取、MapReduce读取Rowkey并批量Get HBase表，然后在写入Kafka等）。示例代码如下：
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);
}
}
}
}
总结
整个逆向数据处理流程，并不算复杂，实现也是很基本的MapReduce逻辑，没有太复杂的逻辑处理。在处理的过程中，需要注意几个细节问题：
Rowkey生成到HDFS上时，可能存在行位空格的情况，在读取HDFS上Rowkey文件去List时，最好对每条数据做个过滤空格处理。另外，就是对于成功处理Rowkey和失败处理Rowkey的记录，这样便于任务失败重跑和数据对账。可以知晓数据迁移进度和完成情况。同时，我们可以使用Kafka Eagle监控工具来查看Kafka写入进度。