SnapshotScanMR速度比TableScanMR快10~30倍,那Spark如何实现SnapshotScanMR
HBase 提供的 TableScanMR
和 SnapshotScanMR
是两种用于在大数据集中进行扫描的 MapReduce 作业,网上也有很多介绍Spark如何实现TableScanMR,但是对SnapshotScanMR的实现方式很少几乎没找到可用的,接下来我们先说说这两者的一些共同点以及不同的实现原理,再介绍Spark是如何实现的。
相同点
-
目的:
两者都是为了高效地扫描 HBase 中大量的数据,适用于数据分析和批处理任务。 -
基于 MapReduce:
两个作业都基于 Hadoop 的 MapReduce 框架,实现分布式计算,能够利用集群资源进行并行处理。 -
支持高并发:
这两种扫描方式都能充分利用 HBase 的分布式特性,支持高并发的读操作,适合处理大规模数据集。
不同点
-
数据来源:
- TableScanMR:
直接对 HBase 实时表进行访问,读取当前的数据状态,包含所有的行和最新的变化。 - SnapshotScanMR:
读取特定快照的数据,快照创建时数据的一个静态视图,不会反映后续的更改。
- TableScanMR:
-
一致性:
- TableScanMR:
由于是实时访问,扫描期间可能受到其他写操作的影响,因此返回的数据可能存在一致性问题。 - SnapshotScanMR:
提供了对某一时刻的数据访问,因此在扫描时数据是一致的,不受后续操作影响。
- TableScanMR:
-
性能特性:
- TableScanMR:
性能可能受到数据库实时写入和更新的影响,适用于实时数据分析,但在写入繁重的环境中性能可能波动。 - SnapshotScanMR:
通常具有较稳定的性能,适合于对历史数据的分析和处理,性能受后续写入影响较小。
- TableScanMR:
-
实现的原理:
-
TableScanMR:
TableScan实际上还是一种并行的ScanApi,它离不开RegionServer,所有的Scan请求都会打到RegionServer上,所以如果RegionServer有压力时这种Scan效果并不理想。比如我们在Scan的同时,服务还在大量的compact 或者还有其他的bulkload的等操作影响RegionServer压力的时,Scan效果不是很理想。工作原理如下
-
SnapshotScanMR:
它的Scan方式是直接绕过了RegionServer,直接读取Hbase的HDFS文件,所以RegionServer的压力对他无影响。影响它的就是磁盘IO或者网络。所以当执行任务和Hbase数据是在同机房时SnapshotScan的速度是TableScan 的10~30倍,如果跨机房数据量大了可能还不如TableScan,所以得保证同机房。工作原理如下
-
-
使用场景:
- TableScanMR:
- 适用于需要访问最新数据的场景,如实时计算、在线分析等。
- 适用于数据分布均匀的场景
- SnapshotScanMR:
- 适用于Bulkload后直接Scan的场景
- 适用于缓解RegionServer压力大或者压力分布不均匀的场景(前提可以忽略实时的写入数据,毕竟使用的是快照)
- 适用于大部分表数据分布均匀,但是部分大表数据分布不均匀,经常大量长时的compact影响单RegionServer压力,导致在Scan均匀表时出现部分长尾任务的情况(这种也是我所遇到的)。
- 计算任务和数据在同机房的情况这点很重要,如果跨机房数据复制的RPC就会非常的耗时
- TableScanMR:
-
Spark实现方式:
- TableScanMR:
val sc = new SparkContext(sparkConf)val scan = new Scan();scan.addFamily(Bytes.toBytes("c"))scan.setTimeStamp(timeStamp)scan.withStartRow(Bytes.toBytes(startRow))scan.withStopRow(Bytes.toBytes(stopRow))val hbaseConf = new Configuration()hbaseConf.set(TableInputFormat.SCAN, Base64.encodeBytes(ProtobufUtil.toScan(scan).toByteArray))hbaseConf.set(TableInputFormat.INPUT_TABLE, "Hbase的表名")val dataRDD: RDD[(ImmutableBytesWritable, Result)] = sc.newAPIHadoopRDD(hbaseConf, classOf[TableInputFormat], classOf[ImmutableBytesWritable], classOf[Result])// 处理后续逻辑
- SnapshotScanMR:
//1.定义扫描范围val sc = new SparkContext(sparkConf)val scan = new Scan();scan.addFamily(Bytes.toBytes("c"))scan.setTimeStamp(timeStamp)scan.withStartRow(Bytes.toBytes(startRow))scan.withStopRow(Bytes.toBytes(stopRow))//2.创建快照val table = TableName.valueOf("Hbase的表名")val snapshotName = "快照名称"val tmpRestoreDir = new Path("临时目录")//创建快照(可以参考Hbase创建快照)Admin.snapshot(snapshotName, table);//3.创建SnapshotScan并返回一个RDDval job: Job = Job.getInstance()TableMapReduceUtil.initCredentials(job)TableMapReduceUtil.initTableSnapshotMapperJob(snapshotName, scan,classOf[IdentityTableMapper], null, null, job, true, tmpRestoreDir)//最后一个参数是HBaseContext 可以根据具体的实现传入val dataRDD: RDD[(ImmutableBytesWritable, Result)] = new NewHBaseRDD(sc,classOf[TableSnapshotInputFormat],classOf[ImmutableBytesWritable],classOf[Result], job.getConfiguration,HBaseContext)// 处理后续逻辑//4.删除快照和目录