HBase 批量删除为 "complete bulk load"

Question

我想删除 HBase 表中的 3 亿行。我可以使用 HBase API 并发送一批 Delete 对象。但恐怕要花很多时间。

以前的代码就是这种情况，我想插入数百万行。我没有使用 HBase API 并发送一批 Puts，而是使用了一个 Map Reduce 作业，它发出 RowKey/Put 作为值，并使用 HFileOutputFormat2.configureIncrementalLoad(job, table, regionLocator) 来设置我的 Reducer它直接写入准备好由 LoadIncrementalHFiles 快速加载的输出(完全批量加载)。这要快得多(5 分钟而不是 3 小时)。

所以我想对批量删除做同样的事情。

但是，似乎我不能将此技术与 Delete 一起使用，因为 HFileOutputFormat2 尝试为 KeyValue 或 Put (PutSortReducer) 配置 Reducer，但是删除时不存在任何内容。

我的第一个问题是为什么没有“DeleteSortReducer”来启用 D​​elete 的完整批量加载技术？是否只是遗漏了什么，还没有完成？还是有更深层次的理由来证明这一点？

第二个问题，有点相关:如果我复制/粘贴 PutSortReducer 的代码，将其修改为 Delete 并将其作为我的作业的 Reducer 传递，它会起作用吗？ HBase 完全批量加载是否会生成充满墓碑的 HFile？

示例:

public class DeleteSortReducer extends
        Reducer<ImmutableBytesWritable, Delete, ImmutableBytesWritable, KeyValue> {

    @Override
    protected void reduce(
            ImmutableBytesWritable row,
            java.lang.Iterable<Delete> deletes,
            Reducer<ImmutableBytesWritable, Delete,
                    ImmutableBytesWritable, KeyValue>.Context context)
            throws java.io.IOException, InterruptedException
    {
        // although reduce() is called per-row, handle pathological case
        long threshold = context.getConfiguration().getLong(
                "putsortreducer.row.threshold", 1L * (1<<30));
        Iterator<Delete> iter = deletes.iterator();
        while (iter.hasNext()) {
            TreeSet<KeyValue> map = new TreeSet<KeyValue>(KeyValue.COMPARATOR);
            long curSize = 0;
            // stop at the end or the RAM threshold
            while (iter.hasNext() && curSize < threshold) {
                Delete d = iter.next();
                for (List<Cell> cells: d.getFamilyCellMap().values()) {
                    for (Cell cell: cells) {
                        KeyValue kv = KeyValueUtil.ensureKeyValue(cell);
                        map.add(kv);
                        curSize += kv.heapSize();
                    }
                }
            }
            context.setStatus("Read " + map.size() + " entries of " + map.getClass()
                    + "(" + StringUtils.humanReadableInt(curSize) + ")");
            int index = 0;
            for (KeyValue kv : map) {
                context.write(row, kv);
                if (++index % 100 == 0)
                    context.setStatus("Wrote " + index);
            }

            // if we have more entries to process
            if (iter.hasNext()) {
                // force flush because we cannot guarantee intra-row sorted order
                context.write(null, null);
            }
        }
    }
}

Answer 1

首先，简单介绍一下删除操作在 HBase 中的工作原理。在删除命令中，HBase 将数据标记为已删除并将有关它的信息写入 HFile。实际上，数据并没有从光盘中删除，存储中存在两条记录:数据和删除标记。只有在压缩之后，数据才会从磁盘存储中删除。

所有这些信息都表示为 KeyValue .对于表示数据的 KeyValue 有 KeyValue.Type等于 Put。对于删除标记，KeyValue.Type 设置为以下值之一 Delete、DeleteColumn、DeleteFamily、DeleteFamilyVersion。

在您的情况下，您可以通过为 KeyValue.Type 创建具有特殊值的 KeyValue 来实现批量删除。例如，如果你想删除唯一的一列，你应该创建一个 KeyValue，使用构造函数

KeyValue(byte[] row, byte[] family, byte[] qualifier, long timestamp, KeyValue.Type type)

// example 

KeyValue kv = new KeyValue(row, family, qualifier, time, KeyValue.Type.DeleteColumn)

第一个问题的答案你不需要一个特殊的DeleteSortReducer，你应该为KeyValue配置一个reducer。对于第二个问题，答案是否定的。