java - 如何使用 TableMapReduceUtil 在 hbase 扫描器结果上运行 mapreduce

Question

我的 hbase 表是这样的:

    key---------value
    id1/bla     value1
    id1/blabla  value2
    id2/bla     value3
    id2/blabla  value4
    ....

有数百万个以 id1 开头的键和数百万个以 id2 开头的键。

我想用 mapReduce 从 hbase 读取数据，因为有很多键以相同的 ID 和每个 ID 一张 map 是不够的。我更喜欢每个 Id 100 个映射器

我希望超过 1 个映射器将在已按 id 过滤的同一个 scannerResult 上运行。 我阅读了 TableMapReduceUtil 并尝试了以下操作:

Configuration config = HBaseConfiguration.create();
Job job = new Job(config,"ExampleSummary");
job.setJarByClass(MySummaryJob.class);     // class that contains mapper and reducer

Scan scan = new Scan();
scan.setCaching(500);        // 1 is the default in Scan, which will be bad for MapReduce jobs
scan.setCacheBlocks(false);  // don't set to true for MR jobs
// set other scan attrs

TableMapReduceUtil.initTableMapperJob(
    sourceTable,        // input table
    scan,               // Scan instance to control CF and attribute selection
    MyMapper.class,     // mapper class
    Text.class,         // mapper output key
    IntWritable.class,  // mapper output value
    job);

使用 map 函数看起来像这样(它应该迭代扫描结果):

public static class MyMapper extends TableMapper<Text, IntWritable>  {

    private final IntWritable ONE = new IntWritable(1);
    private Text text = new Text();

    public void map(ImmutableBytesWritable row, Result value, Context context) throws IOException, InterruptedException {
            text.set("123");     // we can only emit Writables...    
            context.write(text, ONE);
    }
}
<br>

我的问题是:

1. map 函数怎么可能得到输入结果而不是 ResultScanner？我知道扫描的结果可以由 ResultScanner 迭代，而 ResultScanner 可以由 Result 迭代。 ResultScanner 有结果列表\数组，不是吗？
2. 如何在 map 函数中迭代扫描仪的结果？
3. 我如何控制此函数的拆分数量。如果它只打开 10 个映射器而我想要 20 个，是否可以更改某些内容？
4. 有没有最简单的方法可以实现我的目标？

Answer 1

我将从您列表中的第 4 位开始:

默认行为是为每个区域创建一个映射器。因此，与其尝试修改 TableInputFormat 以根据您的规范创建自定义输入拆分，您应该首先考虑将数据拆分为 100 个区域(然后您将拥有 100 个相当平衡的映射器)。

这种方法提高了您的读写性能，因为您不太容易受到热点的影响(假设您的集群中有一个或两个以上的区域服务器)。

解决此问题的首选方法是预拆分表(即在创建表时定义拆分)。