Hbase总结（八）Hbase中的Coprocessor

1.起因(Why HBase Coprocessor)

HBase作为列族数据库最常常被人诟病的特性包含：无法轻易建立“二级索引”，难以运行求和、计数、排序等操作。比方，在旧版本号的(<0.92)Hbase中，

q=%E7%BB%9F%E8%AE%A1%E6%95%B0%E6%8D%AE%E8%A1%A8&ie=utf-8&src=se_lighten_f" style="margin:0px;padding:0px;text-decoration:none;color:rgb(0,0,240);border-bottom-width:1px;border-bottom-style:dotted;border-bottom-color:rgb(51,51,51);display:inline;">统计数据表的总行数。须要使用Counter方法，运行一次MapReduce
Job才干得到。尽管HBase在

q=%E6%95%B0%E6%8D%AE%E5%AD%98%E5%82%A8%E5%B1%82&ie=utf-8&src=se_lighten_f" style="margin:0px;padding:0px;text-decoration:none;color:rgb(0,0,240);border-bottom-width:1px;border-bottom-style:dotted;border-bottom-color:rgb(51,51,51);display:inline;">数据存储层中集成了MapReduce。能够有效用于数据表的分布式计算。然而在非常多情况下，做一些简单的相加或者聚合计算的时候，假设直接将计算过程放置在server端，能够降低通讯开销，从而获得非常好的性能提升。于是，HBase在0.92之后引入了协处理器(coprocessors)。实现一些激动人心的新特性：能够轻易建立二次索引、复杂过滤器(谓词下推)以及訪问控制等。

2.灵感来源( Source of Inspration)

HBase协处理器的灵感来自于Jeff Dean 09年的演讲(
P66-67)。

它依据该演讲实现了相似于bigtable的协处理器，包含以下特性:

每一个表服务器的随意子表都能够运行代码
client的高层调用接口(client能够直接訪问数据表的行地址。多行读写会自己主动分片成多个并行的RPC调用)
提供一个非常灵活的、可用于建立分布式服务的数据模型
能够自己主动化扩展、负载均衡、应用请求路由

HBase的协处理器灵感来自bigtable，可是实现细节不尽同样。

HBase建立了一个框架。它为用户提供类库和运行时环境。使得他们的代码能够在HBase region server和master上处理。

3.细节剖析（Implementation)

协处理器分两种类型，系统协处理器能够全局导入region server上的全部数据表，表协处理器即是用户能够指定一张表使用协处理器。协处理器框架为了更好支持其行为的灵活性。提供了两个不同方面的插件。

一个是观察者（observer）。相似于关系数据库的触发器。

还有一个是终端(endpoint)，动态的终端有点像存储过程。

3.1观察者(Observer)

观察者的设计意图是同意用户通过插入代码来重载协处理器框架的upcall方法。而详细的事件触发的callback方法由HBase的核心代码来运行。

协处理器框架处理全部的callback调用细节。协处理器自身仅仅须要插入加入或者改变的功能。

以HBase0.92版本号为例，它提供了三种观察者接口：

RegionObserver：提供client的数据操纵事件钩子：Get、Put、Delete、Scan等。
WALObserver：提供WAL相关操作钩子。
MasterObserver：提供DDL-类型的操作钩子。如创建、删除、修改数据表等。

这些接口能够同一时候使用在同一个地方，依照不同优先级顺序运行.用户能够随意基于协处理器实现复杂的HBase功能层。HBase有非常多种事件能够触发观察者方法，这些事件与方法从HBase0.92版本号起。都会集成在HBase API中。

只是这些API可能会由于各种原因有所修改。不同版本号的接口修改比較大，详细參考Java
Doc。

RegionObserver工作原理，如图1所看到的。

很多其它关于Observer细节请參见HBaseBook的第9.6.3章节。

图1 RegionObserver工作原理

3.2终端(Endpoint)

终端是动态RPC插件的接口。它的实现代码被安装在服务器端。从而能够通过HBase RPC唤醒。client类库提供了非常方便的方法来调用这些动态接口。它们能够在随意时候调用一个终端。它们的实现代码会被目标region远程运行。结果会返回到终端。用户能够结合使用这些强大的插件接口，为HBase加入全新的特性。终端的使用，如以下流程所看到的：

定义一个新的protocol接口，必须继承CoprocessorProtocol.
实现终端接口，该实现会被导入region环境运行。
继承抽象类BaseEndpointCoprocessor.
在client。终端能够被两个新的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)

总体的终端调用过程范例，如图2所看到的：

图2 终端调用过程范例

4.编程实践(Code Example)

在该实例中，我们通过计算HBase表中行数的一个实例，来真实感受协处理器的方便和强大。在旧版的HBase我们须要编写MapReduce代码来汇总数据表中的行数，在0.92以上的版本号HBase中，仅仅须要编写client的代码就可以实现，非常适合用在WebService的封装上。

4.1启用协处理器 Aggregation(Enable Coprocessor Aggregation)

我们有两个方法：1.启动全局aggregation。能过操纵全部的表上的数据。通过修改hbase-site.xml这个文件来实现，仅仅须要加入例如以下代码：

<property>

   <name>hbase.coprocessor.user.region.classes</name>

   <value>org.apache.hadoop.hbase.coprocessor.AggregateImplementation</value>

 </property>

2.启用表aggregation，仅仅对特定的表生效。通过HBase Shell 来实现。

(1)disable指定表。hbase> disable 'mytable'

(2)加入aggregation hbase> alter 'mytable', METHOD => 'table_att','coprocessor'=>'|org.apache.hadoop.hbase.coprocessor.AggregateImplementation||'

(3)重新启动指定表 hbase> enable 'mytable'

4.2统计行数代码(Code Snippet)

public class MyAggregationClient { 

private static final byte[] TABLE_NAME = Bytes.toBytes("mytable");

private static final byte[] CF = Bytes.toBytes("vent");

public static void main(String[] args) throws Throwable {

Configuration customConf = new Configuration();

customConf.setStrings("hbase.zookeeper.quorum",

"node0,node1,node2");

//提高RPC通信时长

customConf.setLong("hbase.rpc.timeout", 600000);

//设置Scan缓存

customConf.setLong("hbase.client.scanner.caching", 1000);

Configuration configuration = HBaseConfiguration.create(customConf);

AggregationClient aggregationClient = new AggregationClient(

configuration);

Scan scan = new Scan();

//指定扫描列族，唯一值

scan.addFamily(CF);

long rowCount = aggregationClient.rowCount(TABLE_NAME, null, scan);

System.out.println("row count is " + rowCount);

}

}

4.3 典型样例

协处理器当中的一个作用是使用Observer创建二级索引。先举个实际样例：
我们要查询指定店铺指定客户购买的订单，首先有一张订单详情表，它以被处理后的订单id作为rowkey。其次有一张以客户nick为rowkey的索引表，结构例如以下：

rowkey family
dp_id+buy_nick1 tid1:null tid2:null ...
dp_id+buy_nick2 tid3:null
...
该表能够通过Coprocessor来构建。实例代码：

public class TestCoprocessor extends BaseRegionObserver {

    @Override

     public void prePut(final ObserverContext<RegionCoprocessorEnvironment> e,

     final Put put, final WALEdit edit, final boolean writeToWAL)

     throws IOException {

         Configuration conf = new Configuration();

         HTable table = new HTable(conf, "index_table");

         List<KeyValue> kv = put.get("data".getBytes(), "name".getBytes());

         Iterator<KeyValue> kvItor = kv.iterator();

         while (kvItor.hasNext()) {

             KeyValue tmp = kvItor.next();

             Put indexPut = new Put(tmp.getValue());

             indexPut.add("index".getBytes(), tmp.getRow(), Bytes.toBytes(System.currentTimeMillis()));

             table.put(indexPut);

         }

         table.close();

     }

}

即继承BaseRegionObserver类，实现prePut方法，在插入订单详情表之前，向索引表插入索引数据。

4.4索引表的使用

先在索引表get索引表，获取tids，然后依据tids查询订单详情表。
当有多个查询条件（多张索引表），依据逻辑运算符（and 、or）确定tids。

4.5使用时注意

1.索引表是一张普通的hbase表，为安全考虑须要开启Hlog记录日志。

2.索引表的rowkey最好是不可变量，避免索引表中产生大量的脏数据。
3.如上样例，column是横向扩展的（宽表）。rowkey设计除了要考虑region均衡，也要考虑column数量。即表不要太宽。建议不超过3位数。
4.如上代码，一个put操作事实上是先后向两张表put数据，为保证一致性，须要考虑异常处理，建议异常时重试。

4.6效率情况

put操作效率不高，如上代码。每插入一条数据须要创建一个新的索引表连接（能够使用htablepool优化）。向索引表插入数据。即耗时是双倍的。对hbase的集群的压力也是双倍的。

当索引表有多个时。压力会更大。
查询效率比filter高，毫秒级别，由于都是rowkey的查询。
如上是预计的效率情况，须要依据实际业务场景和集群情况而定。最好做预先測试。

4.7Coprocessor二级索引方案优劣

长处：在put压力不大、索引region均衡的情况下，查询非常快。
缺点：业务性比較强，若有多个字段的查询，须要建立多张索引表，须要保证多张表的数据一致性，且在hbase的存储和内存上都会有更高的要求。