大家在使用HBase和Solr搭建系统中经常遇到的一个问题就是：“我通过SOLR得到了RowKeys后，该怎样去HBase上取数据”。使用现有的Filter性能差劲，网上也没有现成的解决方案，我在这里把这个问题的解决办法分享给大家，抛砖引玉一下。
Solr和HBase专辑
1、“关于Solr的使用总结的心得体会”(http://www.cnblogs.com/wgp13x/p/3742653.html)
2、“中文分词器性能比较?”(http://www.cnblogs.com/wgp13x/p/3748764.html)
3、“Solr与HBase架构设计”(http://www.cnblogs.com/wgp13x/p/a8bb8ccd469c96917652201007ad3c50.html)
4、 “大数据架构: 使用HBase和Solr将存储与索引放在不同的机器上”(http://www.cnblogs.com/wgp13x/p/3927979.html)
5、“一个自定义 HBase Filter -通过RowKeys来高性能获取数据”(http://www.cnblogs.com/wgp13x/p/4196466.html)
“大数据架构: 使用HBase和Solr将存储与索引放在不同的机器上”此文一经推出，览者众多，也有很多同仁朋友问我问题，看来近年关注先进大数据架构的公司越来越多了，基本上有数据接入的公司都会有这一问题。具我所知，“我该选Oracle还是MySQL作数据存储呢？”，“MySQL数据库索引创建后对双百分号%like不起作用啊！”，“没事，数据量再大我加存储柜不就行了？哈哈哈！”，这些都是还在用关系型数据库存储大数据的公司，它们往往对查询这块束手无策；它们的对策往往是：“我退而求其次，往年的数据我搜不了，我只搜今年的数据不就OK啦？反正业务单位我也能搞定。”--这是有垄断有背景的公司，也是不思进取的公司，“我分表，用户查近三个月的数据多，查前面的数据少，我每个月分一张表，解决了。”--这是吃了这顿没下顿的公司，抓紧把当前的项目搞完拿钱走人的公司，“上内存数据库哎，那个快。”--这是不管三七二十一、以屁股决定脑袋的公司。不管怎么说，能关注当前大数据架构技术的公司都是不落伍滴。
现在我把大家在使用HBase和Solr搭建系统中经常遇到的一个问题的解决办法在这里分享给大家，这个问题就是：“我通过SOLR得到了RowKeys后，该怎样去HBase上取数据”。
相信有人开始发问了，HBase不是提供了功能很强劲的Filter了吗？可以或可以且，可以相等，还可以组合，看起来很丰满，用起来很骨感。经过一番实践过后，性能低得吓人，使用200条RowKey在300百万的数据集中取数据，要等上好几钟，究其原因，多Filter的或组合过滤就是在HBase的数据里滚了一遍又一遍，不慢才怪。
那么应该怎么做呢？自定义HBase Filter，这样只要滚一遍就好啦。RowKeyFilter就是自定义的Filter，它继承自FilterBase类，类中主要定义了三个属性，byte[] value用来传入RowKeys，Map<Object, Object>用来存放传入的RowKeys，撞到了就返回，boolean filterRow用来告诉HBase是否滤掉。下面是具体的RowKeyFilter代码。
|
import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import java.util.Arrays; import java.util.HashMap; import java.util.Map; import org.apache.hadoop.hbase.KeyValue; import org.apache.hadoop.hbase.filter.FilterBase; import org.apache.hadoop.hbase.util.Bytes; /** * @description 自定义过滤器，用来读取大量离散行 * @author 王安琪 * @time 2014年11月8日上午10:47:17 * @className RowKeyFilter */ public class RowKeyFilter extends FilterBase { private byte[] value = null; private boolean filterRow = true; /** * map中存放需要读的行RowKey */ public Map<Object, Object> map = new HashMap<Object, Object>(); public RowKeyFilter() { super(); } public RowKeyFilter(byte[] value) { this.value = value; } @Override public ReturnCode filterKeyValue(KeyValue ignored) { if (this.filterRow == false) return ReturnCode.INCLUDE; else return ReturnCode.NEXT_ROW; } /** * 行过滤，查询该行RowKey是否在Map中 */ @Override public boolean filterRowKey(byte[] buffer, int offset, int length) { byte[] rowKey = Arrays.copyOfRange(buffer, offset, offset + length); String str = new String(rowKey); if (map.containsKey(str)) { // 在0(1)时间内返回，效率较高 this.filterRow = false; // false表示包括这一行 } return this.filterRow; } @Override public void reset() { this.filterRow = true; } @Override public boolean filterRow() { return filterRow; } /** * 将Map中的数据以Byte[]形式传给服务器 */ @Override public void write(DataOutput dataOutput) throws IOException { Bytes.writeByteArray(dataOutput, this.value); } /** * 服务器读取Byte[]数据，再将数据存储到Map中 不同的RowKey以","分割 */ @Override public void readFields(DataInput dataInput) throws IOException { this.value = Bytes.readByteArray(dataInput); String string = new String(this.value); String[] strs = string.split(","); for (String str : strs) { map.put(str, str); } } } |
自定义Filter如何加载到HBase中，网上有很多的介绍，这里就不作说明了，下面列举出了如何使用RowKeyFilter的代码段来达到筛选的目的。
|
/** * 根据rowKeys获取数据 * * @param rowKeys：每个rowkey之间使用逗号分隔符 * @param filterColumn:表示过滤的列，如果为空表示所有列的数据都返回 * @param isContiansRowkeys:设置为true，表示返回结果集中包含rowkeys；否则返回结果集中不包含rowkeys * @return */ /* @Override */ public Datas getDatasFromHbase(String rowKeys, List<String> filterColumn, boolean isContiansRowkeys) { Datas datas = new Datas(); HTableInterface hTableInterface = getTable(tableName); Scan scan = new Scan(); if (filterColumn != null) { for (String column : filterColumn) { scan.addColumn(columnFamilyName.getBytes(), column.getBytes()); } } if (rowKeys != null && rowKeys.length() > 0) { RowKeyFilter rowKeyFilter = new RowKeyFilter(rowKeys.getBytes()); scan.setFilter(rowKeyFilter); } ResultScanner resultScanner = null; List<Data> listData = new ArrayList<Data>(); try { resultScanner = hTableInterface.getScanner(scan); for (Result result : resultScanner) { Data data = new Data(); if (isContiansRowkeys) { data.setRowkey(new String(result.getRow())); } Map<String, String> map = new HashMap<String, String>(); List<String> content = new ArrayList<String>(); String[] temp = null; if (filterColumn != null) { temp = new String[filterColumn.size()]; } for (KeyValue keyValue : result.raw()) { if (filterColumn == null) { content.add(new String(keyValue.getValue())); } else if (filterColumn != null) { String qualifier = new String(keyValue.getQualifier()); String value = new String(keyValue.getValue()); if (filterColumn.contains(qualifier)) { int index = filterColumn.indexOf(qualifier); temp[index] = value; } } } if (temp != null) { for (int i = 0; i < temp.length; i++) { content.add(temp[i]); } } data.setContent(content); listData.add(data); } datas.setDatas(listData); } catch (IOException e) { e.printStackTrace(); } finally { resultScanner.close(); try { hTableInterface.close(); } catch (IOException e) { e.printStackTrace(); } } return datas; } |
经过验证，在HBase单表数据量达到1000万条时，过滤300条RowKey的数据共花了10多秒，显然此Filter的性能比自带Filter的性能提高了不少，但我觉得尚且不够，性能还远远达不到目标要求。不知道cnblogs的高人们有无更好的解决办法，求指教！
另，有挂靠《系统集成项目管理师》的公司吗？我刚考过，有需要的Q我详聊。写在2014年末。
http://www.cnblogs.com/wgp13x/p/4196466.html