如何使用 TableMapReduceUtil 在 hbase 扫描仪结果上运行 mapreduce

Question

我的 hbase 表如下所示：

    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。

我想使用 mapReduce 从 hbase 读取数据，因为有很多以相同 Id 开头的键每个 id 一张地图还不够好。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 并尝试了以下内容：

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);

使用看起来像这样的地图功能（它应该迭代扫描仪结果）：

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 函数如何作为输入 Result 而不是 ResultScanner？我知道扫描的结果可以通过ResultScanner进行迭代，ResultScanner可以通过Result进行迭代。 ResultScanner 有 Result 的 list\array 不是吗？
2. 如何在 map 函数中迭代扫描仪的结果？
3. 如何控制此函数的拆分次数。如果它只打开 10 个映射器，而我想要 20 个，是否可以进行更改？
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#4开始：

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

这种方法可以提高您的读取和写入性能，因为您将不太容易受到热点的影响（假设您的集群中有不止一个或两个区域服务器）。

解决此问题的首选方法是预先拆分您的表（即在创建表时定义拆分）。