HBase 批量删除为“完成批量加载”

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。不过恐怕要花很多时间。

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 Put，而是使用 Map Reduce 作业，它发出 RowKey / Put 作为值并使用HFileOutputFormat2.configureIncrementalLoad(job, table, regionLocator) 设置我的 Reducer，以便它直接写入输出，准备好由@987654322 快速加载@（完成批量加载）。它要快得多（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，我似乎无法将这种技术与 Delete 一起使用，因为 HFileOutputFormat2 尝试为 KeyValue 或 Put (PutSortReducer) 配置 Reducer，但 Delete 不存在任何内容。

我的第一个问题是为什么没有“DeleteSortReducer”来为 Delete 启用完整的批量加载技术？它只是缺少一些东西，还没有完成吗？还是有更深层次的理由证明这一点？

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 并将其作为我工作的 Reducer 传递，它会起作用吗？ HBase 完整的批量加载会产生充满墓碑的 HFile 吗？

例子：

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 中是如何工作的。在删除命令上，HBase 将数据标记为已删除，并将有关它的信息写入 HFile。实际上，数据并没有从磁盘中删除，并且存储中存在两条记录：数据和删除标记。只有在压缩后，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，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专门的DeleteSortReducer，你应该为KeyValue配置一个reducer。对于第二个问题，答案是否定的。