聊聊HBase海量数据高效入仓处理方案
发布时间：2022-03-15 00:36:05 所属栏目：大数据 来源：互联网
导读：方案背景 现阶段部分业务数据存储在HBase中，这部分数据体量较大，达到数十亿。大数据需要增量同步这部分业务数据到数据仓库中，进行离线分析，目前主要的同步方式是通过HBase的hive映射表来实现的。该种方式具有以下痛点： 需要对HBase表进行全表扫描，对HB
|
方案背景 现阶段部分业务数据存储在HBase中，这部分数据体量较大，达到数十亿。大数据需要增量同步这部分业务数据到数据仓库中，进行离线分析，目前主要的同步方式是通过HBase的hive映射表来实现的。该种方式具有以下痛点： 需要对HBase表进行全表扫描，对HBase库有一定压力，同步数据同步速度慢。 业务方对HBase表字段变更之后，需要重建hive映射表，给权限维护带来一定的困难。 方案简述 1. 数据入仓构建流程 2. HBase数据入仓方案实验对比 分别对以上三种实现方案进行合理性分析。 2.1 方案一 使用HBase的hive映射表。此种方案实现方式简单，但是不符合数仓的实现机制，主要原因有： HBase表虽然是Hadoop生态体系的NoSQL数据库，但是其作为业务方的数据库，直接通过hive映射表读取，就类比于直接读取业务方Mysql中的视图，可能会对业务方数据库造成一定压力，甚至会影响业务的正常运行，违反数仓尽可能低的影响业务运行原则。 2.2 方案二 根据业务表中的时间戳字段，抓取增量数据。由于HBase是基于rowKey的NoSQL数据库，所以会存在以下几个问题： 需要通过Scan全表，然后根据时间戳(updateTime)过滤出当天的增量，当数据量达到千万甚至亿级时，这种执行效率就很低，运行时长很长。 2.3 方案三 根据HBase的timeRange特性(HBase写入数据的时候会记录时间戳，使用的是服务器时间)，首先过滤出增量的rowKey，然后根据这些rowKey去HBase查询对应的数据。这种实现方案同时解决了方案一、方案二的问题。同时，能够有效监控业务方对HBase表字段的新增情况，避免业务方未及时通知而导致的数据缺失问题，能够最大限度的减少数据回溯的频率。 3. 方案选择及实现原理 基于HBase数据写入时会更新TimeRange的特性，scan的时候如果指定TimeRange，那么就不需要扫描全表，直接根据TimeRange获取到对应的rowKey，然后再根据rowKey去get出增量信息，能够实现快速高效的获取增量数据。 另外，通过多次实验对比，及对各种方案的可行性分析，将数据同步方案同步给一站式大数据开发平台，推动大数据开发平台支持基于timeRange的增量同步功能，实现此功能的平台化、配置化，解决了HBase海量数据入仓的痛点。 同时，除了以上这几种解决方案之外，还可以尝试结合Phoenix使用二级索引，然后通过查询Phoenix表的方式同步到数仓，这个将在后期进行性能测试。 （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
