HBase海量数据入仓实战

一、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。

• 业务方对HBase表字段的变更无法得到有效监控，无法及时感知字段的新增，对数仓的维护带来一定的困难。

• 业务方更新数据时未更新时间戳，导致通过时间戳字段增量抽取时数据缺失。

• 业务方对表字段的更新新增无法及时感知，导致字段不全需要回溯数据。

基于以上背景，对HBase数据增量同步到数仓的场景，给出了通用的解决方案，解决了以上这些痛点。

二、方案简述

2.1 数据入仓构建流程

2.2 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。

2.2.1 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。

• 通过hive映射表的方式，从实现方式上来讲，增加了与业务方的耦合度，违反数仓建设解耦原则。

所以此种方案在此实际应用场景中，是不应该采取的方案。

2.2.2 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。

• 由于HBase表更新数据时，不像MySQL一样，能自动更新时间戳，会导致业务方没有及时更新时间戳，那么在增量抽取数据的时候，会造成数据缺失的情况。

所以此种方案存在一定的风险。

2.2.3 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。

综上，采用方案三作为实现HBase海量数据入仓的解决方案。

2.3 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。

为什么scan之后还要再去get呢？主要是因为通过timeRanme出来的数据，只包含这个时间范围内更新的列，而无法查询到这个rowkey对应的所有字段。比如一个rowkey有name，age两个字段，在指定时间范围内只更新了age字段，那么在scan的时候，只能查询出age字段，而无法查询出name字段，所以要再get一次。同时，获取增量数据对应的columns，跟hive表的meta数据进行比对，对字段的变更进行及时预警，减少后续因少同步字段内容而导致全量初始化的情况发生。其实现的原理图如下：

三、效果对比

运行时间对比如下（单位：秒）：

四、总结与展望

数据仓库的数据来源于各方业务系统，高效准确的将业务系统的数据同步到数仓，是数仓建设的根本。通过该解决方案，主要解决了数据同步过程中的几大痛点问题，能够较好的保证数据入仓的质量问题，为后续的数仓建设打下一个较好的基础。

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。