我们的最终目标是将数据导入Hadoop，在之前的章节中，我们介绍了如何将传统关系数据库的数据导入Hadoop，本节涉及到了HBase。HBase是一种实时分布式数据存储系统，通常位于与Hadoop集群相同的硬件上，或者与Hadoop集群紧密相连，能够直接在MapReduce中使用HBase数据，或将其导入HDFS，这是选择HBase作为解决方案的巨大优势之一。

实践：将HBase数据导入HDFS

如果将要在MapReduce中使用的客户数据与HDFS中的数据结合使用，那该怎么办可以编写一个MapReduce作业，该作业将HDFS数据集作为输入，并直接从HBase的map或reduce代码中提取数据。但在某些情况下，将HBase中的数据直接转储到HDFS可能更有用，特别是如果计划在多个MapReduce作业中使用该数据并且HBase数据不可变或不经常更改。

问题

将HBase数据导入HDFS

解决方案

HBase包含一个Export类，可用于将HBase数据以SequenceFile格式导入HDFS。此技术还介绍了可用于读取导入的HBase数据代码。

讨论

在开始使用这种技术之前，需要启动并运行HBase。

为了能够从HBase导出数据，首先需要将一些数据加载到HBase。加载器创建一个名为stocks_example的HBase表，其中包含一个列族的详细信息，我们将HBase数据存储为Avro二进制序列化数据，此部分代码就不列举了。

运行加载程序并使用它将样本数据加载到HBase中：

可以使用HBase shell查看负载结果。list命令(不带任何参数)将显示HBase中的所有表，而带有单个参数的scan命令将转储表的所有内容：

有了这些数据，我们就可以将其导出到HDFS了。HBase附带了一个转储HBase表的org.apache.hadoop.hbase.mapreduce.Export类。以下代码段显示了使用Export类的示例。使用此命令，可以导出整个HBase表：

Export类还支持只导出单个列族，还可以压缩输出：

Export类以SequenceFile格式写入HBase输出，其中HBase行键使用org.apache.hadoop.hbase.io .ImmutableBytesWritable存储在SequenceFile记录键中，HBase值使用org.apache.hadoop.hbase.client.Result存储在SequenceFile记录值中.。

如果要在HDFS中处理导出的数据，该怎么办以下列表显示了如何读取HBase SequenceFile并提取Avro记录的示例。

代码5.3 读取HBase SequenceFile以提取Avro记录

可以针对用于导出的HDFS目录运行代码并查看结果：

HBaseExportedStockReader类能够读取和转储HBase的Export类使用的SequenceFile内容。

使用内置的HBase Export类可以更轻松地将HBase中的数据导出到HDFS中。但是，如果不想将HBase数据写入HDFS，而是想直接在MapReduce作业中处理它，该怎么办让我们看看如何使用HBase作为MapReduce作业的数据源。

实践：使用HBase作为MapReduce的数据源

内置的HBase导出器使用SequenceFile输出HBase数据，除了Java之外的编程语言不支持它，并且不支持模式演变。它仅支持Hadoop文件系统作为数据接收器。如果想要更多地控制HBase数据提取，可能需要其他HBase工具。

问题

希望直接在MapReduce作业中对HBase进行操作，而无需将数据复制到HDFS的中间步骤。

解决方案

HBase有一个TableInputFormat类，可以在MapReduce作业中使用，直接从HBase中提取数据。

讨论

HBase提供了一个名为TableInputFormat的InputFormat类，它可以将HBase用作MapReduce中的数据源。以下代码显示了一个MapReduce作业，它使用此输入格式(通过TableMapReduceUtil.initTableMapperJob调用)从HBase读取数据。

代码5.4 使用MapReduce将HBase数据导入HDFS

可以按如下方式运行此MapReduce作业：

快速查看HDFS，告诉MapReduce作业是否按预期工作：

此输出确认MapReduce作业按预期工作。

总结

TableInputFormat类检查HBase并为每个HBase表区域创建输入拆分。如果有10个HBase region，则将执行10个map任务。输入格式还包括在输入拆分中托管region的服务器，这意味着map任务将被安排在与托管数据的HRegionServer相同的节点上执行。这提供了HBase level的位置，也提供了HDFS level的位置。从该区读取的数据可能来自本地磁盘，因为一段时间后，所有区的数据都将是本地的。这一切都假定HRegionServers与DataNode在同一主机上运行。

我们的最后关注点是持久存储，包括对关系数据库和HBase。接下来，我们将改变方向，看看如何利用kafka将数据导入Hadoop。