HBase20xsqlwriter插件文档

1. 快速介绍

HBase20xsqlwriter实现了向hbase中的SQL表(phoenix)批量导入数据的功能。Phoenix因为对rowkey做了数据编码，所以，直接使用HBaseAPI进行写入会面临手工数据转换的问题，麻烦且易错。本插件提供了SQL方式直接向Phoenix表写入数据。

在底层实现上，通过Phoenix QueryServer的轻客户端驱动，执行UPSERT语句向Phoenix写入数据。

1.1 支持的功能

支持带索引的表的数据导入，可以同步更新所有的索引表

1.2 限制

要求版本为Phoenix5.x及HBase2.x
仅支持通过Phoenix QeuryServer导入数据，因此您Phoenix必须启动QueryServer服务才能使用本插件
不支持清空已有表数据
仅支持通过phoenix创建的表，不支持原生HBase表
不支持带时间戳的数据导入

2. 实现原理

通过Phoenix轻客户端，连接Phoenix QueryServer服务，执行UPSERT语句向表中批量写入数据。因为使用上层接口，所以，可以同步更新索引表。

3. 配置说明

3.1 配置样例

{
  "job": {
    "entry": {
      "jvm": "-Xms2048m -Xmx2048m"
    },
    "content": [
      {
        "reader": {
          "name": "txtfilereader",
          "parameter": {
            "path": "/Users/shf/workplace/datax_test/hbase20xsqlwriter/txt/normal.txt",
            "charset": "UTF-8",
            "column": [
              {
                "index": 0,
                "type": "String"
              },
              {
                "index": 1,
                "type": "string"
              },
              {
                "index": 2,
                "type": "string"
              },
              {
                "index": 3,
                "type": "string"
              }
            ],
            "fieldDelimiter": ","
          }
        },
        "writer": {
          "name": "hbase20xsqlwriter",
          "parameter": {
            "batchSize": "100",
            "column": [
              "UID",
              "TS",
              "EVENTID",
              "CONTENT"
            ],
            "queryServerAddress": "http://127.0.0.1:8765",
            "nullMode": "skip",
            "table": "目标hbase表名，大小写有关"
          }
        }
      }
    ],
    "setting": {
      "speed": {
        "channel": 5
      }
    }
  }
}

3.2 参数说明

name
- 描述：插件名字，必须是hbase11xsqlwriter
- 必选：是
- 默认值：无
schema
- 描述：表所在的schema
- 必选：否
- 默认值：无
table
- 描述：要导入的表名，大小写敏感，通常phoenix表都是大写表名
- 必选：是
- 默认值：无
column
- 描述：列名，大小写敏感，通常phoenix的列名都是大写。
  - 需要注意列的顺序，必须与reader输出的列的顺序一一对应。
  - 不需要填写数据类型，会自动从phoenix获取列的元数据
- 必选：是
- 默认值：无
queryServerAddress
- 描述：Phoenix QueryServer地址，为必填项，格式：http://NULL:NULL，如http://172.16.34.58:8765。增强版/Lindorm 用户若需透传user, password参数，可以在queryServerAddress后增加对应可选属性. 格式参考：http://127.0.0.1:8765;user=root;password=root
- 必选：是
- 默认值：无
serialization
- 描述：QueryServer使用的序列化协议
- 必选：否
- 默认值：PROTOBUF
batchSize
- 描述：批量写入的最大行数
- 必选：否
- 默认值：256
nullMode
- 描述：读取到的列值为null时，如何处理。目前有两种方式：
  - skip：跳过这一列，即不插入这一列(如果该行的这一列之前已经存在，则会被删除)
  - empty：插入空值，值类型的空值是0，varchar的空值是空字符串
- 必选：否
- 默认值：skip

4. 性能报告

无

5. 约束限制

writer中的列的定义顺序必须与reader的列顺序匹配。reader中的列顺序定义了输出的每一行中，列的组织顺序。而writer的列顺序，定义的是在收到的数据中，writer期待的列的顺序。例如：

reader的列顺序是： c1, c2, c3, c4

writer的列顺序是： x1, x2, x3, x4

则reader输出的列c1就会赋值给writer的列x1。如果writer的列顺序是x1, x2, x4, x3，则c3会赋值给x4，c4会赋值给x3.

6. FAQ

并发开多少合适？速度慢时增加并发有用吗？数据导入进程默认JVM的堆大小是2GB，并发(channel数)是通过多线程实现的，开过多的线程有时并不能提高导入速度，反而可能因为过于频繁的GC导致性能下降。一般建议并发数(channel)为5-10.
batchSize设置多少比较合适？默认是256，但应根据每行的大小来计算最合适的batchSize。通常一次操作的数据量在2MB-4MB左右，用这个值除以行大小，即可得到batchSize。