HBase2

Report
Seven Databases in Seven Weeks
HBase
Hbaseとは何か
Google の 内部システム
(発表した論文より)
バッチ処理
MapReduce
Hadoop プロジェクト
(Googleクローン)
リアルタイム応答
BigTable
Google File Sytem (GFS)
MapReduce
HBase
Hadoop Distributed
File Sytem (HDFS)
BigTable
(ソート済列志向データベース)
スキーマで定義する
RowKey ColumnFamily1
ColumnFamily2
1
Column1 Column2 Column1
Column1 Column2
2
Column2 Column3
ColumnFamily3
Column2 Column3
スキーマレス(自由に追加できる)
必須
ソート済
あるColumn
timestamp 5
timestamp 4
#F00
timestamp 3
timestamp 2
#0F0
#000
timestamp 1
#FFF
#00F
タイムスタンプでバージョニングされる
リージョン分割・自動シャーディン
RowKey ColumnFamily1
ColumnFamily2
ColumnFamily3
1
2
3
4
リージョン
リージョン
リージョン
リージョン
リージョン
リージョン
5
6
7
8
9
•
•
•
•
テーブルはリージョンで物理的に分割(シャーディング)される
リージョンはクラスタ中のリージョンサーバが担当する
リージョンは ColumnFamily 毎に作られる
リージョンは ソート済のRowKey を適当なサイズで分割する
HBase の特徴
自動シャーディング・自動フェールオーバー
テーブルサイズが大きくなった時、自動的に分割する
分割されたシャードは、ノード障害時に自動的にフェールオーバーする
データの一貫性 (CAP:Consistency)
データの更新は反映された瞬間から読出可能
結果的に同じ値が読めるようになる(結果整合性)条件緩和を取らない
Hadoop/HDFS 統合
Hadoop の HDFS 上 に展開できる
Hadoop/MapReduce でAPIを挟まず HBase を入出力の対象にできる
7つのデータベース7つの世界
での構成
1日目:CRUDとテーブル管理
スタンドアロンでHbaseを動かす
テーブルを作る
データの出し入れをする
2日目:ビッグデータを扱う
Wikipedia ダンプを投入する
スクリプト (Not Shell) での操作に慣れる
3日目:クラウドに持っていく
Thrift を使って操作する
今回は扱いません
Whirr を使って EC2 にデプロイする
今回は扱いません
Wikipedia の ダンプファイルを HBase で扱う
サンプルデータ
<mediawiki xmlns=http://www.mediawiki.org/xml/export-0.8/
xmlns:xsi=http://www.w3.org/2001/XMLSchema-instance
xsi:schemaLocation=http://www.mediawiki.org/xml/export-0.8/ http://www.mediawiki.org/xml/export-0.8.xsd
version="0.8" xml:lang="ja">
<siteinfo>
<sitename>Wikipedia</sitename>
<base>http://ja.wikipedia.org/wiki/%E3%83%A1%E3%82%A4%E3%83%B3%E3%83%9A%E3%83%BC%E3%82%B8</base>
<generator>MediaWiki 1.22wmf2</generator>
<case>first-letter</case>
<namespaces>
<namespace key="-2" case="first-letter">メディア</namespace>
<namespace key="-1" case="first-letter">特別</namespace>
<namespace key="0" case="first-letter" />
</namespaces>
</siteinfo>
<page>
<title>アンパサンド</title>
<ns>0</ns>
<id>5</id>
<revision>
<id>46524710</id>
<parentid>44911376</parentid>
<timestamp>2013-03-06T22:31:33Z</timestamp>
<contributor>
<username>Addbot</username>
<id>712937</id>
</contributor>
<minor />
<comment>ボット: 言語間リンク 31 件を[[d:|ウィキデータ]]上の [[d:q11213]] に転記</comment>
<text xml:space="preserve">{{記号文字|&amp;amp;}} [[Image:Trebuchet MS ampersand.svg|right|thumb|100px|[[Trebuchet
<sha1>4duebxtzaadjddpy3036cey6451d992</sha1>
<model>wikitext</model>
<format>text/x-wiki</format>
</revision>
</page>
<page>
…
サンプルデータ
Rowkey:title
id
アンパサンド 5
text
{{記号文字…
revision
<mediawiki xmlns=http://www.mediawiki.org/xml/export-0.8/
xmlns:xsi=http://www.w3.org/2001/XMLSchema-instance
xsi:schemaLocation=http://www.mediawiki.org/xml/export-0.8/ http://www.mediawiki.org/xml/export-0.8.xsd
version="0.8" xml:lang="ja">
<siteinfo>
<sitename>Wikipedia</sitename>
<base>http://ja.wikipedia.org/wiki/%E3%83%A1%E3%82%A4%E3%83%B3%E3%83%9A%E3%83%BC%E3%82%B8</base>
<generator>MediaWiki 1.22wmf2</generator>
<case>first-letter</case>
<namespaces>
<namespace key="-2" case="first-letter">メディア</namespace>
<namespace key="-1" case="first-letter">特別</namespace>
<namespace key="0" case="first-letter" />
</namespaces>
</siteinfo>
<page>
<title>アンパサンド</title>
<ns>0</ns>
<id>5</id>
<revision>
<id>46524710</id>
<parentid>44911376</parentid>
<timestamp>2013-03-06T22:31:33Z</timestamp>
<contributor>
<username>Addbot</username>
<id>712937</id>
</contributor>
<minor />
<comment>ボット: 言語間リンク 31 件を[[d:|ウィキデータ]]上の [[d:q11213]] に転記</comment>
<text xml:space="preserve">{{記号文字|&amp;amp;}} [[Image:Trebuchet MS ampersand.svg|right|thumb|100px|[[Trebuchet
<sha1>4duebxtzaadjddpy3036cey6451d992</sha1>
<model>wikitext</model>
<format>text/x-wiki</format>
</revision>
</page>
<page>
…
…
parentid:44911376
スキーマ作成
Rowkey:title
id
アンパサンド 5
text
{{記号文字…
revision
parentid:44911376
…
スキーマ定義
hbase(main):004:0> create 'wiki', 'id', 'text', 'revision'
0 row(s) in 2.4180 seconds
hbase(main):005:0> disable 'wiki'
0 row(s) in 2.3650 seconds
hbase(main):006:0> alter 'wiki', {NAME=>'text', COMPRESSION=>'GZ', BLOOMFILTER=>'ROW'}
Updating all regions with the new schema...
1/1 regions updated.
Done.
0 row(s) in 1.2860 seconds
ColumnFamily:Text の 圧縮・BloomFilter有効
hbase(main):007:0> enable 'wiki'
0 row(s) in 2.7430 seconds
BloomFilter
リージョン中の RowKey/ColmnFamily
クエリ
リージョン中に指定した
RowKey/ColumnFamily
がないことを高速に検知する
•‘ROW’ : RowKey のみ
•'ROWCOL' : RowKey/ColumnFamily
データ投入用コード
include Java
import org.apache.hadoop.hbase.client.HTable
import org.apache.hadoop.hbase.client.Put
import org.apache.hadoop.hbase.HBaseConfiguration
import javax.xml.stream.XMLStreamConstants
require "time"
def jbytes(*args)
args.map { |arg| arg.to_s.to_java_bytes }
end
factory = javax.xml.stream.XMLInputFactory.newInstance
reader = factory.createXMLStreamReader(java.lang.System.in)
table = HTable.new( HBaseConfiguration.new, "wiki" )
document = nil
buffer = nil
count = 0
while reader.has_next
type = reader.next
if type == XMLStreamConstants::START_ELEMENT
tag = reader.local_name
case tag
when 'page' then document = {}
when /title|id|parentid|timestamp|text/ then buffer = []
end
elsif type == XMLStreamConstants::CHARACTERS
text = reader.text buffer << text unless
buffer.nil?
elsif type == XMLStreamConstants::END_ELEMENT
tag = reader.local_name
case tag
when /title|id|parentid|timestamp|text/ then document[tag] = buffer.join
when 'revision'
key = document['title'].to_java_bytes
ts = (Time.parse document['timestamp']).to_i
p = Put.new(key , ts)
p.add( *jbytes("text", "", document['text']) )
p.add( *jbytes("id", "", document['id']) )
p.add( *jbytes("revision", "parendid", document['parentid']) )
table.put(p)
count += 1
table.flushCommits() if count % 50 == 0
puts "#{count} records inserted (#{document['title']})" if count % 1000 == 0
end
end
end
table.flushCommits()
puts "#{count}"
exit
実行例
[[email protected] opt]# cat jawiki-latest-pages-meta-current.xml | time hbase-0.94.7/bin/hbase org.jruby.Main hoge.rb
2362613
860.30user 172.80system 28:29.00elapsed 60%CPU (0avgtext+0avgdata 696352maxresident)k 304inputs+4072outputs
(0major+91296minor)pagefaults 0swaps
データ投入用コード
document = nil
buffer = nil
count = 0
while reader.has_next
type = reader.next
if type == XMLStreamConstants::START_ELEMENT
tag = reader.local_name
case tag
when 'page' then document = {}
when /title|id|parentid|timestamp|text/ then buffer = []
end
elsif type == XMLStreamConstants::CHARACTERS
text = reader.text
buffer << text unless buffer.nil?
elsif type == XMLStreamConstants::END_ELEMENT
tag = reader.local_name
case tag
when /title|id|parentid|timestamp|text/
document[tag] = buffer.join
when 'revision'
key = document['title'].to_java_bytes
ts = (Time.parse document['timestamp']).to_i
p = Put.new(key , ts)
投入 p.add( *jbytes("text", "", document['text']) )
p.add( *jbytes("id", "", document['id']) )
p.add( *jbytes("revision", "parendid", document['parentid']) )
table.put(p)
count += 1
table.flushCommits() if count % 50 == 0
if count % 1000 == 0
puts "#{count} records inserted (#{document['title']})“
end
end
end
end
開始タグ
タグ内要素
終了タグ
<page>
<title>アンパサンド</title>
<ns>0</ns>
<id>5</id>
<revision>
<id>46524710</id>
<parentid>44911376</parentid>
<timestamp>2013-03-06T22:31:33Z</timestamp>
<contributor>
<username>Addbot</username>
<id>712937</id>
</contributor>
<minor />
<comment>…</comment>
<text xml:space="preserve">…</text>
<sha1>4duebxtzaadjddpy3036cey6451d992</sha1>
<model>wikitext</model>
<format>text/x-wiki</format>
</revision>
</page>
<page>
…
table.flushCommits()
puts "#{count}"
exit
実験
投入時
Q: text領域のGZ圧縮により高速化するのか?
A: 46min -> 26min (70%高速化)
Q: text領域のGZ圧縮によりデータ領域は節約されるのか?
A: 8.1GB -> 2.6GB (32%のサイズに圧縮)
取出し時
Q: text領域のGZ圧縮によりgetは高速化するのか?
A: 有意な差がない
Q: 全体 scan と部分 scan での速度差は?
A: 0.136[s] (開始RowKey指定,10件) vs 119.738[s](全体,Column値条件検索)
Q: text領域のGZ圧縮によりscanは高速化するのか?
A: 条件による(次ページ)
GZ圧縮とText(大きなColumnFamily)と scan
title
id
text
revision
リージョン
リージョン
リージョン
リージョン
リージョン
リージョン
hbase(main):001:0> scan 'wiki' , {COLUMN=>['id','revision'], FILTER => "SingleColumnValueFilter('revision','parendid',=,'binary:46628036')"}
hbase(main):001:0> scan 'wiki' , {FILTER => "SingleColumnValueFilter('revision','parendid',=,'binary:46628036')"}
hbase(main):001:0> scan 'wiki' , {FILTER => "SingleColumnValueFilter('text','',=,'substring:ぱんだねこ')"}
300
250
200
150
100
50
0
Text取得しない
Text取得する
Text領域外条件scan
Text取得する
Text条件scan
圧縮あり
10.424
117.751
203.014
圧縮なし
11.961
193.735
262.239

similar documents