GitHub项目StormHBase介绍

GitHub项目StormHBase介绍

最近完成了一个GitHub项目： Storm-HBase ，该项目是 Twitter Storm 和 Apache HBase 的结合，它使用HBase cluster作为Storm的Spout数据源，目前只是初步实现，后续会进一步完善。

HBaseSpout 根据时间戳范围[start_timestamp, stop_timestamp]，持续不间断地从HBase cluster读取流数据：

如果start_timestamp = 0，HBaseSpout将默认从3分钟前的数据开始读取并发送到Storm cluster；否则从用户指定的start_timestamp开始读取数据。 如果stop_timestamp = 0， HBaseSpout将默认读取到当前时间的数据，并随着时间流动持续地读取新的数据并发送到Storm cluster；否则读取到用户指定的stop_timestamp后停止读取。

以上有关[start_timestamp, stop_timestamp]的设计，是为了适应不同的运行模式：

最典型情况下，start_timestamp = 0 and stop_timestamp = 0，则从3分钟前开始读取发送数据，然后会同步扫描HBase cluster中的新数据，并发送给Storm cluster，适合用户实时计算的情景。 出现问题的情况下，例如Storm cluster重启，计算任务状态被丢失，此时可能需要能够Spout进行数据的回传（data rewind），通过指定[start_timestamp, stop_timestamp]可以满足这一需求。

Storm-HBase力求尽可能做到通用化，因此提取了Storm和HBase的配置信息。有关Storm-HBase的配置选项，可以在GitHub工程的src/main/resources/storm.properties以及src/main/resources/hbase.properties文件中找到。如果你的HBase表的Schema结构与上述类似，那么只需要进行简单的配置即可使用Storm-HBase。

目前的HBaseSpout实现基于以下假设：

HBase表的rowkey形式为[shardingkey, timestamp, ...]； shardingkey占据第1个byte，表示表中数据的分区数，一般是100以内，所以这里使用了short类型存储； timestamp占据第2~5个byte，表示数据中的时间戳信息，这里timestamp是秒级的UNIX时间戳值，使用了int型存储。

更多关于Storm-HBase的介绍及进展，请参加项目的GitHub链接： https://github.com/ypf412/storm-hbase

 

作者： Leo_wl

　　　　

出处： http://www.cnblogs.com/Leo_wl/

　　　　

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

版权信息

查看更多关于GitHub项目StormHBase介绍的详细内容...

声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://www.haodehen.cn/did48300