索引重建 - 云数据库 HBase

全文索引功能目前已经全面升级，使用老架构的标准版全文索引服务即将下线，新用户请移步增强版全文索引功能

HBase for Solr索引重建

EMR实例准备

EMR rebuild solr index需要访问HBase的hdfs/solr/hbase，则需要保证EMR实例和云HBase实例满足在同一个VPC下。注意，如果没有请事先创建vpc专有网，可能会在EMR实例购买安装是没有可选的VPC。

购买安装EMR实例,与HBase同个可用区的实例，使用相同的 vpc id、vSwitch id。
联系“云HBase答疑”，开通EMR访问云HBase实例hdfs/solr/hbase权限
在HBase实例控制台中设置白名单，将EMR的ip列表设置到进去。
hbase-indexer-mr-2.0-job.jar到EMR机器上, 此包下载地址如下：
使用的是HBase1.x版本实例时，使用如下：
wget http://public-hbase.oss-cn-hangzhou.aliyuncs.com/installpackage/hbase-indexer-mr-2.0-job-for-hb1x.jar
jar包md5值为：800162f9d7508ee6f87e238d78ddd7ba
使用的是HBase2.x版本实例时，使用如下：
wget http://public-hbase.oss-cn-hangzhou.aliyuncs.com/installpackage/hbase-indexer-mr-2.0-job-for-hb2x.jar
jar包md5值为：c263a9b1825c6015a7a4848d4659fba7
本jar包在EMR-3.14.0 版本测试兼容，其他版本环境若运行有问题，请联系“云HBase答疑”客服

作业配置

在EMR机器上，拷贝 cp -r /etc/ecm/hadoop-conf-2.7.2-X.Y.Z ./custom_conf

修改custom_conf/hdfs-site.xml，添加如下：

<property>
   <name>dfs.nameservices</name>
   <value>hbase-cluster</value>
 </property>
 <property>
   <name>dfs.client.failover.proxy.provider.hbase-cluster</name>
   <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
 </property>
 <property>
   <name>dfs.ha.automatic-failover.enabled.hbase-cluster</name>
   <value>true</value>
 </property>
 <property>
   <name>dfs.ha.namenodes.hbase-cluster</name>
   <value>nn1,nn2</value>
 </property>
 <property>
   <name>dfs.namenode.rpc-address.hbase-cluster.nn1</name>
   <value>master1-1:8020</value>
 </property>
 <property>
   <name>dfs.namenode.rpc-address.hbase-cluster.nn2</name>
   <value>master2-1:8020</value>
 </property>

咨询“云HBase答疑” master1-1、master2-1的hostname是什么，替换上述那么master1-1、master2-1。

添加custom_conf/hbase-site.xml文件，文件中添加属性如下：

<?xml version="1.0"?>
<configuration>
<property>
   <name>hbase.zookeeper.quorum</name>
   <value>zk1,zk2,zk3</value>
</property>
</configuration>

其中zk1,zk2,zk3即为云HBase的zookeeper链接地址

咨询“云HBase答疑”，提出开放 EMR访问某个云HBase实例需求，请求打开EMR的mapreduce访问云HBase权限
通过telnet master1-1 8020初步验证是否已经打开。其中master1-1替换为具体长名字的地址，参考zk地址中的master1-001中缀的地址。
验证配置运行hadoop —config custom_conf fs -ls hdfs://hbase-cluster/查看是否可以访问阿里云HBase的 hdfs目录。

运行作业

最后，运行如下命令启动重建索引作业：

hadoop --config custom_conf jar hbase-indexer-mr-2.0-job.jar \
             --zk-host zk1,zk2,zk3/solr \
             --collection collection001 \
             --reducers 0 \
             --hbase-indexer-zk=zk1,zk2,zk3 \
             --hbase-table-name testtable \
             --hbase-indexer-name testtable_index01

如果需要传入更多HBase 过滤参数，完整如下：

hadoop  --config custom_conf  jar hbase-indexer-mr-2.0-job.jar \
             --zk-host zk1,zk2,zk3/solr \
             --collection collection001 \
             --reducers 0 \
             --hbase-indexer-zk=zk1,zk2,zk3 \
             --hbase-table-name test:index001 \
             --hbase-indexer-name myindex002 \
             --hbase-start-row  startRow    \
             --hbase-end-row   endRow    \
             --hbase-timestamp-format yyyy-MM-dd'T'HH:mm:ss.SSSZ \ 
             --hbase-start-time   startTime   \
             --hbase-end-time   endTime  \
             --verbose

注意：”hbase-start-row”、”hbase-end-row” 使用hbase包中的Bytes.toStringBinary(byte[] startRow)和Bytes.toBytesBinary(String startRow) 进行 string <=> byte[]的转换，建议你写程序得到这个start/end row的string，然后填写到上面命令中。

“hbase-timestamp-format”即为SimpleDataFormat的format string参数，对应解析startTime/endTime的string得到时间。如果不提供”hbase-timestamp-format”, 则程序直接 Long.parse(startTime/endTime) 解析得到timestamp值。

案例如下：

hadoop  --config custom_conf   jar hbase-indexer-mr-2.0-job.jar \
             --zk-host zk1,zk2,zk3/solr \
             --collection collection001 \
             --reducers 0 \
             --hbase-indexer-zk=zk1,zk2,zk3 \
             --hbase-table-name test:index001 \
             --hbase-indexer-name myindex002 \
            -D "mapred.child.java.opts=-Xmx2048m" \
             --hbase-start-row  00000000000000000000000000    \
             --hbase-end-row   00000000000000000000000390    \
             --verbose  
hadoop  --config custom_conf   jar hbase-indexer-mr-2.0-job.jar \
             --zk-host zk1,zk2,zk3/solr \
             --collection collection001 \
             --reducers 0 \
             --hbase-indexer-zk=zk1,zk2,zk3 \
             --hbase-table-name test:index001 \
             --hbase-indexer-name myindex002 \
             --hbase-start-time   1530780396659 \
             --hbase-end-time   1531119958636 \
             --verbose  
hadoop  --config custom_conf   jar hbase-indexer-mr-2.0-job.jar \  
             --zk-host zk1,zk2,zk3/solr \  
             --collection collection001 \  
             --reducers 0 \  
             --hbase-indexer-zk=zk1,zk2,zk3 \  
             --hbase-table-name test:index001 \  
             --hbase-indexer-name myindex002 \  
             --hbase-timestamp-format   "yyyy-MM-dd'T'HH:mm:ss.SSSZ"  \   
             --hbase-start-time   2018-07-05T16:46:36.659+0800 \  
             --hbase-end-time   2018-07-09T15:05:58.636+0800 \  
             --verbose  
或者
          --hbase-timestamp-format   "yyyy-MM-dd'T'HH:mm:ss" \   
          --hbase-start-time   2018-07-05T16:46:36 \  
          --hbase-end-time   2018-07-09T15:05:58  \

注意，这里启动MR任务运行过程中，不要人为修改索引属性，否则过程执行可能会失败。

作业超时处理

由于重建索引会对集群资源负载变大，如果作业太大hbase scan timeout时，可以适当调整timeout参数，如在hbase-site.xml添加如下:
如异常：org.apache.hadoop.hbase.client.ScannerTimeoutException: 98566ms passed since the last invocation, timeout is currently set to 60000

   <property>
      <name>hbase.client.scanner.timeout.period</name>
      <value>12000</value>
   </property>

如果碰到mapreduce task超时最终导致作业失败时，首先检查一下是否hbase原表有个别region太大，导致一个作业运行过长导致，可以手动split对应那个region。其次，可以mapred-site.xml添加如下配置适当增加超时参数。
如异常：AttemptID:attempt_1534767970337_0010_m_000032_0 Timed out after 1800 secs

  <property>
    <name>mapreduce.task.timeout</name>
    <value>1800000</value>
  </property>