Hadoop执行分布式Process

要把N个超级大表导入HBase，N是按月来分的，表：亿+的行数，100+的字段。测试过sqoop，JDBC，性能都不满意，对任务失败重做也很麻烦，HBase的批量导出还靠谱点，但这样导入HBase有几个麻烦的地方：

1.所以的表都是没主键的，HBase的rowkey就要了亲命了，只能在导出的时候用SQL拼个了。

2.HBase的importtsv只支持用符号分割的文本方式导入。

3.预先的region切分

以文本方式导出，sqluldr2是我用过最有效率的工具（感谢Fangxin Lou）。问题sqluldr2是底层工具，能不能相互结合提高性能呢？其实是可以的。

1.java API 里有个Process类，它可以去调用sqluldr2。

2.Hadoop的map-reduce可以让每个节点都去运行sqluldr2，然后转化成HBase格式进行put，参考Hbase的importtsv。

要注意的：

1.map的运行是依赖于input，比如你想要3map-task，但你的input在第一个task的时候就被读完了，那抱歉剩下的2个task 除了写日志什么都不会做（然后还会告诉你运行的相当成功...>_<）。

2.sqluldr2不导出重复数据，用SQL分割数据，可以先查下count，但map是不同机器的JVM运行的，我的解决办法是在 map-reduce 执行前，通过其他程序预先在HDFS写好分割文件，然后通过实现InputFormat，InputSplit每一行对应一个task。

3.使用合适的hadoop调度器保证map-task平均分摊到每个节点。

4.Process是用InputStream来交互的。

5.mapred.task.timeout，默认是10分钟，建议设置大点，mapred.map.tasks.speculative.execution最好设置为false。