HBase数据同步到ElasticSearch的方案

ElasticSearch的River机制

ElasticSearch自身提供了一个River机制，用于同步数据。

这里可以找到官方目前推荐的River：

http://www.elasticsearch.org/guide/en/elasticsearch/rivers/current/

但是官方没有提供HBase的River。

其实ES的River非常简单，就是一个用户打包好的jar包，ES负责找到一个node，并启动这个River。如果node失效了，会自动找另外一个node来启动这个River。

public interface RiverComponent {
    RiverName riverName();
}
public interface River extends RiverComponent {

    /**
     * Called whenever the river is registered on a node, which can happen when:
     * 1) the river _meta document gets indexed
     * 2) an already registered river gets started on a node
     */
    void start();

    /**
     * Called when the river is closed on a node, which can happen when:
     * 1) the river is deleted by deleting its type through the delete mapping api
     * 2) the node where the river is allocated is shut down or the river gets rerouted to another node
     */
    void close();
}

Elasticsearch-HBase-River

github上有两个相关的项目：

https://github.com/mallocator/Elasticsearch-HBase-River

这个项目其实很简单，在River里用定时器启动一个HBase的Scanner，去扫描数据，并把数据插到ES里。和自己手动写代码去扫描差不多。

https://github.com/posix4e/Elasticsearch-HBase-River

这个项目利用了HBase的Replication机制，模拟了一个Hbase Replication的结点，然后同步数据到ES里。

但是这个项目是基于Hbase0.94的，实现的功能有限。

Hbase0.94和HBase0.98 的API变化很大，基本不可用，而且作者也说了不能用于生产环境。

HBase的Relication机制

可以参考官方文档和cloudera的一些博客文章：
http://hbase.apache.org/book.html#cluster_replication 
http://blog.cloudera.com/blog/2012/07/hbase-replication-overview-2/

HBase的Relication机制，其实和Mysql的同步机制很像，HBase的每个Region Server都会有WAL Log，当Put/Delete时，都会先写入到WAL Log里。然后后台有线程会把WAL Log随机发给Slave的Region Server。而Slave的Region Server会在zookeeper上记录自己同步到的位置。

HBase同步数据到Solr的方案：Lily HBase Indexer

Cloudera内置的Cloudera Search实际上就是这个Lily Hbase Indexer：

https://github.com/NGDATA/hbase-indexer 

这个项目就是利用了HBase的Replication功能，把HBase数据修改（Put，Delete）都抽像成为一系列Event，然后就可以同步到Solr里了。

这个项目抽象出了一个子项目：HBase Side-Effect Processor。

https://github.com/NGDATA/hbase-indexer/blob/master/hbase-sep/README.md

让用户可以自己写Listener来处理Event。

HBase数据同步到ElasticSearch的最终方案

考虑了上面的东东，所以决定基于HBase Side-Effect Processor，来自己写简单的程序同步数据到ES里。

其实代码是非常简单的，参考下Demo里的LoggingConsumer就好了。

https://github.com/NGDATA/hbase-indexer/blob/master/hbase-sep/hbase-sep-demo/src/main/java/com/ngdata/sep/demo/LoggingConsumer.java

    private static class EventLogger implements EventListener {
        @Override
        public void processEvents(List<SepEvent> sepEvents) {
            for (SepEvent sepEvent : sepEvents) {
                System.out.println("Received event:");
                System.out.println("  table = " + Bytes.toString(sepEvent.getTable()));
                System.out.println("  row = " + Bytes.toString(sepEvent.getRow()));
                System.out.println("  payload = " + Bytes.toString(sepEvent.getPayload()));
                System.out.println("  key values = ");
                for (KeyValue kv : sepEvent.getKeyValues()) {
                    System.out.println("    " + kv.toString());
                }
            }
        }
    }

其它的一些东东：

ElasticSearch 和Solr cloud的比较

从网上找到的帖子，讨论比较多的是12年，貌似后面就比较少了。

https://github.com/superkelvint/solr-vs-elasticsearch 
http://stackoverflow.com/questions/2271600/elasticsearch-sphinx-lucene-solr-xapian-which-fits-for-which-usage 

http://www.quora.com/Why-Cloudera-search-is-built-on-Solr-and-not-Elasticsearch   Cloudera-Search为什么选择Solr而不是ElasticSearch

个人倾向于ElasticSearch，因为从流行度来看，ES正在超越solr cloud：

Logstash + ElasticSearch + Kibana的完整日志收集分析工具链，也有很多公司在用。