淘先锋技术网

首页 1 2 3 4 5 6 7

Spark RDD编程 读写HBase数据

HBase是一个高可靠、高性能、面向列、可伸缩的分布式数据库，主要用来存储非结构化和半结构化的松散数据。Spark支持对HBase数据库中的数据进行读写。

一、创建一个HBase表

启动Hadoop的HDFS：

$ cd /usr/local/hadoop
$ ./sbin/start-dfs.sh

启动HBase：

$ cd /usr/local/hbase
$ ./bin/start-hbase.sh //启动HBase
$ ./bin/hbase shell //启动HBase Shell

创建一个student表，把数据保存到HBase中时，可以把id作为行健（Row Key），把info作为列族，把name、gender和age作为列。

hbase> create  'student','info'
//首先录入student表的第一个学生记录 
hbase> put  'student','1','info:name','Xueqian' 
hbase> put  'student','1','info:gender','F' 
hbase> put  'student','1','info:age','23' 
//然后录入student表的第二个学生记录 
hbase> put  'student','2','info:name','Weiliang' 
hbase> put  'student','2','info:gender','M' 
hbase> put  'student','2','info:age','24'

二、配置Spark

把HBase安装目录下的lib目录中的一些jar文件拷贝到Spark安装目录中，这些都是编程时需要引入的jar包。需要拷贝的jar文件包括：所有hbase开头的jar文件、guava-12.0.1.jar、htrace-core3.1.0-incubating.jar和protobuf-java-2.5.0.jar。

$ cd  /usr/local/spark/jars
$ mkdir  hbase 
$ cd  hbase 
$ cp  /usr/local/hbase/lib/hbase*.jar  ./ 
$ cp  /usr/local/hbase/lib/guava-12.0.1.jar  ./ 
$ cp  /usr/local/hbase/lib/htrace-core-3.1.0-incubating.jar  ./ 
$ cp  /usr/local/hbase/lib/protobuf-java-2.5.0.jar  ./

三、编写程序读取HBase数据

如果要让Spark读取HBase，就需要使用SparkContext提供的newAPIHadoopRDD这个API将表的内容以RDD的形式加载到Spark中。
新建一个SparkOperateHBase.scala代码文件：

import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.hbase._ import org.apache.hadoop.hbase.client._ 
import org.apache.hadoop.hbase.mapreduce.TableInputFormat  
import org.apache.hadoop.hbase.util.Bytes  
import org.apache.spark.SparkContext  
import org.apache.spark.SparkContext._ 
import org.apache.spark.SparkConf  
object SparkOperateHBase { 
def main(args: Array[String]) {     
	val conf = HBaseConfiguration.create()     
	val sc = new SparkContext(new SparkConf())     //设置查询的表名     
	conf.set(TableInputFormat.INPUT_TABLE, "student")     
	val stuRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],                  
				classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],                  
				classOf[org.apache.hadoop.hbase.client.Result])     
	val count = stuRDD.count()     
	println("Students RDD Count:" + count)     
	stuRDD.cache()     
	//遍历输出     
	stuRDD.foreach({ case (_,result) =>         
		val key = Bytes.toString(result.getRow)         
		val name = Bytes.toString(result.getValue("info".getBytes,"name".getBytes))         
		val gender = Bytes.toString(result.getValue("info".getBytes,"gender".getBytes))         
		val age = Bytes.toString(result.getValue("info".getBytes,"age".getBytes))         
		println("Row key:"+key+" Name:"+name+" Gender:"+gender+" Age:"+age)     
		}) 
	} 
}

val stuRDD = sc.newAPIHadoopRDD()语句执行后，Spark会从HBase数据库读取数据，保存到名称为stuRDD的RDD中，stuRDD的每个RDD元素都是(ImmutableBytesWritable,Result)类型的键值对。我们所需要的student表的数据都被封装到了Result中，因此，stuRDD.foreach()在遍历每个RDD元素时，通过case (_,result)，就忽略了key，只获取value（即result）。

利用sbt工具对SparkOperateHBase.scala代码文件进行编译打包，在执行打包命令之前，需要创建一个simple.sbt文件，并录入下面的内容：

$ /usr/local/spark/bin/spark-submit  \
> --driver-class-path /usr/local/spark/jars/hbase/*:/usr/local/hbase/conf  \ 
> --class "SparkOperateHBase"  \ 
> /usr/local/spark/mycode/hbase/target/scala-2.11/simple-project_2.11-1.0.jar

在spark-submit命令中，必须使用“–driver-class-path”参数指定依赖jar包的路径，而且必须把“/usr/local/hbase/conf”也加到路径中。

结果：

Students RDD Count:2
Row key:1 Name:Xueqian Gender:F Age:23 
Row key:2 Name:Weiliang Gender:M Age:24

四、编写程序向HBase写入数据

编写应用程序把两个学生信息插入到HBase的student表中。
新建一个SparkWriteHBase.scala代码文件：

import org.apache.hadoop.hbase.HBaseConfiguration
import org.apache.hadoop.hbase.mapreduce.TableOutputFormat 
import org.apache.spark._ import org.apache.hadoop.mapreduce.Job 
import org.apache.hadoop.hbase.io.ImmutableBytesWritable 
import org.apache.hadoop.hbase.client.Result 
import org.apache.hadoop.hbase.client.Put 
import org.apache.hadoop.hbase.util.Bytes
object SparkWriteHBase {   
	def main(args: Array[String]): Unit = {     
		val sparkConf = new SparkConf().setAppName("SparkWriteHBase").setMaster("local")     
		val sc = new SparkContext(sparkConf)     
		val tablename = "student"     
		sc.hadoopConfiguration.set(TableOutputFormat.OUTPUT_TABLE, tablename)     
		val job = new Job(sc.hadoopConfiguration)     
		job.setOutputKeyClass(classOf[ImmutableBytesWritable])     
		job.setOutputValueClass(classOf[Result])     
		job.setOutputFormatClass(classOf[TableOutputFormat[ImmutableBytesWritable]])     
		//下面这行代码用于构建两行记录     
		val indataRDD = sc.makeRDD(Array("3,Rongcheng,M,26","4,Guanhua,M,27"))     
		val rdd = indataRDD.map(_.split(",")).map{arr=>{       
		//设置行键（row key）的值     
		val put = new Put(Bytes.toBytes(arr(0)))       
		//设置info:name列的值       
		put.add(Bytes.toBytes("info"),Bytes.toBytes("name"),Bytes.toBytes(arr(1)))       
		//设置info:gender列的值       
		put.add(Bytes.toBytes("info"),Bytes.toBytes("gender"),Bytes.toBytes(arr(2)))       
		//设置info:age列的值 
		put.add(Bytes.toBytes("info"),Bytes.toBytes("age"),Bytes.toBytes(arr(3).toInt))       
		//构建一个键值对，作为rdd的一个元素       
		(new ImmutableBytesWritable, put)       
		}}       
		rdd.saveAsNewAPIHadoopDataset(job.getConfiguration())   
	} 
}

在把RDD数据写入HBase表中时，关键环节是完成RDD到表模式（Schema）的转换。在HBase中的表模式的一般形式如下：
row_key cf:col_1 cf:col_2其中，row_key表示行键，cf表示列族，col_1和col_2表示列。
在Spark中，我们操作的是RDD，val indataRDD = sc.makeRDD(Array(“3,Rongcheng,M,26”,“4,Guanhua,M,27”))语句执行后，indataRDD中的每个RDD元素都是一个字符串，即"3,Rongcheng,M,26"和"4,Guanhua,M,27"。val rdd = indataRDD.map(.split(‘,’))语句执行后，rdd中的每个RDD元素是数组，即Array(“3”,“Rongcheng”,“M”,“26”)和Array(“4”,“Guanhua”,“M”,“27”)。我们需要将RDD[Array(String,String,String,String)] 转换成 RDD[(ImmutableBytesWritable,Put)]。所以，val rdd = indataRDD.map(.split(“,”)).map{}的大括号中的语句，就定义了一个匿名函数做这个转换工作。

使用sbt工具对SparkWriteHBase.scala代码文件进行编译打包，然后，使用spark-submit命令提交运行：

$ /usr/local/spark/bin/spark-submit  \
> --driver-class-path /usr/local/spark/jars/hbase/*:/usr/local/hbase/conf  \ 
> --class "SparkWriteHBase"  \ 
> /usr/local/spark/mycode/hbase/target/scala-2.11/simple-project_2.11-1.0.jar

执行成功以后，切换到HBase Shell中，执行如下命令查看student表：

结果：

ROW                       COLUMN+CELL 
1                        column=info:age, timestamp=1479640712163, value=23                               
1                        column=info:gender, timestamp=1479640704522, value=F                             
1                        column=info:name, timestamp=1479640696132, value=Xueqian                        
2                        column=info:age, timestamp=1479640752474, value=24                               
2                        column=info:gender, timestamp=1479640745276, value=M                             
2                        column=info:name, timestamp=1479640732763, value=Weiliang                       
3                        column=info:age, timestamp=1479643273142, value=\x00\x00\x00\x1A                
3                        column=info:gender, timestamp=1479643273142, value=M                             
3                        column=info:name, timestamp=1479643273142, value=Rongcheng                      
4                        column=info:age, timestamp=1479643273142, value=\x00\x00\x00\x1B                
4                        column=info:gender, timestamp=1479643273142, value=M                             
4                        column=info:name, timestamp=1479643273142, value=Guanhua                       
4 row(s) in 0.3240 seconds

两条新的记录已经被成功插入到HBase的student表中。

文章来源：《Spark编程基础》 作者：林子雨

文章内容仅供学习交流，如有侵犯，联系删除哦！