阅读 749

Spark2.3读写Hbase2.0最新API实践(CURD)

前言

在一些大佬的博客已查不到HBase2.x最新的实践代码,从某书上粘贴来的代码在新版本下执行不了,因此写下本篇实践,从HBase 1.4.2等老版本升级而来,想要使用Spark读写HBase2.0 API的可借鉴本文。ps:官网挂的示例也报错!(因为没找到依赖o(╯□╰)o)

代码环境

  • Spark 2.3.1 (2.2,2.3.x系列应该都能用)
  • HBase 2.0.0 (与Hbase 1.x系列不兼容)
  • IDEA 2019.1 社区版

准备工作

HBase shell创建表

# hbase shell
> list //查看表
> create 'spark_hbase_src', 'info' //创建一张数据源表
复制代码

> create 'spark_hbase_res', 'info' //创建一张结果表,用来写入计算结果
复制代码

以上两张表就创建好了,简单。

准备示例数据

数据模型:模拟路上车辆的经过记录,为csv格式文本文件(txt)

  • 字段5个:车牌号、车牌颜色、拍照设备编号、行驶方向、记录时间
  • 对应英文:"number", "color", "device", "direction", "photo_time"
  • 示例数据:模拟数据仅供参考
车牌号 车牌颜色 设备编号 行驶方向 记录时间
豫A12345 蓝色 D12C01 南北 2019/10/16 12:00:00
豫B12121 黄色 D13C06 南北 2019/10/10 12:11:00
豫C66666 蓝色 D15C08 西东 2019/10/29 12:09:00
豫D11111 蓝色 D18C07 北南 2019/10/18 12:15:00

自己模拟生成一些文本数据,上传到hdfs,也可以在本机。

Maven依赖

HBase Server API

        <!-- Hbase server库 提供Hbase读写API-->
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-server</artifactId>
            <version>${hbase.version}</version>
        </dependency>
复制代码

之前只需要这个HBase jar就可以了,实践中有报错:

错误1

  • Error 1:无法import org.apache.hadoop.hbase.mapreduce.TableInputFormat

解决办法

导入这个包:

        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-mapreduce</artifactId>
            <version>${hbase.version}</version>
        </dependency>
复制代码

错误2

  • Error 2:找不到org.apache.htrace.SamplerBuilder类
Exception in thread "main" java.lang.NoClassDefFoundError: org/apache/htrace/SamplerBuilder
Caused by: java.lang.ClassNotFoundException: org.apache.htrace.SamplerBuilder
	at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
	at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
	at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:338)
	at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
	... 17 more
复制代码

解决办法

导入这个包:

        <!-- https://mvnrepository.com/artifact/org.apache.htrace/htrace-core -->
        <dependency>
            <groupId>org.apache.htrace</groupId>
            <artifactId>htrace-core</artifactId>
            <version>3.1.0-incubating</version>
        </dependency>
复制代码

Spark等依赖

其他spark-core等依赖自行添加:

        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.11.8</version>
        </dependency>
        
        <!-- Spark核心库 -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!--Spark sql库 提供DF类API -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
复制代码

Spark写入HBase

代码实践

ctrl+c自取:

import java.util.UUID

import org.apache.hadoop.hbase.{HBaseConfiguration, TableName}
import org.apache.hadoop.hbase.client.{ConnectionFactory, Put}
import org.apache.hadoop.hbase.util.Bytes
import org.apache.spark.sql.SparkSession

import scala.util.Try

object SparkWriteHBase {
  val hbaseConfig = HBaseConfiguration.create()
  hbaseConfig.set("hbase.zookeeper.quorum", "zk地址1,zk地址2,zk地址3")
  hbaseConfig.set("hbase.zookeeper.property.clientPort", "2181")
  //根据自己集群设置如下一行配置值
  config.set("zookeeper.znode.parent","/hbase-unsecure")
  //在IDE中设置此项为true,避免出现"hbase-default.xml"版本不匹配的运行时异常
  hbaseConfig.set("hbase.defaults.for.version.skip", "true")

  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder()
      .appName("Spark-HBase")
      .master("local[2]")
      .getOrCreate()
    //读取的示例数据
    val data = spark.read.csv("hdfs://your-hdfs-host:8020/traffic.txt")
      .toDF("number", "color", "device", "direction", "photo_time")

    println("数据条数是:" + data.count())

    val SRC_FAMILYCOLUMN = "info"

    data.foreachPartition(p => {
      //获取HBase连接
      val hbaseConn = ConnectionFactory.createConnection(hbaseConfig)
      val resultTable = TableName.valueOf("spark_hbase_src")
      //获取表连接
      val table = hbaseConn.getTable(resultTable)
      p.foreach(r => {
        val put = new Put(Bytes.toBytes(UUID.randomUUID().toString))
        put.addColumn(Bytes.toBytes(SRC_FAMILYCOLUMN), Bytes.toBytes("number"), Bytes.toBytes(r.getString(0)))
        put.addColumn(Bytes.toBytes(SRC_FAMILYCOLUMN), Bytes.toBytes("color"), Bytes.toBytes(r.getString(1)))
        put.addColumn(Bytes.toBytes(SRC_FAMILYCOLUMN), Bytes.toBytes("device"), Bytes.toBytes(r.getString(2)))
        put.addColumn(Bytes.toBytes(SRC_FAMILYCOLUMN), Bytes.toBytes("direction"), Bytes.toBytes(r.getString(3)))
        put.addColumn(Bytes.toBytes(SRC_FAMILYCOLUMN), Bytes.toBytes("photo_time"), Bytes.toBytes(r.getString(4)))

        Try(table.put(put)).getOrElse(table.close()) //将数据写入HBase,若出错关闭table
      })
      table.close()
      hbaseConn.close()
    })
  }
}
复制代码

写操作结果查看

写入前后数据量对比:0 -> 1199:

Spark读取HBase

代码实践

import org.apache.hadoop.hbase.HBaseConfiguration
import org.apache.hadoop.hbase.mapreduce.TableInputFormat
import org.apache.hadoop.hbase.util.Bytes
import org.apache.spark.sql.SparkSession

object SparkReadHbase {
  def main(args: Array[String]): Unit = {

    val spark = SparkSession.builder()
      .appName("Spark-HBase")
      .master("local")
      .getOrCreate()

    val hbaseConfig = HBaseConfiguration.create()
    hbaseConfig.set("hbase.zookeeper.quorum", "zk地址1,zk地址2,zk地址3")
    hbaseConfig.set("hbase.zookeeper.property.clientPort", "2181")
    //在IDE中设置此项为true,避免出现"hbase-default.xml"版本不匹配的运行时异常
    hbaseConfig.set("hbase.defaults.for.version.skip", "true")
    hbaseConfig.set(TableInputFormat.INPUT_TABLE, "spark_hbase_src")

    val SRC_FAMILYCOLUMN = "info"

    //从hbase中读取RDD
    val hbaseRDD = spark.sparkContext.newAPIHadoopRDD(hbaseConfig,
      classOf[TableInputFormat],
      classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],
      classOf[org.apache.hadoop.hbase.client.Result])

    import spark.implicits._

    hbaseRDD.map({ case (_, result) =>
      //      val key = Bytes.toString(result.getRow)
      val number = Bytes.toString(result.getValue(SRC_FAMILYCOLUMN.getBytes, "number".getBytes))
      val color = Bytes.toString(result.getValue(SRC_FAMILYCOLUMN.getBytes, "color".getBytes))
      val device = Bytes.toString(result.getValue(SRC_FAMILYCOLUMN.getBytes, "device".getBytes))
      val direction = Bytes.toString(result.getValue(SRC_FAMILYCOLUMN.getBytes, "direction".getBytes))
      val photo_time = Bytes.toString(result.getValue(SRC_FAMILYCOLUMN.getBytes, "photo_time".getBytes))
      (number, color, device, direction, photo_time)
    }).toDF("number", "color", "device", "direction", "photo_time").show(false)
  }
}
复制代码

运行结果

show()的打印截图~成功读取到HBase中的数据:


官网示例踩坑

官网的 Example 36. HBaseContext Usage Example 如下:

val sc = new SparkContext("local", "test")
val config = new HBaseConfiguration()
...
val hbaseContext = new HBaseContext(sc, config)
复制代码
  • 不知道HBaseContext是哪一个jar包引入的,官网没指名用的什么Maven依赖!(后文看到可从一个项目可编译,mvn也提供了一个1.0版本jar包)
  • new SparkContext("local", "test") 这种写法是这个包独有的。

2019-10-10编译了一下这个源码得到这个jar,mvn官网也提供了一个1.0版本的 ↓↓↓

编译Hbase Spark Connector指南

提供spark读写hbase的api,可作为hbase-server库之外的另一种选择↑↑↑
复制代码

使用Spark RDD写HBase

由以下两种,主要区别是使用的配置文件对象不同

saveAsHadoopDataset

使用Hadoop JobConf配置,初始化JobConf用的TableOutputFormat类 是 org.apache.hadoop.hbase.mapred 包下的。

saveAsNewAPIHadoopDataset

使用Hadoop Configuration配置,使用的 TableInputFormat 类是 org.apache.hadoop.hbase.mapreduce 包下的

这两个API的使用方法类似,示例如下:

代码实现

import org.apache.hadoop.hbase.HBaseConfiguration
import org.apache.hadoop.hbase.mapreduce.TableOutputFormat
import org.apache.hadoop.mapreduce.Job
import org.apache.hadoop.hbase.util.Bytes
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.mapred.JobConf
import org.apache.spark.sql.SparkSession

object SparkWriteHBaseByHadoopDataset {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder.appName("SparkWriteHBase2").master("local").getOrCreate()
    val sc = spark.sparkContext
    val tableName = "test_student"

    val config = HBaseConfiguration.create()
    config.set("hbase.zookeeper.quorum", "manager.bigdata,master.bigdata,worker.bigdata")
    config.set("hbase.zookeeper.property.clientPort", "2181")
    config.set("hbase.defaults.for.version.skip", "true")

    val inputDataRDD = sc.parallelize(Array("1,Jack,M,26", "2,Rose,M,17")) //模拟构建两行记录的RDD
    val rdd = inputDataRDD.map(_.split(',')).map { arr => {
      val put = new Put(Bytes.toBytes(arr(0))) //行健的值
      put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("name"), Bytes.toBytes(arr(1))) //info:name列的值
      put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("gender"), Bytes.toBytes(arr(2))) //info:gender列的值
      put.addColumn(Bytes.toBytes("info"), Bytes.toBytes("age"), Bytes.toBytes(arr(3).toInt)) //info:age列的值
      (new ImmutableBytesWritable, put)
    }
    }

    // 初始化JobConf,TableOutputFormat 是 org.apache.hadoop.hbase.mapred 包下的
    val jobConf = new JobConf(config)
    jobConf.setOutputFormat(classOf[org.apache.hadoop.hbase.mapred.TableOutputFormat])
    rdd.saveAsHadoopDataset(jobConf)

    //TableInputFormat 是 org.apache.hadoop.hbase.mapreduce 包下的
    config.set(TableOutputFormat.OUTPUT_TABLE, tableName)
    val job = Job.getInstance(config)
    job.setOutputKeyClass(classOf[ImmutableBytesWritable])
    job.setOutputValueClass(classOf[Result])
    job.setOutputFormatClass(classOf[TableOutputFormat[ImmutableBytesWritable]])
    rdd.saveAsNewAPIHadoopDataset(job.getConfiguration)
  }
}
复制代码

两种API方法底层均调用SparkHadoopWriter对象的write方法,无性能差异。

Spark创建HBase表

核心API代码示例

import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.hbase.{HBaseConfiguration, TableName}
import org.apache.hadoop.hbase.client.{ColumnFamilyDescriptorBuilder, ConnectionFactory, TableDescriptorBuilder}

  def main(args: Array[String]): Unit = {

    val hbaseConn = ConnectionFactory.createConnection(hbaseConfig)
    val admin = hbaseConn.getAdmin

    //如果不存在就创建表
    if (!admin.tableExists(TableName.valueOf("test_hb_new_api"))) {
      val desc = TableDescriptorBuilder.newBuilder(TableName.valueOf("test_hb_new_api"))
      //指定列簇 不需要创建列,列式存储不需要创建列
      val cf1 = ColumnFamilyDescriptorBuilder.newBuilder("cf1".getBytes()).build()
      desc.setColumnFamily(cf1)
      admin.createTable(desc.build())
    }

  }
复制代码

仅仅创建表,不需要spark的参与,写在Spark代码里当然也可以运行!

已过时的API

val desc = new HTableDescriptor(TableName.valueOf("hb_test"))

//这些API已经被标记为Deprecated,将会在HBase3.0移除!

val hcd = new HColumnDescriptor("cf")

Spark删除HBase表 (待续)

SparkSQL操作HBase (待续)

关注下面的标签,发现更多相似文章
评论