Spark DataFrame寫入HBase的常用方式有哪些

這篇文章主要介紹Spark DataFrame寫入HBase的常用方式有哪些，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！

Spark是目前最流行的分布式計算框架，而HBase則是在HDFS之上的列式分布式存儲引擎，基于Spark做離線或者實(shí)時計算，數(shù)據(jù)結(jié)果保存在HBase中是目前很流行的做法。例如用戶畫像、單品畫像、推薦系統(tǒng)等都可以用HBase作為存儲媒介，供客戶端使用。

因此Spark如何向HBase中寫數(shù)據(jù)就成為很重要的一個環(huán)節(jié)了。

代碼在spark 2.2.0版本親測

第一種是最簡單的使用方式了，就是基于RDD的分區(qū)，由于在spark中一個partition總是存儲在一個excutor上，因此可以創(chuàng)建一個HBase連接，提交整個partition的內(nèi)容。

大致的代碼是:

rdd.foreachPartition { records =>
    val config = HBaseConfiguration.create
    config.set("hbase.zookeeper.property.clientPort", "2181")
    config.set("hbase.zookeeper.quorum", "a1,a2,a3")
    val connection = ConnectionFactory.createConnection(config)
    val table = connection.getTable(TableName.valueOf("rec:user_rec"))
    
    
    val list = new java.util.ArrayList[Put]
    for(i <- 0 until 10){
        val put = new Put(Bytes.toBytes(i.toString))
        put.addColumn(Bytes.toBytes("t"), Bytes.toBytes("aaaa"), Bytes.toBytes("1111"))
        list.add(put)
    }
    
    table.put(list)
    
    table.close()
}

這樣每次寫的代碼很多，顯得不夠友好，如果能跟dataframe保存parquet、csv之類的就好了。下面就看看怎么實(shí)現(xiàn)dataframe直接寫入hbase吧！

由于這個插件是hortonworks提供的，maven的中央倉庫并沒有直接可下載的版本。需要用戶下載源碼自己編譯打包，如果有maven私庫，可以上傳到自己的maven私庫里面。具體的步驟可以參考如下：

2.1 下載源碼、編譯、上傳

去官網(wǎng)github下載即可：https://github.com/hortonworks-spark/shc
可以直接按照下面的readme說明來，也可以跟著我的筆記走。

下載完成后，如果有自己的私庫，可以修改shc中的distributionManagement。然后點(diǎn)擊旁邊的maven插件deploy發(fā)布工程，如果只想打成jar包，那就直接install就可以了。

2.2 引入

在pom.xml中引入：

<dependency>
    <groupId>com.hortonworks</groupId>
    <artifactId>shc-core</artifactId>
    <version>1.1.2-2.2-s_2.11-SNAPSHOT</version></dependency>

2.3

首先創(chuàng)建應(yīng)用程序，Application.scala

object Application {
    def main(args: Array[String]): Unit = {
        val spark = SparkSession.builder().master("local").appName("normal").getOrCreate()
        spark.sparkContext.setLogLevel("warn")
        val data = (0 to 255).map { i =>  HBaseRecord(i, "extra")}

        val df:DataFrame = spark.createDataFrame(data)
        df.write
          .mode(SaveMode.Overwrite)
          .options(Map(HBaseTableCatalog.tableCatalog -> catalog))
          .format("org.apache.spark.sql.execution.datasources.hbase")
          .save()
    }
    def catalog = s"""{
                   |"table":{"namespace":"rec", "name":"user_rec"},
                   |"rowkey":"key",
                   |"columns":{
                   |"col0":{"cf":"rowkey", "col":"key", "type":"string"},
                   |"col1":{"cf":"t", "col":"col1", "type":"boolean"},
                   |"col2":{"cf":"t", "col":"col2", "type":"double"},
                   |"col3":{"cf":"t", "col":"col3", "type":"float"},
                   |"col4":{"cf":"t", "col":"col4", "type":"int"},
                   |"col5":{"cf":"t", "col":"col5", "type":"bigint"},
                   |"col6":{"cf":"t", "col":"col6", "type":"smallint"},
                   |"col7":{"cf":"t", "col":"col7", "type":"string"},
                   |"col8":{"cf":"t", "col":"col8", "type":"tinyint"}
                   |}
                   |}""".stripMargin
}case class HBaseRecord(
                  col0: String,
                  col1: Boolean,
                  col2: Double,
                  col3: Float,
                  col4: Int,
                  col5: Long,
                  col6: Short,
                  col7: String,
                  col8: Byte)

object HBaseRecord
{
  def apply(i: Int, t: String): HBaseRecord = {
    val s = s"""row${"%03d".format(i)}"""
    HBaseRecord(s,
      i % 2 == 0,
      i.toDouble,
      i.toFloat,
      i,
      i.toLong,
      i.toShort,
      s"String$i: $t",
      i.toByte)
  }
}

然后再resources目錄下，添加hbase-site.xml、hdfs-site.xml、core-site.xml等配置文件。主要是獲取Hbase中的一些連接地址。

如果有瀏覽官網(wǎng)習(xí)慣的同學(xué)，一定會發(fā)現(xiàn)，HBase官網(wǎng)的版本已經(jīng)到了3.0.0-SNAPSHOT，并且早就在2.0版本就增加了一個hbase-spark模塊，使用的方法跟上面hortonworks一樣，只是format的包名不同而已，猜想就是把hortonworks給拷貝過來了。

另外Hbase-spark 2.0.0-alpha4目前已經(jīng)公開在maven倉庫中了。

http://mvnrepository.com/artifact/org.apache.hbase/hbase-spark

不過，內(nèi)部的spark版本是1.6.0，太陳舊了?。。?！真心等不起了...

期待hbase-spark官方能快點(diǎn)提供正式版吧。

1. hortonworks-spark/shc github：https://github.com/hortonworks-spark/shc

2. maven倉庫地址: http://mvnrepository.com/artifact/org.apache.hbase/hbase-spark

3. Hbase spark sql/ dataframe官方文檔：https://hbase.apache.org/book.html#_sparksql_dataframes

以上是“Spark DataFrame寫入HBase的常用方式有哪些”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！