Spark将数据写入Hbase以及从Hbase读取数据

本文将介绍

1、spark如何利用saveAsHadoopDataset和saveAsNewAPIHadoopDataset将RDD写入hbase

2、spark从hbase中读取数据并转化为RDD

操作方式为在eclipse本地运行spark连接到远程的hbase。

java版本：1.7.0

scala版本：2.10.4

zookeeper版本：3.4.5（禁用了hbase自带zookeeper，选择自己部署的）

hadoop版本：2.4.1

spark版本：1.6.1

hbase版本：1.2.3

集群：centos6.5_x64

将RDD写入hbase

注意点：

依赖：

将lib目录下的hadoop开头jar包、hbase开头jar包添加至classpath

此外还有lib目录下的：zookeeper-3.4.6.jar、metrics-core-2.2.0.jar（缺少会提示hbase RpcRetryingCaller: Call exception不断尝试重连hbase，不报错）、htrace-core-3.1.0-incubating.jar、guava-12.0.1.jar

$SPARK_HOME/lib目录下的 spark-assembly-1.6.1-hadoop2.4.0.jar

不同的package中可能会有相同名称的类，不要导错

连接集群：

spark应用需要连接到zookeeper集群，然后借助zookeeper访问hbase。一般可以通过两种方式连接到zookeeper：

第一种是将hbase-site.xml文件加入classpath

第二种是在HBaseConfiguration实例中设置

如果不设置，默认连接的是localhost:2181会报错：connection refused 

本文使用的是第二种方式。

hbase创建表：

虽然可以在spark应用中创建hbase表，但是不建议这样做，最好在hbase shell中创建表，spark写或读数据

使用saveAsHadoopDataset写入数据

    import org.apache.hadoop.hbase.HBaseConfiguration  
    import org.apache.hadoop.hbase.client.Put  
    import org.apache.hadoop.hbase.io.ImmutableBytesWritable  
    import org.apache.hadoop.hbase.mapred.TableOutputFormat  
    import org.apache.hadoop.hbase.util.Bytes  
    import org.apache.hadoop.mapred.JobConf  
    import org.apache.spark.{SparkContext, SparkConf}  
      
    /** 
     * User:leen 
     * Date:2017/12/20 0020 
     * Time:16:51 
     */  
    object HbaseTest1 {  
      def main(args: Array[String]): Unit = {  
        val sparkConf = new SparkConf().setAppName("HBaseTest1").setMaster("local")  
        val sc = new SparkContext(sparkConf)  
      
        val conf = HBaseConfiguration.create()  
        //设置zooKeeper集群地址，也可以通过将hbase-site.xml导入classpath，但是建议在程序里这样设置  
        conf.set("hbase.zookeeper.quorum","slave1,slave2,slave3")  
        //设置zookeeper连接端口，默认2181  
        conf.set("hbase.zookeeper.property.clientPort", "2181")  
      
        val tablename = "account"  
      
        //初始化jobconf，TableOutputFormat必须是org.apache.hadoop.hbase.mapred包下的  
        val jobConf = new JobConf(conf)  
        jobConf.setOutputFormat(classOf[TableOutputFormat])  
        jobConf.set(TableOutputFormat.OUTPUT_TABLE, tablename)  
      
        val indataRDD = sc.makeRDD(Array("1,jack,15","2,Lily,16","3,mike,16"))  
      
        val rdd = indataRDD.map(_.split(',')).map{arr=>{  
          
          // 一个Put对象就是一行记录，在构造方法中指定主键  
          // 所有插入的数据必须用org.apache.hadoop.hbase.util.Bytes.toBytes方法转换  
          // Put.add方法接收三个参数：列族，列名，数据  
          val put = new Put(Bytes.toBytes(arr(0).toInt))  
          put.addColumn(Bytes.toBytes("cf"),Bytes.toBytes("name"),Bytes.toBytes(arr(1)))  
          put.addColumn(Bytes.toBytes("cf"),Bytes.toBytes("age"),Bytes.toBytes(arr(2).toInt))  
          //转化成RDD[(ImmutableBytesWritable,Put)]类型才能调用saveAsHadoopDataset  
          (new ImmutableBytesWritable, put)  
        }}  
      
        rdd.saveAsHadoopDataset(jobConf)  
      
        sc.stop()  
      }  
    }  

使用saveAsNewAPIHadoopDataset写入数据

    import org.apache.hadoop.hbase.client.Put  
    import org.apache.hadoop.hbase.io.ImmutableBytesWritable  
    import org.apache.hadoop.hbase.mapreduce.TableOutputFormat  
    import org.apache.hadoop.hbase.client.Result  
    import org.apache.hadoop.hbase.util.Bytes  
    import org.apache.hadoop.mapreduce.Job  
    import org.apache.spark.{SparkContext, SparkConf}  
      
    /** 
     * User:leen 
     * Date:2017/12/20 0020 
     * Time:17:34 
     */  
    object HbaseTest2 {  
      
      def main(args: Array[String]): Unit = {  
        val sparkConf = new SparkConf().setAppName("HBaseTest").setMaster("local")  
        val sc = new SparkContext(sparkConf)  
      
        val tablename = "account"  
      
        sc.hadoopConfiguration.set("hbase.zookeeper.quorum","slave1,slave2,slave3")  
        sc.hadoopConfiguration.set("hbase.zookeeper.property.clientPort", "2181")  
        sc.hadoopConfiguration.set(TableOutputFormat.OUTPUT_TABLE, tablename)  
      
        val job = Job.getInstance(sc.hadoopConfiguration)  
        job.setOutputKeyClass(classOf[ImmutableBytesWritable])  
        job.setOutputValueClass(classOf[Result])  
        job.setOutputFormatClass(classOf[TableOutputFormat[ImmutableBytesWritable]])  
      
        val indataRDD = sc.makeRDD(Array("1,jack,15","2,Lily,16","3,mike,16"))  
          
        val rdd = indataRDD.map(_.split(',')).map{arr=>{  
          val put = new Put(Bytes.toBytes(arr(0)))  
          put.addColumn(Bytes.toBytes("cf"),Bytes.toBytes("name"),Bytes.toBytes(arr(1)))  
          put.addColumn(Bytes.toBytes("cf"),Bytes.toBytes("age"),Bytes.toBytes(arr(2).toInt))  
          (new ImmutableBytesWritable, put)  
        }}  
      
        rdd.saveAsNewAPIHadoopDataset(job.getConfiguration())  
          
        sc.stop()  
      }  
    }  

从hbase读取数据转化成RDD

本例基于官方提供的例子

    package com.test  
      
    import org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor, TableName}  
    import org.apache.hadoop.hbase.client.HBaseAdmin  
    import org.apache.hadoop.hbase.mapreduce.TableInputFormat  
    import org.apache.spark._  
    import org.apache.hadoop.hbase.client.HTable  
    import org.apache.hadoop.hbase.client.Put  
    import org.apache.hadoop.hbase.util.Bytes  
    import org.apache.hadoop.hbase.io.ImmutableBytesWritable  
    import org.apache.hadoop.hbase.mapreduce.TableOutputFormat  
    import org.apache.hadoop.mapred.JobConf  
    import org.apache.hadoop.io._  
      
    object TestHBase2 {  
      
      def main(args: Array[String]): Unit = {  
        val sparkConf = new SparkConf().setAppName("HBaseTest").setMaster("local")  
        val sc = new SparkContext(sparkConf)  
          
        val tablename = "account"  
        val conf = HBaseConfiguration.create()  
        //设置zooKeeper集群地址，也可以通过将hbase-site.xml导入classpath，但是建议在程序里这样设置  
        conf.set("hbase.zookeeper.quorum","slave1,slave2,slave3")  
        //设置zookeeper连接端口，默认2181  
        conf.set("hbase.zookeeper.property.clientPort", "2181")  
        conf.set(TableInputFormat.INPUT_TABLE, tablename)  
      
        // 如果表不存在则创建表  
        val admin = new HBaseAdmin(conf)  
        if (!admin.isTableAvailable(tablename)) {  
          val tableDesc = new HTableDescriptor(TableName.valueOf(tablename))  
          admin.createTable(tableDesc)  
        }  
      
        //读取数据并转化成rdd  
        val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],  
          classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],  
          classOf[org.apache.hadoop.hbase.client.Result])  
      
        val count = hBaseRDD.count()  
        println(count)  
        hBaseRDD.foreach{case (_,result) =>{  
          //获取行键  
          val key = Bytes.toString(result.getRow)  
          //通过列族和列名获取列  
          val name = Bytes.toString(result.getValue("cf".getBytes,"name".getBytes))  
          val age = Bytes.toInt(result.getValue("cf".getBytes,"age".getBytes))  
          println("Row key:"+key+" Name:"+name+" Age:"+age)  
        }}  
      
        sc.stop()  
        admin.close()  
      }  
    }