要想使用spark生成hfile,然后再使用bulkload方式向HBase装载数据,你需要:
1、首先用spark向hdfs写hfile;
2、然后使用java代码调起bulkload程序吧hfile装载到habse数据库中。
但是在整个过程中,有以下几个点是需要注意的:
1、在hbase表有预分区的情况下,调用 bulkLoader.doBulkLoad(hFilePath, admin, table, regionLocator)的时候,如果一个hfile文件内的数据不是刚好装载入一个分区的话,那么bulkload程序会自动split该hfile,所以,如果spark写文件时产生了很多小文件,同时要装载的数据量又非常大的话,bulkload程序会不断地进行split,导致数据装载极其缓慢,我曾经遇到一次装载300G数据花了好几个小时也装不进去。
2、spark的sortByKey算子是针对整个rdd全局排序,做不到partition内排序,正好repartitionAndSortWithinPartitions算子可以做到分区内部排序,其运算过程跟hadoop的MapReduce是一样的。
基于以上几点,我们最终的实现思路是:比如即将装载数据的hbase表5000个预分区,我们的spark程序运行就有5000个partition,每个partition内部数据是有序的,spark程序最终写成5000个hfile文件,最后调用bulkLoader.doBulkLoad(hFilePath, admin, table, regionLocator)将会瞬间装载完成
tips:
1、repartitionAndSortWithinPartitions是需要自定义一个Partitioner的;
2、bulkload可以使用java api去调用,也可以在hadoop机器上使用hbase自带的命令行装载,这个地方不是本文讨论的重点,就网友自行查找了。
具体的实现请参考以下代码片段,如果想查看整个程序,可以GitHub链接上 https://github.com/Issac-Young/data-hub.git
package com.issac.studio.app.sink;
import com.issac.studio.app.entity.domain.Sink;
import com.issac.studio.app.entity.domain.config.sink.HBaseSinkConfig;
import com.issac.studio.app.entity.dto.ExternalParam;
import com.issac.studio.app.exception.NullException;
import com.issac.studio.app.exception.TypeException;
import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.HRegionInfo;
import org.apache.hadoop.hbase.KeyValue;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapred.TableOutputFormat;
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2;
import org.apache.ha