【pyspark】酷酷的hive推数程序（至Hbase）

前言

首先要说明博主这里的hive与Hbase是在物理隔离的两个集群里，如果是同一个集群环境的话，理论上运行速度是会更快的。
采用Shell+Python编写的spark程序，client模式下，输出做了高亮处理，让运行过程更直观（cluster模式需要对输出进行微调，不然会找不到相关类的错误，这是由于lib包的问题导致的）。

效果

正常运行效果：
异常运行效果：

pyspark脚本

我们直接上脚本（需要改zk地址，你的sql逻辑，你的rdd转换逻辑，最后要注意通过API推送Hbase格式有要求：[(‘row_key’, [‘row_key’, ‘列簇’, ‘字段1’, ‘字段1value([字典])’])]）：

# coding=utf-8
import os
import sys
import json
import requests
import datetime
from pyspark import SparkConf
from pyspark import SparkContext
from pyspark.sql import SparkSession,SQLContext
# 需要用到的表（我这里的逻辑是将这两张表的数据合在一起）
TABLE1=" table1 "
TABLE2=" table2 "

TEMP="%Y-%m-%d %H:%M:%S"
# 你的job name（随便起）
APP_NAME="Jack_Roy"
# 换成你的zk地址
ZK_HOSTS="172.0.0.10,172.0.0.11,172.0.0.12"
HBASE_TABLE_NAME="hbase_table"
KEY_CONV="org.apache.spark.examples.pythonconverters.StringToImmutableBytesWritableConverter"
VALUE_CONV="org.apache.spark.examples.pythonconverters.StringListToPutConverter"
CONF={"hbase.zookeeper.quorum":ZK_HOSTS,"hbase.mapred.outputtable":HBASE_TABLE_NAME,"mapreduce.outputformat.class":"org.apache.hadoop.hbase.mapreduce.TableOutputFormat","mapreduce.job.output.key.class":"org.apache.hadoop.hbase.io.ImmutableBytesWritable","mapreduce.job.output.value.class":"org.apache.hadoop.io.Writable"}

def title():
        local_log("START",32," ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~")
        local_log("START",32," -- Topic: [Test]")
        local_log("START",32," -- Describe: 推送数据至Hbase")
        local_log("START",32," -- version: 1.0.0")
        local_log("START",32," -- Developer: Jack_Roy")
        local_log("START",32," -- WeChat: xxxxxxx")
        local_log("START",32," ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~")

def close_spark():
	spark.stop()
	return

def get_dataframe(TABLE_NAME):
	local_log("WARNING",33,"懒加载dataframe："+TABLE_NAME)
	# 这里写你的sql查询逻辑
	df=spark.sql("SELECT * \
                        FROM "+ TABLE_NAME +" ")
	return df

def next_pubctuation(color):
                print("                                \033[1;"+str(color)+"m|__________\033[0m")
                print("                                           \033[1;"+str(color)+"m|\033[0m")
                print("                                           \033[1;4;"+str(color)+"mV\033[0m")

def local_log(msg,color,strs):
	if msg == "START":
		print("\033[1;37;"+str(color+10)+"m"+strs+"\033[0m")
	else:
		print("\033[1;37;"+str(color+10)+"m-- "+str(datetime.datetime.now())+"\033[0m \033[1;4;"+str(color)+"m["+msg+"]\033[0m \033[1;37;"+str(color+10)+"m"+strs+"\033[0m")
		next_pubctuation(color)
	if msg == "ERROR":
		print("                                       \033[1;5;37;"+str(color+10)+"mGAME OVER\033[0m")
	elif msg == "SUCCESS":
               print("                                        \033[1;5;37;"+str(color+10)+"mGAME CLEARANCE\033[0m")

def do_shell(shell):
	os.system(shell)

def df_to_rdd(df,code):
	# 这里写你的各项rdd操作
	# 要注意，最终推送格式为[('row_key', ['row_key', '列簇', '字段1', '字段1value([字典])'])]
	rdd=df.rdd.map(lambda x:()).reduceByKey(lambda x,y:)
	return rdd

def set_spark(sc,park):
	sc.setLogLevel('ERROR')
	
if __name__ == '__main__':
	VERSION_DATE=sys.argv[1]
	spark=SparkSession.builder.appName(APP_NAME).config("spark.sql.broadcastTimeout","3600").enableHiveSupport().getOrCreate()
	sc = spark.sparkContext
	set_spark(sc,spark)
	APPLICATION_ID=sc.applicationId
	START_TIME=datetime.datetime.utcfromtimestamp(sc.startTime/1000).strftime(TEMP)
	do_shell("clear")
	title()
	do_shell("echo ''")
	local_log("INFO",32,"批次："+str(VERSION_DATE))
	local_log("INFO",32,"Spark Driver上下文初始化完毕")
	local_log("INFO",32,"程序名： "+str(APP_NAME))
	local_log("INFO",32,"开始时间："+str(START_TIME))
	local_log("INFO",32,"程序ID："+str(APPLICATION_ID))
	# 获取dataframe
	df_1=get_dataframe(TABLE1)
	df_2=get_dataframe(TABLE2)

	local_log("INFO",32,"dataframe加载完毕，转换为rdd")
	local_log("WARNING",33,"触发行动算子")
	rdd=df_to_rdd(df_a1,"t2").union(df_to_rdd(df_2,"t2"))
	local_log("WARNING",33,"rdd转换完成，即将写入hbase")
	rdd.saveAsNewAPIHadoopDataset(conf=CONF,keyConverter=KEY_CONV,valueConverter=VALUE_CONV)
	local_log("SUCCESS",32,"hbase写入完成，任务成功，关闭spark")
	close_spark() 

Submit脚本

这个没什么好描述的，采用shell写的(要找到相关jar包！)：

#!/bin/bash

export HADOOP_USER_NAME=hdfs
date
#开始时间戳
start_time=`date +%Y-%m-%d-%H:%M:%S`
accdate=`date -d '-1 day' +%Y%m%d`

lib_path=/opt/hbase_jars
# 去spark、hbase lib目录下找到这些jar包！！！！！！！放在/opt/hbase_jars或者hdfs上
lib_jars=\
$lib_path/spark-examples-******.jar, \
$lib_path/hbase-common-******.jar, \
$lib_path/hbase-client-******.jar, \
$lib_path/hbase-hadoop2-******.jar, \
$lib_path/hbase-annotations-******.jar, \
$lib_path/hbase-it-1.2.0-******.jar, \
$lib_path/hbase-prefix-tree-******.jar, \
$lib_path/hbase-procedure-******.jar, \
$lib_path/hbase-protocol-******.jar, \
$lib_path/hbase-resource-******.jar, \
$lib_path/hbase-rest-******.jar, \
$lib_path/hbase-server-******.jar, \
$lib_path/hbase-shell-******.jar, \
$lib_path/hbase-spark-******.jar, \
$lib_path/hbase-thrift-******.jar, \
$lib_path/htrace-core-******.jar
spark2-submit --driver-memory 16G --executor-memory 14G --driver-cores 1 --executor-cores 3 --num-executors 20 --conf spark.sql.shuffle.partitions=300  --conf spark.shuffle.consolidateFiles=true --conf spark.dynamicAllocation.maxExecutors=40 --master yarn --deploy-mode cluster  --name Jack_Roy --jars $lib_jars ./hive_to_hbase.py

后记

在Submit模式改为cluster之后，可能会遇到报错，博主的解决方案是将jar存在hdfs上，以便在cluster模式下能够动态读取。
大家有什么问题可下方留言交流。