Windows10 & centos平台下Pyspaprk读取Hbase

pyspark从hbase中读取数据并转化为RDD

---

出现问题：

pyspark连接Hbase提示java.lang.ClassNotFoundException:

---

代码环境就是spark自带的pyspark shell。使用pycharm下编写一样的（最好把spark自带的pyspark覆盖到python解释器里这样依赖包自动查找的spark\jars的依赖包省了不少配置依赖的问题）

操作系统：Windows 10 或 Centos

jdk版本：1.8.0_181

scala版本：2.11.8

zookeeper版本：hbase自带zookeeper

hadoop版本：2.7.5

spark版本：2.3.0

hbase版本：1.1.2（最好使用低版本，pyspark需要hbase\lib下的依赖包，高版本似乎依赖包有变动，我试过hbase1.4.0读取hbase可以，但写入数据到hbase java编译器会报空指针下一个帖子会讲这个事。）

host="127.0.0.1"
table = 'tracks'
conf = {"hbase.zookeeper.quorum": host, "hbase.mapreduce.inputtable": table}
keyConv = "org.apache.spark.examples.pythonconverters.ImmutableBytesWritableToStringConverter"
valueConv = "org.apache.spark.examples.pythonconverters.HBaseResultToStringConverter"

hbase_rdd = sc.newAPIHadoopRDD("org.apache.hadoop.hbase.mapreduce.TableInputFormat","org.apache.hadoop.hbase.io.ImmutableBytesWritable","org.apache.hadoop.hbase.client.Result",keyConverter=keyConv,valueConverter=valueConv, conf=conf)

hbase_rdd.count()

直接运行代码会出现错误：

>>> host="127.0.0.1"
>>> table = 'tracks'
>>> conf = {"hbase.zookeeper.quorum": host, "hbase.mapreduce.inputtable": table}
>>> keyConv = "org.apache.spark.examples.pythonconverters.ImmutableBytesWritableToStringConverter"
>>> valueConv = "org.apache.spark.examples.pythonconverters.HBaseResultToStringConverter"
>>> hbase_rdd = sc.newAPIHadoopRDD("org.apache.hadoop.hbase.mapreduce.TableInputFormat","org.apache.hadoop.hbase.io.ImmutableBytesWritable","org.apache.hadoop.hbase.client.Result", keyConverter=keyConv,valueConverter=valueConv, conf=conf)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Users\Mango\spark-2.3.0\python\pyspark\context.py", line 705, in newAPIHadoopRDD
    jconf, batchSize)
  File "C:\Users\Mango\spark-2.3.0\python\lib\py4j-0.10.6-src.zip\py4j\java_gateway.py", line 1160, in __call__
  File "C:\Users\Mango\spark-2.3.0\python\pyspark\sql\utils.py", line 63, in deco
    return f(*a, **kw)
  File "C:\Users\Mango\spark-2.3.0\python\lib\py4j-0.10.6-src.zip\py4j\protocol.py", line 320, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.newAPIHadoopRDD.
: java.lang.ClassNotFoundException: org.apache.hadoop.hbase.io.ImmutableBytesWritable
        at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
        at java.lang.Class.forName0(Native Method)
        at java.lang.Class.forName(Class.java:348)
        at org.apache.spark.util.Utils$.classForName(Utils.scala:235)
        at org.apache.spark.api.python.PythonRDD$.newAPIHadoopRDDFromClassNames(PythonRDD.scala:292)
        at org.apache.spark.api.python.PythonRDD$.newAPIHadoopRDD(PythonRDD.scala:277)
        at org.apache.spark.api.python.PythonRDD.newAPIHadoopRDD(PythonRDD.scala)
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:498)
        at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
        at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
        at py4j.Gateway.invoke(Gateway.java:282)
        at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
        at py4j.commands.CallCommand.execute(CallCommand.java:79)
        at py4j.GatewayConnection.run(GatewayConnection.java:214)
        at java.lang.Thread.run(Thread.java:748)

这里提示的已经很明确了，找不到类，原因就是pyspark没有找到相关的依赖jar包，需要从hbase\lib下导入。

---

解决办法：

把HBase的lib目录下的所有hbase开头的jar文件、guava-12.0.1.jar、htrace-core-3.1.0-incubating.jar和protobuf-java-2.5.0.jar拷贝到spark目录下的jars。
另外注意：Spark2.0版本以上缺少hbase数据转换成Python数据的依赖包，需要我们自行下载spark-examples_2.11-1.6.0-typesafe-001.jar同样也放到spark目录下jars文件。

同样特别说明下：很多帖子都说guava-12.0.1.jar、htrace-core-3.1.0-incubating.jar和protobuf-java-2.5.0.jar都需要拷贝。

其实spark自带的jar是都有的，我只拷了所有的hbase开头的jar包同样能用，另外一些高版本的hbase还需要拷贝metrics-core-2.2.0.jar。
但是hbase1.1.2里并没有这个包，如果你严格使用hbase1.1.2这个版本无论用pyspark读写hbase只拷贝hbase-*.jar和spark-examples_2.11-1.6.0-typesafe-001.jar一定没问题的。

---

再插一句操作系统，Centos和Windows我用的时候都遇到了这个问题，其实都是jar依赖的问题两个操作系统解决起来并没有什么不同。

另外推荐一个大数据相关配置使用学习等网络教程写的非常详细，是厦门大学大数据实验室写的，我用的时候也是参考人家的，总得来说scala、python都有涉及入门非常的舒适。

子雨大数据之Spark入门教程(Python版)

还有一个官方测试用例：
hbase_inputformat.py