Scala下foreachPartition + Hbase快速写

介绍

工作中常常会遇到这种情形，需要将hdfs中的大批量数据导入HBase。本文使用Spark+HBase的方式将RDD中的数据导入HBase中。没有使用官网提供的newAPIHadoopRDD接口的方式。使用本文的方式将数据导入HBase, 7000W条数据，花费时间大概20分钟左右，本文Spark可用核数量为20。

本文使用spark版本为1.3.0，hbase版本为0.98.1

hbase表结构为：表名table，列族Family,列为qualifier。

代码如下：

val readFile = sc.textFile("/path/to/file").map(x => x.split(","))
val tableName = "table"
readFile.foreachPartition{
  x=> {
    val myConf = HBaseConfiguration.create()
    myConf.set("hbase.zookeeper.quorum", "web102,web101,web100")
    myConf.set("hbase.zookeeper.property.clientPort", "2181")
    myConf.set("hbase.defaults.for.version.skip", "true")
    val myTable = new HTable(myConf, TableName.valueOf(tableName))
    myTable.setAutoFlush(false, false)//关键点1
    myTable.setWriteBufferSize(3*1024*1024)//关键点2
    x.foreach { y => {
      println(y(0) + ":::" + y(1))
      val p = new Put(Bytes.toBytes(y(0)))
      p.add("Family".getBytes, "qualifier".getBytes, Bytes.toBytes(y(1)))
      myTable.put(p)
    }
    }
    myTable.flushCommits()//关键点3
  }
}

此程序是使用了RDD的foreachPartition函数，在此程序中有三个比较关键的地方。
关键点1_:将自动提交关闭，如果不关闭，每写一条数据都会进行提交，是导入数据较慢的做主要因素。
关键点2:设置缓存大小，当缓存大于设置值时，hbase会自动提交。此处可自己尝试大小，一般对大数据量，设置为5M即可，本文设置为3M。
关键点3:每一个分片结束后都进行flushCommits()，如果不执行，当hbase最后缓存小于上面设定值时，不会进行提交，导致数据丢失。

注：此外如果想提高Spark写数据如Hbase速度，可以增加Spark可用核数量。