使用spark的newAPIHadoopRDD方法读取hbase数据的时候,在hbase有父region未删除的情况下会导致数据重复读取。查看spark的executor日志可以发现未删除的父region会定位到其中的某一个女儿region中。从而导致数据重复读取。日志表现为input split信息中有重复的region name。因此我们需要自定义表读取类来避免重复读取。
我们只需要自定义类继承TableInputFormat,然后重写getSplits方法,删除重复的region即可。
示例代码:
public class SelfTableInputFormat extends TableInputFormat {
static final Logger logger = LogManager.getLogger(SelfTableInputFormat.class);
@Override
public List<InputSplit> getSplits(JobContext context) throws IOException {
logger.info("--------------SelfTableInputFormat-------------------");
List<InputSplit> result = super.getSplits(context);
if (result.isEmpty()) {
return result;
}
Configuration conf = context.getConfiguration();
// 混乱排序了,需要通过startkey跟endkey来判断使用范围最小的那个
// 暂时不做,
if ((conf.get(SHUFFLE_MAPS) != null) && "true".equals(conf.get(SHUFFLE_MAPS).toLowerCase(Locale.ROOT))) {
return removeSameSplitForShuffle(result);
}
return removeSameSplitForOrder(result);
}
/**
* InputSplit是按照从小到大排序的
* @param result
* @return
*/
private List<InputSplit> removeSameSplitForOrder(List<InputSplit> result) {
int count = result.size();
// 去除重复的InputSplit,而且女region替代父region
InputSplit tmp;
TableSplit tableSplit;
Map<Integer, InputSplit> noRepeat = new TreeMap<>();
Map<String, Integer> regionNameMap = new HashMap<>();
for (int i = 0, j = result.size(); i < j; i++) {
tmp = result.get(i);
if (tmp instanceof TableSplit) {
tableSplit = (TableSplit) tmp;
String regionName = tableSplit.getEncodedRegionName();
logger.info("tableSplit region encodedRegionName:" + regionName);
Integer ori = null;
if (regionNameMap.containsKey(regionName)) {
ori = regionNameMap.get(regionName);
} else {
regionNameMap.put(regionName, i);
}
if (ori != null) {
noRepeat.put(ori, tmp);
} else {
noRepeat.put(i, tmp);
}
}
}
if (noRepeat.size() == result.size()) {
return result;
}
result = new ArrayList<>();
for (Entry<Integer, InputSplit> entry : noRepeat.entrySet()) {
result.add(entry.getValue());
}
logger.info("remove zero region count:" + (count - result.size()));
return result;
}
/**
* InputSplit是打乱的无须的
* @param result
* @return
*/
private List<InputSplit> removeSameSplitForShuffle(List<InputSplit> result){
return result;
}
}