最近工作需要使用到Spark操作Hbase,上篇文章已经写了如何使用Spark读写Hbase全量表的数据做处理,但这次有所不同,这次的需求是Scan特定的Hbase的数据然后转换成RDD做后续处理,简单的使用Google查询了一下,发现实现方式还是比较简单的,用的还是Hbase的TableInputFormat相关的API。
基础软件版本如下:
Hadoop2.7.2
Hbase1.2.0
Spark2.1.0
Scala2.11.8
直接上代码如下:
` val startRowkey="row1"
val endRowkey="row1"
//开始rowkey和结束一样代表精确查询某条数据
//组装scan语句
val scan=new Scan(Bytes.toBytes(startRowkey),Bytes.toBytes(endRowkey))
scan.setCacheBlocks(false)
scan.addFamily(Bytes.toBytes("ks"));
scan.addColumn(Bytes.toBytes("ks"), Bytes.toBytes("data"))
//将scan类转化成string类型
val scan_str= TableMapReduceUtil.convertScanToString(scan)
conf.set(TableInputFormat.SCAN,scan_str)
//使用new hadoop api,读取数据,并转成rdd
val rdd = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat], classOf[ImmutableBytesWritable], classOf[Result])
//打印扫描的数据总量
println("count:"+rdd.count)
上面的少量代码,已经完整实现了使用spark查询hbase特定的数据,然后统计出数量最后输出,当然上面只是一个简单的例子,重要的是能把hbase数据转换成RDD,只要转成RDD我们后面就能进行非常多的过滤操作。
注意上面的hbase版本比较新,如果是比较旧的hbase,如果自定义下面的方法将scan对象给转成字符串,代码如下:
import java.io.{DataOutputStream, ByteArrayOutputStream}
import java.lang.String
import org.apache.hadoop.hbase.client.Scan
import org.apache.hadoop.hbase.HBaseConfiguration
import org.apache.hadoop.hbase.io.ImmutableBytesWritable
import org.apache.hadoop.hbase.client.Result
import org.apache.hadoop.hbase.mapreduce.TableInputFormat
import org.apache.hadoop.hbase.util.Base64
def convertScanToString(scan: Scan): String = {
val out: ByteArrayOutputStream = new ByteArrayOutputStream
val dos: DataOutputStream = new DataOutputStream(out)
scan.write(dos)
Base64.encodeBytes(out.toByteArray)
}
最后,还有一点,上面的代码是直接自己new了一个scan对象进行组装,当然我们还可以不自己new对象,全部使用TableInputFormat下面的相关的常量,并赋值,最后执行的时候TableInputFormat会自动帮我们组装scan对象这一点通过看TableInputFormat的源码就能明白:
private static final Log LOG = LogFactory.getLog(TableInputFormat.class);
public static final String INPUT_TABLE = "hbase.mapreduce.inputtable";
private static final String SPLIT_TABLE = "hbase.mapreduce.splittable";
public static final String SCAN = "hbase.mapreduce.scan";
public static final String SCAN_ROW_START = "hbase.mapreduce.scan.row.start";
public static final String SCAN_ROW_STOP = "hbase.mapreduce.scan.row.stop";
public static final String SCAN_COLUMN_FAMILY = "hbase.mapreduce.scan.column.family";
public static final String SCAN_COLUMNS = "hbase.mapreduce.scan.columns";
public static final String SCAN_TIMESTAMP = "hbase.mapreduce.scan.timestamp";
public static final String SCAN_TIMERANGE_START = "hbase.mapreduce.scan.timerange.start";
public static final String SCAN_TIMERANGE_END = "hbase.mapreduce.scan.timerange.end";
public static final String SCAN_MAXVERSIONS = "hbase.mapreduce.scan.maxversions";
public static final String SCAN_CACHEBLOCKS = "hbase.mapreduce.scan.cacheblocks";
public static final String SCAN_CACHEDROWS = "hbase.mapreduce.scan.cachedrows";
public static final String SCAN_BATCHSIZE = "hbase.mapreduce.scan.batchsize";
public static final String SHUFFLE_MAPS = "hbase.mapreduce.inputtable.shufflemaps";
上面代码中的常量,都可以conf.set的时候进行赋值,最后任务运行的时候会自动转换成scan,有兴趣的朋友可以自己尝试。