python爬取hbase信息

1.随着业务系统的越来越庞大，hbase的表越来越多，分区规则，TLL时间等需要时刻去维护。所以从0到1学会用python爬取hbase信息。

第一步下载hbase：https://mirrors.cnnic.cn/apache/hbase/1.3.3/

第二步解压：tar -zxvf hbase-1.3.3-bin.tar.gz

第三步下载hadoop :http://mirrors.advancedhosters.com/apache/hadoop/common/hadoop-3.0.2/

第四步解压：tar -zxvf hadoop-3.0.2.tar.gz

安装方法多种:一种是跟着教程走，当然我是第二种缺啥补啥（以前安装过hbase）

安装hadoop：

vi etc/hadoop/hadoop-env.sh配置HADOOP_HOME

 export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.201.b09-2.el7_6.x86_64/jre/

配置 core-site.xml

<configuration>
    <property>
      <name>fs.default.name</name>
      <value>hdfs://localhost:9000</value>
    </property>

</configuration>

执行:cp mapred-site.xml.template mapred-site.xml指定MR框架的

编辑mapred-site.xml：

<configuration>
  <property>
     <name>mapred.job.tracker</name>
     <value>localhost:9001</value>
  </property>
</configuration>

vi hdfs-site.xml编辑：

<configuration>
    <property>
        <name>dfs.name.dir</name>
        <value>/usr/local/hadoop/namenode</value>
    </property>
    <property>
        <name>dfs.data.dir</name>
        <value>/usr/local/hadoop/datanode</value>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
</configuration>

初始化bin目录下执行：sh hadoop namenode -format

cd sbin目录下执行：sh start-dfs.sh输入密码后就安装成功了

hbase配置 编写hbase-site.xml：

<configuration>
<property>
   <name>hbase.rootdir</name>
    <value>file:/home/test/hbase_data/hbase</value>
  </property>
</configuration>

hbase shell 进去

访问UI界面：

1.博主遇到UI界面不能访问的问题，？

我狠心直接禁用防火墙了，本人是在VM中安装的。

[root@localhost bin]# sudo systemctl stop firewalld.service
[root@localhost bin]# sudo systemctl disable firewalld.service

现在真正的开始了，创建一个hbase表设置TTL时间，设置一个版本：

    create 'magina_t',{NAME =>'cf',VERSIONS =>1,TTL => 5184000},{SPLITS => ['1','2','3','4','5','6','7','8','9']}

查询表结构

    分区开始的值和结束的值：

  如果是hbase高版本，hbase shell的命令就可以。

get_splits 'ns1:t1'

p=subprocess.Popen(‘’, shell=True, stdin=subprocess.PIPE,stdout=subprocess.PIPE)
p.stdin.write("echo HELLW_WORLD!\r\n".encode("GBK"))
p.stdin.flush()

低版本用API或者直接页面上爬取，低版本的 hbase python原始爬虫开始操作了(强烈不建议这样做！！！)：

class TitleParser(HTMLParser):
    def __init__(self):
        self.taglevels = []
        self.handledtags = ['h2', 'table', 'tr']
        self.processing = -1
        self.append=-1
        self.do=-1
        HTMLParser.__init__(self)

    def handle_starttag(self, tag, attrs):
         if tag =='table':
             for a,b in attrs:
                 if a=='class' and b=='table table-striped':
                     self.processing=1
                     break

    def handle_data(self, data):
        if self.processing == 1:
            if data.strip() == 'Name':
                print "name"
                self.append = 1
            if self.append == 1:
                self.taglevels.append(data)

    def handle_endtag(self, tag):
        if tag =='table':
            self.append=-1

    def handle_charref(self, name):
        try:
            charnum = int(name)
        except ValueError:
            return
        self.handle_data(chr(charnum))

import urllib
fd = urllib.urlopen("http://xxx.xx:16010/table.jsp?name=magina_t")
tp = TitleParser()
tp.feed(fd.read())
s=[x.strip() for x in tp.taglevels if x.strip()!='' ]