oracle数据库过滤器,hbase过滤数据库

最新推荐文章于 2021-12-13 11:19:05 发布

暮商翌

最新推荐文章于 2021-12-13 11:19:05 发布

阅读量189

点赞数

文章标签： oracle数据库过滤器

前言之前因为仅仅是把HBase当成一个可横向扩展并且具有持久化能力的KV数据库，所以只用在了指标存储上，参看很早之前的一篇文章基于HBase做Storm 实时计算指标存储。这次将HBase用在了用户行为存储上，因为Rowkey的过滤功能也很不错，可以很方便的把按人或者内容的维度过滤出所有的行为。从某种意义上，HBase的是一个有且仅有一个多字段复合索引的存储引擎。

虽然我比较推崇实时计算，不过补数据或者计算历史数据啥的，批处理还是少不了的。对于历史数据的计算，其实我是有两个选择的，一个是基于HBase的已经存储好的行为数据进行计算，或者基于Hive的原始数据进行计算，最终选择了前者，这就涉及到Spark(StreamingPro) 对HBase的批处理操作了。

整合过程和Spark 整合，意味着最好能有Schema(Mapping),因为Dataframe 以及SQL API 都要求你有Schema。遗憾的是HBase 有没有Schema取决于使用者和场景。通常SparkOnHBase的库都要求你定义一个Mapping(Schema),比如hortonworks的 SHC(https://github.com/hortonworks-spark/shc) 就要求你定义一个如下的配置：

{"rowkey":"key","table":{"namespace":"default", "name":"pi_user_log", "tableCoder":"PrimitiveType"},"columns":{"col0":{"cf":"rowkey", "col":"key", "type":"string"},"col1":{"cf":"f","col":"col1", "type":"string"}}}看上面的定义已经还是很容易看出来的。对HBase的一个列族和列取一个名字，这样就可以在Spark的DataSource API使用了，关于如何开发Spark DataSource API可以参考我的这篇文章利用 Spark DataSource API 实现Rest数据源中使用，SHC大体实现的就是这个API。现在你可以这么用了：

val cat = "{n"rowkey":"key","table":{"namespace":"default", "name":"pi_user_log", "tableCoder":"PrimitiveType"},n"columns":{"col0":{"cf":"rowkey", "col":"key", "type":"string"},n"28360592":{"cf":"f","col":"28360592", "type":"string"}n}n}"

val cc = sqlContext

.read

.options(Map(HBaseTableCatalog.tableCatalog -> cat))

.format("org.apache.spark.sql.execution.datasources.hbase")

.load()

不过当你有成千上万个列，那么这个就无解了，你不大可能一一定义，而且很多时候使用者也不知道会有哪些列，列名甚至可能是一个时间戳。我们现在好几种情况都遇到了，所以都需要解决：

自动获取HBase里所有的列形成Schema,这样就不需要用户配置了。规定HBase只有两个列，一个rowkey,一个 content,content 是一个map,包含所有以列族+列名为key，对应内容为value。先说说第二种方案(因为其实第一种方案也要依赖于第二种方案)：

{

"name": "batch.sources",

"params": [

{

"inputTableName": "log1",

"format": "org.apache.spark.sql.execution.datasources.hbase.raw",

"path": "-",

"outputTable": "log1"

}

]

{

"name": "batch.sql",

"params": [

{

"sql": "select rowkey,json_value_collect(content) as actionList from log1",

"outputTableName":"finalTable"

}

]

首先我们配置了一个HBase的表，叫log1,当然，这里是因为程序通过hbase-site.xml获得HBase的链接，所以配置上你看不到HBase相关的信息。接着呢，在SQL 里你就可以对content 做处理了。我这里是把content 转化成了JSON格式字符串。再之后你就可以自己写一个UDF函数之类的做处理了，从而实现你复杂的业务逻辑。我们其实每个字段里存储的都是JSON，所以我其实不关心列名，只要让我拿到所有的列就好。而上面的例子正好能够满足我这个需求了。

而且实现这个HBase DataSource 也很简单，核心逻辑大体如下：

case class HBaseRelation(

parameters: Map[String, String],

userSpecifiedschema: Option[StructType]

)(@transient val sqlContext: SQLContext)

extends BaseRelation with TableScan with Logging {

val hbaseConf = HBaseConfiguration.create()

def buildScan(): RDD[Row] = {

hbaseConf.set(TableInputFormat.INPUT_TABLE, parameters("inputTableName"))

val hBaseRDD = sqlContext.sparkContext.newAPIHadoopRDD(hbaseConf, classOf[TableInputFormat], classOf[ImmutableBytesWritable], classOf[Result])

.map { line =>

val rowKey = Bytes.toString(line._2.getRow)