python提取hbase数据_python生成hbase测试数据说明

版本：

Python：3.6.4 与 2.7.3 均适配

一、hbase表介绍表名：people

列族：basic_info、other_info

rowkey：随机的两位数 + 当前时间戳，并要确保该rowkey在表数据中唯一。

列定义：name、age、sex、edu、tel、email、country。

二、实现rowkey：随机的两位数：使用random.randint(00, 99)，然后使用 zfill(2) 补位，比如数字“1”补位为”01”。

生成当前时间的13位时间戳：int(time.time())

rowkey为 随机的两位数 与 时间戳 拼凑而成，并确保rowkey唯一。

name：使用 string.capwords() 将字符串首字母大写，其余字母小写。

使用 random.sample() 截取指定位数的任意字符串 作为 name

age：random.randint(18, 60) ：18 ~ 60岁

sex：random.choice()

edu：random.choice()

telphone：random.choice() 与 random.sample() 的联合使用

email：random.sample() 与 random.choice() 的联合使用

country：random.choice()

三、代码

以下为 python 生成 hbase 测试数据的全部代码，generatedata.py 文件内容如下：

# -- coding: utf-8 --

###########################################

# rowkey：随机的两位数 + 当前时间戳，并要确保该rowkey在表数据中唯一。

# 列定义：name、age、sex、edu、tel、email、country。

# 0001,tom,17,man,,176xxxxxxxx,,China

# 0002,mary,23,woman,college,,cdsvo@163.com,Japan

# 0003,sam,18,man,middle,132xxxxxxxx,,America

# 0004,Sariel,26,,college,178xxxxxxxx,12345@126.com,China

###########################################

import random

import string

import sys

# 大小写字母

alphabet_upper_list = string.ascii_uppercase

alphabet_lower_list = string.ascii_lowercase

# 随机生成指定位数的字符串

def get_random(instr, length):

# 从指定序列中随机获取指定长度的片段并组成数组，例如:['a', 't', 'f', 'v', 'y']

res = random.sample(instr, length)

# 将数组内的元素组成字符串

result = ''.join(res)

return result

# 创建名字

def get_random_name(length):

name = string.capwords(get_random(alphabet_lower_list, length))

return name

# 获取年龄

def get_random_age():

return str(random.randint(18, 60))

# 获取性别

def get_random_sex():

return random.choice(["woman", "man"])

# 获取学历

def get_random_edu():

edu_list = ["primary", "middle", "college", "master", "court academician"]

return random.choice(edu_list)

# 获取电话号码

def get_random_tel():

pre_list = ["130", "131", "132", "133", "134", "135", "136", "137", "138", "139", "147", "150",

"151", "152", "153", "155", "156", "157", "158", "159", "186", "187", "188"]

return random.choice(pre_list) + ''.join(random.sample('0123456789', 8))

# 获取邮箱名

def get_random_email(length):

alphabet_list = alphabet_lower_list + alphabet_upper_list

email_list = ["163.com", "126.com", "qq.com", "gmail.com"]

return get_random(alphabet_list, length) + "@" + random.choice(email_list)

# 获取国籍

def get_random_country():

country_list = ["Afghanistan", "Anguilla", "Australie", "Barbados", "China", "Brisil", "Colombie", "France",

"Irlande", "Russie", "Suisse", "America", "Zaire", "Vanuatu", "Turquie", "Togo", "Suisse",

"Sri Lanka", "Porto Rico", "Pirou"]

return random.choice(country_list)

# 放置生成的并且不存在的rowkey

rowkey_tmp_list = []

# 制作rowkey

def get_random_rowkey():

import time

pre_rowkey = ""

while True:

# 获取00~99的两位数字，包含00与99

num = random.randint(00, 99)

# 获取当前10位的时间戳

timestamp = int(time.time())

# str(num).zfill(2)为字符串不满足2位，自动将该字符串补0

pre_rowkey = str(num).zfill(2) + str(timestamp)

if pre_rowkey not in rowkey_tmp_list:

rowkey_tmp_list.append(pre_rowkey)

break

return pre_rowkey

# 生成一条数据

def get_random_record():

return get_random_rowkey() + "," + get_random_name(

5) + "," + get_random_age() + "," + get_random_sex() + "," + get_random_edu() + "," + get_random_tel() + "," + get_random_email(

10) + "," + get_random_country()

# 将记录写到文本中

def write_record_to_file():

# 覆盖文件内容，重新写入

f = open(sys.argv[1], 'w')

i = 0

while i < int(sys.argv[2]):

record = get_random_record()

f.write(record)

# 换行写入

f.write('\n')

i += 1

print("完成{0}条数据存储".format(i))

f.close()

if __name__ == "__main__":

write_record_to_file()

输出 100000 条数据到 /tmp/hbase_data.txt 文件中，执行以下命令：

python generatedata.py /tmp/hbase_data.txt 100000

参数解释：要执行的 python 文件：generatedata.py

文件输出路径：/tmp/hbase_data.txt

100000：要生成数据的总数量

为避免数据过大导致热点和数据倾斜问题，预先设置 HBase 表为10个 Region，对应表的创建命令为：

create 'default:people', {NAME=>'basic_info'}, {NAME=>'other_info'}, SPLITS=>['10|','20|','30|','40|','50|','60|','70|','80|','90|']

接下来我们可以利用这份测试数据对 HBase 相关功能进行测试与练习。