- Spark 快速大批量得存取 Hbase
- 支持隐式的RDD 调用
- Hbase的快速扫描和SparkSQL 实现Hbase Join
在一个 3台 64c,128G 内存上的hbase 集群上测试:
- BulkLoad 一个40G 文件 4分钟(regions = 50实际时间和region 个数有关)
- bulkGet 100000000 条数据从1 的表中时间为 1 分钟
- bulkDelete 10000000 调数据从1 的表中时间为 1 分钟
sbt 打包引入到项目中,参照 HbaseSuit 实现
- Hbase 作为前端数据快速检索的数据库
- 数据源为hive 表
- 数据源为关系型数据库
- 参考DataBaseSuit.scala 实现
例如将hive 表的数据增量写入到Hbase
def insertOrUpdate = {
val rdd = spark.read.table("").rdd
hc.bulkLoadThinRows[Row](rdd,
tableName,
r => {
val rawPK = new StringBuilder
for(c<- table_PK) rawPK.append(r.getAs[String](c))
val rk = rowKeyByMD5(rawPK.toString)
val familyQualifiersValues = new FamiliesQualifiersValues
val fq = familyQualifierToByte
for(c<- fq) {
val family = c._1
val qualifier = c._2
val value = Bytes.toBytes(r.getAs[String](c._3))
familyQualifiersValues += (family, qualifier, value)
}
(new ByteArrayWrapper(rk), familyQualifiersValues)
},
10)
}
- Hbase 作为支持数据检索、更新的Spark运行数据库
- bulkLoad 更新
- bulkGet 查询,Spark SQL Join 解决Hbase 不支持Join 的问题
- BulkDelete 数据删除
- 参考 HbaseSuit.scala 实现
例如向Hbase 批量导入数据
def initDate() = {
// 清空,并重新创建表
createTable
// 准备数据,rdd 处理
import spark.implicits._
val rdd = spark.sql("select * from hive.graph").map(x => {
val sid = x.getString(0)
val id = x.getString(1)
val idType = x.getString(3)
(sid, id, idType)
}).rdd
// bulk load
hc.bulkLoadThinRows[(String, String, String)](rdd,
"lenovo:GRAPH",
t => {
val rowKey = rowKeyByMD5(t._2, t._3)
val familyQualifiersValues = new FamiliesQualifiersValues
val pk = t._2 + "|" + t._3
// Hbase 存入两列,一列 PK 存 业务主键,一列 s 存 superid
val column = List(("pk", pk), ("s", t._1))
column.foreach(f => {
val family: Array[Byte] = Bytes.toBytes(columnFamily.head)
val qualifier = Bytes.toBytes(f._1)
val value: Array[Byte] = Bytes.toBytes(f._2)
familyQualifiersValues += (family, qualifier, value)
})
(new ByteArrayWrapper(rowKey), familyQualifiersValues)
},
10
)
}
- ETL工具
- 封装的初始程序
- bulkGet
- bulkDelete
例如作为ETL工具操作Hbase
// Hbase 表定义
val nameSpace = "lenovo"
val tableName = "GRAPH"
val columnFamily = Seq("cf")
// 获取源表得Schema 信息
val columns = spark.sql("select * from hive.graph").schema.map(_.name)
val schema = Schema(nameSpace,tableName,columnFamily,columns,50)
val data = spark.sql("select * from hive.graph").rdd
// (sid:String,id:String,idType:String)
// 创建Hbase Table 实例
val ht = HbaseTable(spark,hc,schema)
// 初始化数据测试
ht.tableInit[Row](data,mkRowKey,mkHbaseRow)
// 构造HbaseTable的rowkey 规则
def mkRowKey(r:Row):Array[Byte] = {
// 业务要求 id+idtype 的Md5 作为主键
val rawRK = r.getAs[String]("id") + r.getAs[String]("idType")
rowKeyByMD5(rawRK)
}
// 构造HbaseTable的row的规则
def mkHbaseRow(r:Row):FamiliesQualifiersValues = {
val rk = this.mkRowKey(r)
val familyQualifiersValues = new FamiliesQualifiersValues
var i = 0
for(c<-schema.familyQualifierToByte.toList) {
val family = c._1
val qualifier = c._2
val value: Array[Byte] = schema.strToBytes(r.getString(i))
familyQualifiersValues += (family, qualifier, value)
i = i + 1
}
familyQualifiersValues
}
- Hbase Join 问题
- 快速的Scan
- 使用Spark SQL解决Hbase Join 问题
例如
// 快速Scan 获取Hbase 数据
ht.tableInit[Row](data, mkRowKey, mkHbaseRow)
//SparkSQL 实现 Join
import spark.implicits._
// fixme Scan 返回得结构为SparkRow
val t1 = ht.hbaseScan.toDF("id","idtype")
val t2 = spark.sql("select * from t1")
val join = t1.join(t2,Seq("id","idtype"))
- 该ETL工具改造自 hbase-Spark 并对其中BulkLoad 方法重新实现
- 如有问题请联系作者邮箱 huanghl0817@gmail.com