Spark DataFrame寫入HBase的常用方式

Spark是目前最流行的分布式計算架構，而HBase則是在HDFS之上的列式分布式存儲引擎，基于Spark做離線或者實時計算，資料結果儲存在HBase中是目前很流行的做法。例如使用者畫像、單品畫像、推薦系統等都可以用HBase作為存儲媒介，供用戶端使用。

是以Spark如何向HBase中寫資料就成為很重要的一個環節了。本文将會介紹三種寫入的方式，其中一種還在期待中，暫且官網即可...

代碼在spark 2.2.0版本親測

第一種是最簡單的使用方式了，就是基于RDD的分區，由于在spark中一個partition總是存儲在一個excutor上，是以可以建立一個HBase連接配接，送出整個partition的内容。

大緻的代碼是:

rdd.foreachPartition { records =>
    val config = HBaseConfiguration.create
    config.set("hbase.zookeeper.property.clientPort", "2181")
    config.set("hbase.zookeeper.quorum", "a1,a2,a3")
    val connection = ConnectionFactory.createConnection(config)
    val table = connection.getTable(TableName.valueOf("rec:user_rec"))

    val list = new java.util.ArrayList[Put]
    for(i <- 0 until 10){
        val put = new Put(Bytes.toBytes(i.toString))
        put.addColumn(Bytes.toBytes("t"), Bytes.toBytes("aaaa"), Bytes.toBytes("1111"))
        list.add(put)
    }

    table.put(list)

    table.close()
}
           

這樣每次寫的代碼很多，顯得不夠友好，如果能跟dataframe儲存parquet、csv之類的就好了。下面就看看怎麼實作dataframe直接寫入hbase吧！

由于這個插件是hortonworks提供的，maven的中央倉庫并沒有直接可下載下傳的版本。需要使用者下載下傳源碼自己編譯打包，如果有maven私庫，可以上傳到自己的maven私庫裡面。具體的步驟可以參考如下：

2.1 下載下傳源碼、編譯、上傳

去官網github下載下傳即可：https://github.com/hortonworks-spark/shc

可以直接按照下面的readme說明來，也可以跟着我的筆記走。

下載下傳完成後，如果有自己的私庫，可以修改shc中的distributionManagement。然後點選旁邊的maven插件deploy釋出工程，如果隻想打成jar包，那就直接install就可以了。

2.2 引入

在pom.xml中引入：

<dependency>
    <groupId>com.hortonworks</groupId>
    <artifactId>shc-core</artifactId>
    <version>1.1.2-2.2-s_2.11-SNAPSHOT</version></dependency>
           

2.3

首先建立應用程式，Application.scala

object Application {
    def main(args: Array[String]): Unit = {
        val spark = SparkSession.builder().master("local").appName("normal").getOrCreate()
        spark.sparkContext.setLogLevel("warn")
        val data = (0 to 255).map { i =>  HBaseRecord(i, "extra")}

        val df:DataFrame = spark.createDataFrame(data)
        df.write
          .mode(SaveMode.Overwrite)
          .options(Map(HBaseTableCatalog.tableCatalog -> catalog))
          .format("org.apache.spark.sql.execution.datasources.hbase")
          .save()
    }
    def catalog = s"""{
                   |"table":{"namespace":"rec", "name":"user_rec"},
                   |"rowkey":"key",
                   |"columns":{
                   |"col0":{"cf":"rowkey", "col":"key", "type":"string"},
                   |"col1":{"cf":"t", "col":"col1", "type":"boolean"},
                   |"col2":{"cf":"t", "col":"col2", "type":"double"},
                   |"col3":{"cf":"t", "col":"col3", "type":"float"},
                   |"col4":{"cf":"t", "col":"col4", "type":"int"},
                   |"col5":{"cf":"t", "col":"col5", "type":"bigint"},
                   |"col6":{"cf":"t", "col":"col6", "type":"smallint"},
                   |"col7":{"cf":"t", "col":"col7", "type":"string"},
                   |"col8":{"cf":"t", "col":"col8", "type":"tinyint"}
                   |}
                   |}""".stripMargin
}case class HBaseRecord(
                  col0: String,
                  col1: Boolean,
                  col2: Double,
                  col3: Float,
                  col4: Int,
                  col5: Long,
                  col6: Short,
                  col7: String,
                  col8: Byte)

object HBaseRecord
{
  def apply(i: Int, t: String): HBaseRecord = {
    val s = s"""row${"%03d".format(i)}"""
    HBaseRecord(s,
      i % 2 == 0,
      i.toDouble,
      i.toFloat,
      i,
      i.toLong,
      i.toShort,
      s"String$i: $t",
      i.toByte)
  }
}           

然後再resources目錄下，添加hbase-site.xml、hdfs-site.xml、core-site.xml等配置檔案。主要是擷取Hbase中的一些連接配接位址。

如果有浏覽官網習慣的同學，一定會發現，HBase官網的版本已經到了3.0.0-SNAPSHOT，并且早就在2.0版本就增加了一個hbase-spark子產品，使用的方法跟上面hortonworks一樣，隻是format的包名不同而已，猜想就是把hortonworks給拷貝過來了。

另外Hbase-spark 2.0.0-alpha4目前已經公開在maven倉庫中了。

http://mvnrepository.com/artifact/org.apache.hbase/hbase-spark

不過，内部的spark版本是1.6.0，太陳舊了！！！！真心等不起了...

期待hbase-spark官方能快點提供正式版吧。