如何使用spark从hbase读取

使用Spark(Scala)读取HBase数据的基本示例,您还可以在Java中使用它:

import org.apache.hadoop.hbase.client.{HBaseAdmin, Result}
import org.apache.hadoop.hbase.{ HBaseConfiguration, HTableDescriptor }
import org.apache.hadoop.hbase.mapreduce.TableInputFormat
import org.apache.hadoop.hbase.io.ImmutableBytesWritable

import org.apache.spark._

object HBaseRead {
  def main(args: Array[String]) {
    val sparkConf = new SparkConf().setAppName("HBaseRead").setMaster("local[2]")
    val sc = new SparkContext(sparkConf)
    val conf = HBaseConfiguration.create()
    val tableName = "table1"

    System.setProperty("user.name", "hdfs")
    System.setProperty("HADOOP_USER_NAME", "hdfs")
    conf.set("hbase.master", "localhost:60000")
    conf.setInt("timeout", 120000)
    conf.set("hbase.zookeeper.quorum", "localhost")
    conf.set("zookeeper.znode.parent", "/hbase-unsecure")
    conf.set(TableInputFormat.INPUT_TABLE, tableName)

    val admin = new HBaseAdmin(conf)
    if (!admin.isTableAvailable(tableName)) {
      val tableDesc = new HTableDescriptor(tableName)
      admin.createTable(tableDesc)
    }

    val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat], classOf[ImmutableBytesWritable], classOf[Result])
    println("Number of Records found : " + hBaseRDD.count())
    sc.stop()
  }
}

更新-2016

从Spark 1.0.x +开始,现在您也可以使用Spark-HBase Connector:

Maven依赖包括:

<dependency>
  <groupId>it.nerdammer.bigdata</groupId>
  <artifactId>spark-hbase-connector_2.10</artifactId>
  <version>1.0.3</version> // Version can be changed as per your Spark version, I am using Spark 1.6.x
</dependency>

并找到相同的以下示例代码:

import org.apache.spark._
import it.nerdammer.spark.hbase._

object HBaseRead extends App {
    val sparkConf = new SparkConf().setAppName("Spark-HBase").setMaster("local[4]")
    sparkConf.set("spark.hbase.host", "<YourHostnameOnly>") //e.g. 192.168.1.1 or localhost or your hostanme
    val sc = new SparkContext(sparkConf)

    // For Example If you have an HBase Table as 'Document' with ColumnFamily 'SMPL' and qualifier as 'DocID, Title' then:

    val docRdd = sc.hbaseTable[(Option[String], Option[String])]("Document")
    .select("DocID", "Title").inColumnFamily("SMPL")

    println("Number of Records found : " + docRdd .count())
}

更新 - 2017年

从Spark 1.6.x +开始,现在您也可以使用SHC Connector(Hortonworks或HDP用户):

Maven依赖包括:

    <dependency>
        <groupId>com.hortonworks</groupId>
        <artifactId>shc</artifactId>
        <version>1.0.0-2.0-s_2.11</version> // Version depends on the Spark version and is supported upto Spark 2.x
    </dependency>

使用此连接器的主要优点是它在Schema定义中具有灵活性,并且不需要像nerdammer/spark-hbase-connector那样的Hardcoded params.还要记住它支持Spark 2.x,因此这个连接器非常灵活,可以在问题和PR中提供端到端的支持.

找到以下存储库路径以获取最新的自述文件和示例:

Hortonworks Spark HBase连接器

您还可以将此RDD转换为DataFrame并在其上运行SQL,或者您可以将这些Dataset或DataFrame映射到用户定义的Java Pojo或Case类.它很棒.

如果您还有其他需要,请在下面评论.

只是添加关于如何添加扫描的注释:

TableInputFormat具有以下属性:

SCAN_ROW_START

SCAN_ROW_STOP

conf.set(TableInputFormat.SCAN_ROW_START, "startrowkey");
conf.set(TableInputFormat.SCAN_ROW_STOP, "stoprowkey");

由于这个问题不是新问题,现在还有其他一些替代方案:

hbase-spark,一个直接在HBase 仓库中提供的模块

Hortonworks的Spark-on-HBase

我对第一个项目了解不多,但看起来它不支持Spark 2.x. 但是,它在Spark 1.6.x的RDD级别上提供了丰富的支持.

另一方面,Spark-on-HBase拥有Spark 2.0和即将推出的Spark 2.1的分支.该项目非常有前途,因为它专注于数据集/数据框架API.在幕后,它实现了标准的Spark Datasource API,并利用Spark Catalyst引擎进行查询优化.开发人员在此声称它能够进行分区修剪,列修剪,谓词下推和实现数据局部性.

下面将介绍一个使用com.hortonworks:shc:1.0.0-2.0-s_2.11此repo和Spark 2.0.2中的工件的简单示例:

case class Record(col0: Int, col1: Int, col2: Boolean)

val spark = SparkSession
  .builder()
  .appName("Spark HBase Example")
  .master("local[4]")
  .getOrCreate()

def catalog =
  s"""{
      |"table":{"namespace":"default", "name":"table1"},
      |"rowkey":"key",
      |"columns":{
      |"col0":{"cf":"rowkey", "col":"key", "type":"int"},
      |"col1":{"cf":"cf1", "col":"col1", "type":"int"},
      |"col2":{"cf":"cf2", "col":"col2", "type":"boolean"}
      |}
      |}""".stripMargin

val artificialData = (0 to 100).map(number => Record(number, number, number % 2 == 0))

// write
spark
  .createDataFrame(artificialData)
  .write
  .option(HBaseTableCatalog.tableCatalog, catalog)
  .option(HBaseTableCatalog.newTable, "5")
  .format("org.apache.spark.sql.execution.datasources.hbase")
  .save()

// read
val df = spark
  .read
  .option(HBaseTableCatalog.tableCatalog, catalog)
  .format("org.apache.spark.sql.execution.datasources.hbase")
  .load()

df.count()

我更喜欢从hbase读取并在spark中执行json操作.
Spark提供了JavaSparkContext.newAPIHadoopRDD函数来从hadoop存储中读取数据,包括HBase.您必须在配置参数和表输入格式中提供HBase配置,表名和扫描,并且它的键值

您可以使用表输入格式类及其作业参数来提供表名和扫描配置

例:

conf.set(TableInputFormat.INPUT_TABLE, "tablename");
JavaPairRDD<ImmutableBytesWritable, Result> data = 
jsc.newAPIHadoopRDD(conf, TableInputFormat.class,ImmutableBytesWritable.class, Result.class);

然后你可以在spark中进行json操作.由于spark可以在内存已满时重新计算,它只会加载重新计算部分所需的数据(cmiiw),因此您不必担心数据大小