Spark读取Hbase中的数据

大家可能都知道很熟悉Spark的两种常见的数据读取方式（存放到RDD中）：（1）、调用parallelize函数直接从集合中获取数据，并存入RDD中；Java版本如下：

JavaRDD<Integer> myRDD = sc.parallelize(Arrays.asList(1,2,3));

Scala版本如下：

val myRDD= sc.parallelize(List(1,2,3))

这种方式很简单，很容易就可以将一个集合中的数据变成RDD的初始化值；更常见的是（2）、从文本中读取数据到RDD中，这个文本可以是纯文本文件、可以是sequence文件；可以存放在本地(file://)、可以存放在HDFS（hdfs://）上，还可以存放在S3上。其实对文件来说，Spark支持Hadoop所支持的所有文件类型和文件存放位置。Java版如下：

import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;SparkConf conf = new SparkConf().setAppName("Simple Application");JavaSparkContext sc = new JavaSparkContext(conf);sc.addFile("wyp.data");JavaRDD<String> lines = sc.textFile(SparkFiles.get("wyp.data"));

Scala版本如下：

import org.apache.spark.SparkContextimport org.apache.spark.SparkConfval conf = new SparkConf().setAppName("Simple Application")val sc = new SparkContext(conf)sc.addFile("spam.data")val inFile = sc.textFile(SparkFiles.get("spam.data"))

在实际情况下，我们需要的数据可能不是简单的存放在HDFS文本中，我们需要的数据可能就存放在Hbase中，那么我们如何用Spark来读取Hbase中的数据呢？本文的所有测试是基于Hadoop 2.2.0、Hbase 0.98.2、Spark 0.9.1，不同版本可能代码的编写有点不同。本文只是简单地用Spark来读取Hbase中的数据，如果需要对Hbase进行更强的操作，本文可能不能帮你。话不多说，Spark操作Hbase的核心的Java版本代码如下：

import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.hbase.HBaseConfiguration;import org.apache.hadoop.hbase.client.Result;import org.apache.hadoop.hbase.client.Scan;import org.apache.hadoop.hbase.io.ImmutableBytesWritable;import org.apache.hadoop.hbase.mapreduce.TableInputFormat;import org.apache.hadoop.hbase.protobuf.ProtobufUtil;import org.apache.hadoop.hbase.protobuf.generated.ClientProtos;import org.apache.hadoop.hbase.util.Base64;import org.apache.hadoop.hbase.util.Bytes;import org.apache.spark.api.java.JavaPairRDD;import org.apache.spark.api.java.JavaSparkContext;JavaSparkContext sc = new JavaSparkContext(master, "hbaseTest",                System.getenv("SPARK_HOME"), System.getenv("JARS"));Configuration conf = HBaseConfiguration.create();Scan scan = new Scan();scan.addFamily(Bytes.toBytes("cf"));scan.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("airName"));try {        String tableName = "flight_wap_order_log";        conf.set(TableInputFormat.INPUT_TABLE, tableName);        ClientProtos.Scan proto = ProtobufUtil.toScan(scan);        String ScanToString = Base64.encodeBytes(proto.toByteArray());        conf.set(TableInputFormat.SCAN, ScanToString);        JavaPairRDD<ImmutableBytesWritable, Result> myRDD =                 sc.newAPIHadoopRDD(conf,  TableInputFormat.class,                 ImmutableBytesWritable.class, Result.class);catch (Exception e) {            e.printStackTrace();}

这样本段代码段是从Hbase表名为flight_wap_order_log的数据库中读取cf列簇上的airName一列的数据，这样我们就可以对myRDD进行相应的操作：

System.out.println(myRDD.count());

本段代码需要在pom.xml文件加入以下依赖：

<dependency>        <groupId>org.apache.spark</groupId>        <artifactId>spark-core_2.10</artifactId>        <version>0.9.1</version></dependency><dependency>        <groupId>org.apache.hbase</groupId>        <artifactId>hbase</artifactId>        <version>0.98.2-hadoop2</version></dependency><dependency>        <groupId>org.apache.hbase</groupId>        <artifactId>hbase-client</artifactId>        <version>0.98.2-hadoop2</version></dependency><dependency>        <groupId>org.apache.hbase</groupId>        <artifactId>hbase-common</artifactId>        <version>0.98.2-hadoop2</version></dependency><dependency>        <groupId>org.apache.hbase</groupId>        <artifactId>hbase-server</artifactId>        <version>0.98.2-hadoop2</version></dependency>

Scala版如下：

import org.apache.spark._import org.apache.spark.rdd.NewHadoopRDDimport org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor}import org.apache.hadoop.hbase.client.HBaseAdminimport org.apache.hadoop.hbase.mapreduce.TableInputFormatobject HBaseTest {  def main(args: Array[String]) {    val sc = new SparkContext(args(0), "HBaseTest",      System.getenv("SPARK_HOME"), SparkContext.jarOfClass(this.getClass))    val conf = HBaseConfiguration.create()    conf.set(TableInputFormat.INPUT_TABLE, args(1))    val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],       classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],      classOf[org.apache.hadoop.hbase.client.Result])    hBaseRDD.count()    System.exit(0)  }}

我们需要在加入如下依赖：

libraryDependencies ++= Seq(        "org.apache.spark" % "spark-core_2.10" % "0.9.1",        "org.apache.hbase" % "hbase" % "0.98.2-hadoop2",        "org.apache.hbase" % "hbase-client" % "0.98.2-hadoop2",        "org.apache.hbase" % "hbase-common" % "0.98.2-hadoop2",        "org.apache.hbase" % "hbase-server" % "0.98.2-hadoop2")

在测试的时候，需要配置好Hbase、Hadoop环境，否则程序会出现问题，特别是让程序找到Hbase-site.xml配置文件。