spark将数据写入hbase以及从hbase读取数据

本文将介绍

1、spark如何利用saveAsHadoopDataset和saveAsNewAPIHadoopDataset将RDD写入hbase

2、spark从hbase中读取数据并转化为RDD

操作方式为在eclipse本地运行spark连接到远程的hbase。

java版本：1.7.0

scala版本：2.10.4

zookeeper版本：3.4.5（禁用了hbase自带zookeeper，选择自己部署的）

hadoop版本：2.4.1

spark版本：1.6.1

hbase版本：1.2.3

集群：centos6.5_x64

将RDD写入hbase

注意点：

依赖：

将lib目录下的hadoop开头jar包、hbase开头jar包添加至classpath

此外还有lib目录下的：zookeeper-3.4.6.jar、metrics-core-2.2.0.jar（缺少会提示hbase RpcRetryingCaller: Call exception不断尝试重连hbase，不报错）、htrace-core-3.1.0-incubating.jar、guava-12.0.1.jar

$SPARK_HOME/lib目录下的 spark-assembly-1.6.1-hadoop2.4.0.jar

不同的package中可能会有相同名称的类，不要导错

连接集群：

spark应用需要连接到zookeeper集群，然后借助zookeeper访问hbase。一般可以通过两种方式连接到zookeeper：

第一种是将hbase-site.xml文件加入classpath

第二种是在HBaseConfiguration实例中设置

如果不设置，默认连接的是localhost:2181会报错：connection refused 

本文使用的是第二种方式。

hbase创建表：

虽然可以在spark应用中创建hbase表，但是不建议这样做，最好在hbase shell中创建表，spark写或读数据

使用saveAsHadoopDataset写入数据

package com.testimport org.apache.hadoop.hbase.HBaseConfigurationimport org.apache.hadoop.hbase.client.Putimport org.apache.hadoop.hbase.io.ImmutableBytesWritableimport org.apache.hadoop.hbase.mapred.TableOutputFormatimport org.apache.hadoop.hbase.util.Bytesimport org.apache.hadoop.mapred.JobConfimport org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.rdd.RDD.rddToPairRDDFunctionsobject TestHBase {  def main(args: Array[String]): Unit = {    val sparkConf = new SparkConf().setAppName("HBaseTest").setMaster("local")    val sc = new SparkContext(sparkConf)    val conf = HBaseConfiguration.create()    //设置zooKeeper集群地址，也可以通过将hbase-site.xml导入classpath，但是建议在程序里这样设置    conf.set("hbase.zookeeper.quorum","slave1,slave2,slave3")    //设置zookeeper连接端口，默认2181    conf.set("hbase.zookeeper.property.clientPort", "2181")    val tablename = "account"        //初始化jobconf，TableOutputFormat必须是org.apache.hadoop.hbase.mapred包下的！    val jobConf = new JobConf(conf)    jobConf.setOutputFormat(classOf[TableOutputFormat])    jobConf.set(TableOutputFormat.OUTPUT_TABLE, tablename)        val indataRDD = sc.makeRDD(Array("1,jack,15","2,Lily,16","3,mike,16"))    val rdd = indataRDD.map(_.split(',')).map{arr=>{      /*一个Put对象就是一行记录，在构造方法中指定主键       * 所有插入的数据必须用org.apache.hadoop.hbase.util.Bytes.toBytes方法转换       * Put.add方法接收三个参数：列族，列名，数据       */      val put = new Put(Bytes.toBytes(arr(0).toInt))      put.add(Bytes.toBytes("cf"),Bytes.toBytes("name"),Bytes.toBytes(arr(1)))      put.add(Bytes.toBytes("cf"),Bytes.toBytes("age"),Bytes.toBytes(arr(2).toInt))      //转化成RDD[(ImmutableBytesWritable,Put)]类型才能调用saveAsHadoopDataset      (new ImmutableBytesWritable, put)     }}        rdd.saveAsHadoopDataset(jobConf)        sc.stop()  }}

使用saveAsNewAPIHadoopDataset写入数据

package com.testimport org.apache.hadoop.hbase.HBaseConfigurationimport org.apache.hadoop.hbase.mapreduce.TableOutputFormatimport org.apache.spark._import org.apache.hadoop.mapreduce.Jobimport org.apache.hadoop.hbase.io.ImmutableBytesWritableimport org.apache.hadoop.hbase.client.Resultimport org.apache.hadoop.hbase.client.Putimport org.apache.hadoop.hbase.util.Bytesobject TestHBase3 {  def main(args: Array[String]): Unit = {    val sparkConf = new SparkConf().setAppName("HBaseTest").setMaster("local")    val sc = new SparkContext(sparkConf)        val tablename = "account"        sc.hadoopConfiguration.set("hbase.zookeeper.quorum","slave1,slave2,slave3")    sc.hadoopConfiguration.set("hbase.zookeeper.property.clientPort", "2181")    sc.hadoopConfiguration.set(TableOutputFormat.OUTPUT_TABLE, tablename)        val job = new Job(sc.hadoopConfiguration)    job.setOutputKeyClass(classOf[ImmutableBytesWritable])    job.setOutputValueClass(classOf[Result])      job.setOutputFormatClass(classOf[TableOutputFormat[ImmutableBytesWritable]])      val indataRDD = sc.makeRDD(Array("1,jack,15","2,Lily,16","3,mike,16"))    val rdd = indataRDD.map(_.split(',')).map{arr=>{      val put = new Put(Bytes.toBytes(arr(0)))      put.add(Bytes.toBytes("cf"),Bytes.toBytes("name"),Bytes.toBytes(arr(1)))      put.add(Bytes.toBytes("cf"),Bytes.toBytes("age"),Bytes.toBytes(arr(2).toInt))      (new ImmutableBytesWritable, put)     }}        rdd.saveAsNewAPIHadoopDataset(job.getConfiguration())  }}

从hbase读取数据转化成RDD

本例基于官方提供的例子

package com.testimport org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor, TableName}import org.apache.hadoop.hbase.client.HBaseAdminimport org.apache.hadoop.hbase.mapreduce.TableInputFormatimport org.apache.spark._import org.apache.hadoop.hbase.client.HTableimport org.apache.hadoop.hbase.client.Putimport org.apache.hadoop.hbase.util.Bytesimport org.apache.hadoop.hbase.io.ImmutableBytesWritableimport org.apache.hadoop.hbase.mapreduce.TableOutputFormatimport org.apache.hadoop.mapred.JobConfimport org.apache.hadoop.io._object TestHBase2 {  def main(args: Array[String]): Unit = {    val sparkConf = new SparkConf().setAppName("HBaseTest").setMaster("local")    val sc = new SparkContext(sparkConf)    val tablename = "account"    val conf = HBaseConfiguration.create()    //设置zooKeeper集群地址，也可以通过将hbase-site.xml导入classpath，但是建议在程序里这样设置    conf.set("hbase.zookeeper.quorum","slave1,slave2,slave3")    //设置zookeeper连接端口，默认2181    conf.set("hbase.zookeeper.property.clientPort", "2181")    conf.set(TableInputFormat.INPUT_TABLE, tablename)    // 如果表不存在则创建表    val admin = new HBaseAdmin(conf)    if (!admin.isTableAvailable(tablename)) {      val tableDesc = new HTableDescriptor(TableName.valueOf(tablename))      admin.createTable(tableDesc)    }    //读取数据并转化成rdd    val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],      classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],      classOf[org.apache.hadoop.hbase.client.Result])    val count = hBaseRDD.count()    println(count)    hBaseRDD.foreach{case (_,result) =>{      //获取行键      val key = Bytes.toString(result.getRow)      //通过列族和列名获取列      val name = Bytes.toString(result.getValue("cf".getBytes,"name".getBytes))      val age = Bytes.toInt(result.getValue("cf".getBytes,"age".getBytes))      println("Row key:"+key+" Name:"+name+" Age:"+age)    }}    sc.stop()    admin.close()  }}