大数据开发技术之如何将数据导入到HBase

2021-10-08

在实际生产环境中，将计算和存储进行分离，是我们提高集群吞吐量、确保集群规模水平可扩展的主要方法之一，并且通过集群的扩容、性能的优化，确保在数据大幅增长时，存储不能称为系统的瓶颈。大数据培训
具体到我们实际的项目需求中，有一个典型的场景，通常会将Hive中的部分数据，比如热数据，存入到HBase中，进行冷热分离处理。

文章图片

我们采用Spark读取Hive表数据存入HBase中，这里主要有两种方式：
通过HBase的put API进行数据的批量写入
通过生成HFile文件，然后通过BulkLoad方式将数据存入HBase
HBase的原生put方式，通过HBase集群的region server向HBase插入数据，但是当数据量非常大时，region会进行split、compact等处理，并且这些处理非常占用计算资源和IO开销，影响性能和集群的稳定性。
HBase的数据最终是以HFile的形式存储到HDFS上的，如果我们能直接将数据生成为HFile文件，然后将HFile文件保存到HBase对应的表中，可以避免上述的很多问题，效率会相对更高。
本篇文章主要介绍如何使用Spark生成HFile文件，然后通过BulkLoad方式将数据导入到HBase中，并附批量put数据到HBase以及直接存入数据到HBase中的实际应用示例。
1. 生成HFile，BulkLoad导入
1.1 数据样例
{"id":"1","name":"jack","age":"18"}
{"id":"2","name":"mike","age":"19"}
{"id":"3","name":"kilos","age":"20"}
{"id":"4","name":"tom","age":"21"}
...
1.2 示例代码
/**

@Author bigdatalearnshare
*/

object App {
def main(args: Array[String]): Unit = {

System.setProperty("HADOOP_USER_NAME", "root")val sparkSession = SparkSession .builder() .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer") .master("local[*]") .getOrCreate()val rowKeyField = "id"val df = sparkSession.read.format("json").load("/people.json")val fields = df.columns.filterNot(_ == "id").sortedval data = https://www.it610.com/article/df.rdd.map { row => val rowKey = Bytes.toBytes(row.getAs(rowKeyField).toString)val kvs = fields.map { field => new KeyValue(rowKey, Bytes.toBytes("hfile-fy"), Bytes.toBytes(field), Bytes.toBytes(row.getAs(field).toString)) }(new ImmutableBytesWritable(rowKey), kvs) }.flatMapValues(x => x).sortByKey()val hbaseConf = HBaseConfiguration.create(sparkSession.sessionState.newHadoopConf()) hbaseConf.set("hbase.zookeeper.quorum", "linux-1:2181,linux-2:2181,linux-3:2181") hbaseConf.set(TableOutputFormat.OUTPUT_TABLE, "hfile") val connection = ConnectionFactory.createConnection(hbaseConf)val tableName = TableName.valueOf("hfile")//没有HBase表则创建 creteHTable(tableName, connection)val table = connection.getTable(tableName)try { val regionLocator = connection.getRegionLocator(tableName)val job = Job.getInstance(hbaseConf)job.setMapOutputKeyClass(classOf[ImmutableBytesWritable]) job.setMapOutputValueClass(classOf[KeyValue])HFileOutputFormat2.configureIncrementalLoad(job, table, regionLocator)val savePath = "hdfs://linux-1:9000/hfile_save" delHdfsPath(savePath, sparkSession)job.getConfiguration.set("mapred.output.dir", savePath)data.saveAsNewAPIHadoopDataset(job.getConfiguration)val bulkLoader = new LoadIncrementalHFiles(hbaseConf) bulkLoader.doBulkLoad(new Path(savePath), connection.getAdmin, table, regionLocator)} finally { //WARN LoadIncrementalHFiles: Skipping non-directory hdfs://linux-1:9000/hfile_save/_SUCCESS 不影响,直接把文件移到HBASE对应HDFS地址了 table.close() connection.close() }sparkSession.stop()

}
def creteHTable(tableName: TableName, connection: Connection): Unit = {

val admin = connection.getAdminif (!admin.tableExists(tableName)) { val tableDescriptor = new HTableDescriptor(tableName) tableDescriptor.addFamily(new HColumnDescriptor(Bytes.toBytes("hfile-fy"))) admin.createTable(tableDescriptor) }

}
def delHdfsPath(path: String, sparkSession: SparkSession) {

val hdfs = FileSystem.get(sparkSession.sessionState.newHadoopConf()) val hdfsPath = new Path(path)if (hdfs.exists(hdfsPath)) { //val filePermission = new FsPermission(FsAction.ALL, FsAction.ALL, FsAction.READ) hdfs.delete(hdfsPath, true) }

}
}
1.3 注意事项
上述示例代码可以根据实际业务需求作相应调整，但有一个问题需要特别注意：
通过Spark读取过来的数据生成HFile时，要确保HBase的主键、列族、列按照有序排列。否则，会抛出以下异常:
Caused by: java.io.IOException: Added a key not lexically larger than previous. Current cell = 1/hfile-fy:age/1588230543677/Put/vlen=2/seqid=0, lastCell = 1/hfile-fy:name/1588230543677/Put/vlen=4/seqid=0
2. 批量put
2.1数据样例
val rowKeyField = "id"
val df = sparkSession.read.format("json").load("/stats.json")
val fields = df.columns.filterNot(_ == "id")
df.rdd.foreachPartition { partition =>

val hbaseConf = HBaseConfiguration.create() hbaseConf.set("hbase.zookeeper.quorum", "linux-1:2181,linux-2:2181,linux-3:2181") hbaseConf.set(TableOutputFormat.OUTPUT_TABLE, "batch_put")val conn = ConnectionFactory.createConnection(hbaseConf) val table = conn.getTable(TableName.valueOf("batch_put"))val res = partition.map { row => val rowKey = Bytes.toBytes(row.getAs(rowKeyField).toString) val put = new Put(rowKey) val family = Bytes.toBytes("hfile-fy")fields.foreach { field => put.addColumn(family, Bytes.toBytes(field), Bytes.toBytes(row.getAs(field).toString)) }put }.toListTry(table.put(res)).getOrElse(table.close())table.close() conn.close()

}
在实际应用中，我们也可以将经常一起查询的数据拼接在一起存入一个列中，比如将上述的pv和uv拼接在一起使用，可以降低KeyValue带来的结构化开销。
3.saveAsNewAPIHadoopDataset
val hbaseConf = sparkSession.sessionState.newHadoopConf()
hbaseConf.set("hbase.zookeeper.quorum", "linux-1:2181,linux-2:2181,linux-3:2181")
hbaseConf.set(TableOutputFormat.OUTPUT_TABLE, "direct")
val job = Job.getInstance(hbaseConf)
job.setMapOutputKeyClass(classOf[ImmutableBytesWritable])
job.setMapOutputValueClass(classOf[Result])
job.setOutputFormatClass(classOf[TableOutputFormat[ImmutableBytesWritable]])
val rowKeyField = "id"
val df = sparkSession.read.format("json").load("/stats.json")
val fields = df.columns.filterNot(_ == "id")
df.rdd.map { row =>

val put = new Put(Bytes.toBytes(row.getAs(rowKeyField).toString))val family = Bytes.toBytes("hfile-fy")fields.foreach { field => put.addColumn(family, Bytes.toBytes(field), Bytes.toBytes(row.getAs(field).toString)) }(new ImmutableBytesWritable(), put)

}.saveAsNewAPIHadoopDataset(job.getConfiguration)
以上主要介绍了3种利用Spark将数据导入HBase的方式。其中，通过生成HFile文件，然后以BulkLoad导入的方式更适合于大数据量的操作。
【大数据开发技术之如何将数据导入到HBase】此外，如果我们在使用Spark（或者其他计算引擎）读取HBase表数据时，如果效率相对低，比如：Spark读取HBase时会根据region的数量生成对应数量的task，导致相同数据量下，会比直接读取Hive数据慢，也可以通过直接读取HFile的方式来处理。当然，实际应用还要结合具体的场景，涉及的技术等。

推荐阅读

上一篇：Zookeeper的选举机制和同步机制超详细讲解，面试经常问到！

下一篇：蚂蚁数字科技与梆梆安全达成战略合作共同构建移动端全链路的安全能力