在理论生产环境中，将计算和存储进行拆散，是咱们进步集群吞吐量、确保集群规模程度可扩大的次要办法之一，并且通过集群的扩容、性能的优化，确保在数据大幅增长时，存储不能称为零碎的瓶颈。大数据培训
具体到咱们理论的我的项目需要中，有一个典型的场景，通常会将Hive中的局部数据，比方热数据，存入到HBase中，进行冷热拆散解决。
咱们采纳Spark读取Hive表数据存入HBase中，这里次要有两种形式：
通过HBase的put API进行数据的批量写入
通过生成HFile文件，而后通过BulkLoad形式将数据存入HBase
HBase的原生put形式，通过HBase集群的region server向HBase插入数据，然而当数据量十分大时，region会进行split、compact等解决，并且这些解决十分占用计算资源和IO开销，影响性能和集群的稳定性。
HBase的数据最终是以HFile的模式存储到HDFS上的，如果咱们能间接将数据生成为HFile文件，而后将HFile文件保留到HBase对应的表中，能够防止上述的很多问题，效率会绝对更高。
本篇文章次要介绍如何应用Spark生成HFile文件，而后通过BulkLoad形式将数据导入到HBase中，并附批量put数据到HBase以及间接存入数据到HBase中的理论利用示例。
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 = 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表则创立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,间接把文件移到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
上述示例代码能够依据理论业务需要作相应调整，但有一个问题须要特地留神：
通过Spark读取过去的数据生成HFile时，要确保HBase的主键、列族、列依照有序排列。否则，会抛出以下异样:
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 }.toList Try(table.put(res)).getOrElse(table.close()) table.close() conn.close()}
在理论利用中，咱们也能够将常常一起查问的数据拼接在一起存入一个列中，比方将上述的pv和uv拼接在一起应用，能够升高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)
以上次要介绍了3种利用Spark将数据导入HBase的形式。其中，通过生成HFile文件，而后以BulkLoad导入的形式更适宜于大数据量的操作。
此外，如果咱们在应用Spark（或者其余计算引擎）读取HBase表数据时，如果效率绝对低，比方：Spark读取HBase时会依据region的数量生成对应数量的task，导致雷同数据量下，会比间接读取Hive数据慢，也能够通过间接读取HFile的形式来解决。当然，理论利用还要联合具体的场景，波及的技术等。