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：

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

Scala版本如下：

1val 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：

01/
10import org.apache.spark.SparkConf;
11import org.apache.spark.api.java.JavaRDD;
12import org.apache.spark.api.java.JavaSparkContext;
13 
14SparkConf conf = newSparkConf().setAppName("Simple Application");
15JavaSparkContext sc = newJavaSparkContext(conf);
16sc.addFile("wyp.data");
17JavaRDD<String> lines = sc.textFile(SparkFiles.get("wyp.data"));

Scala版本如下：

1import org.apache.spark.SparkContext
2import org.apache.spark.SparkConf
3 
4val conf = newSparkConf().setAppName("Simple Application")
5val sc = newSparkContext(conf)
6sc.addFile("spam.data")
7val 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：

01import org.apache.hadoop.conf.Configuration;
02import org.apache.hadoop.hbase.HBaseConfiguration;
03import org.apache.hadoop.hbase.client.Result;
04import org.apache.hadoop.hbase.client.Scan;
05import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
06import org.apache.hadoop.hbase.mapreduce.TableInputFormat;
07import org.apache.hadoop.hbase.protobuf.ProtobufUtil;
08import org.apache.hadoop.hbase.protobuf.generated.ClientProtos;
09import org.apache.hadoop.hbase.util.Base64;
10import org.apache.hadoop.hbase.util.Bytes;
11import org.apache.spark.api.java.JavaPairRDD;
12import org.apache.spark.api.java.JavaSparkContext;
13 
14/
23 
24JavaSparkContext sc = newJavaSparkContext(master, "hbaseTest",
25                System.getenv("SPARK_HOME"), System.getenv("JARS"));
26 
27Configuration conf = HBaseConfiguration.create();
28Scan scan = newScan();
29scan.addFamily(Bytes.toBytes("cf"));
30scan.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("airName"));
31 
32try{
33        String tableName = "flight_wap_order_log";
34        conf.set(TableInputFormat.INPUT_TABLE, tableName);
35        ClientProtos.Scan proto = ProtobufUtil.toScan(scan);
36        String ScanToString = Base64.encodeBytes(proto.toByteArray());
37        conf.set(TableInputFormat.SCAN, ScanToString);
38 
39        JavaPairRDD<ImmutableBytesWritable, Result> myRDD =
40                sc.newAPIHadoopRDD(conf,  TableInputFormat.class,
41                ImmutableBytesWritable.class, Result.class);
42 
43catch(Exception e) {
44            e.printStackTrace();
45}

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：

1System.out.println(myRDD.count());

本段代码需要在pom.xml文件加入以下依赖：

01<dependency>
02        <groupId>org.apache.spark</groupId>
03        <artifactId>spark-core_2.10</artifactId>
04        <version>0.9.1</version>
05</dependency>
06 
07<dependency>
08        <groupId>org.apache.hbase</groupId>
09        <artifactId>hbase</artifactId>
10        <version>0.98.2-hadoop2</version>
11</dependency>
12 
13<dependency>
14        <groupId>org.apache.hbase</groupId>
15        <artifactId>hbase-client</artifactId>
16        <version>0.98.2-hadoop2</version>
17</dependency>
18 
19<dependency>
20        <groupId>org.apache.hbase</groupId>
21        <artifactId>hbase-common</artifactId>
22        <version>0.98.2-hadoop2</version>
23</dependency>
24 
25<dependency>
26        <groupId>org.apache.hbase</groupId>
27        <artifactId>hbase-server</artifactId>
28        <version>0.98.2-hadoop2</version>
29</dependency>

Scala版如下：

01import org.apache.spark._
02import org.apache.spark.rdd.NewHadoopRDD
03import org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor}
04import org.apache.hadoop.hbase.client.HBaseAdmin
05import org.apache.hadoop.hbase.mapreduce.TableInputFormat
06 
07/
16 
17object HBaseTest {
18  def main(args: Array[String]) {
19    val sc = newSparkContext(args(0), "HBaseTest",
20      System.getenv("SPARK_HOME"), SparkContext.jarOfClass(this.getClass))
21 
22    val conf = HBaseConfiguration.create()
23    conf.set(TableInputFormat.INPUT_TABLE, args(1))
24 
25    val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],
26      classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],
27      classOf[org.apache.hadoop.hbase.client.Result])
28 
29    hBaseRDD.count()
30 
31    System.exit(0)
32  }
33}

我们需要在加入如下依赖：

1libraryDependencies ++= Seq(
2        "org.apache.spark"% "spark-core_2.10"% "0.9.1",
3        "org.apache.hbase"% "hbase"% "0.98.2-hadoop2",
4        "org.apache.hbase"% "hbase-client"% "0.98.2-hadoop2",
5        "org.apache.hbase"% "hbase-common"% "0.98.2-hadoop2",
6        "org.apache.hbase"% "hbase-server"% "0.98.2-hadoop2"
7)

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。