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：

/////////////////////////////////////////////////////////////////////

User: 过往记忆

Date: 14-6-29

Time: 23:59

bolg:

本文地址：/archives/1051

过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

过往记忆博客微信公共帐号：iteblog_hadoop

/////////////////////////////////////////////////////////////////////

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.SparkContext

import org.apache.spark.SparkConf

val 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Java版本代码如下：

package com.iteblog.spark;

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.SparkConf;

import org.apache.spark.api.java.JavaPairRDD;

import org.apache.spark.api.java.JavaSparkContext;

import org.apache.spark.api.java.function.Function2;

import org.apache.spark.api.java.function.PairFunction;

import scala.Serializable;

import scala.Tuple2;

import java.io.IOException;

import java.util.List;

/**

 * User: iteblog

 * Date: 14-6-27

 * Time: 下午5:18

 *blog: http://www.iteblog.com

 *

 * Usage: bin/spark-submit --master yarn-cluster --class com.iteblog.spark.SparkFromHbase

 * --jars /home/q/hbase/hbase-0.96.0-hadoop2/lib/htrace-core-2.01.jar,

 * /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-common-0.96.0-hadoop2.jar,

 * /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-client-0.96.0-hadoop2.jar,

 * /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-protocol-0.96.0-hadoop2.jar,

 * /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-server-0.96.0-hadoop2.jar

 * ./spark_2.10-1.0.jar

 */

public class SparkFromHbase implements Serializable {

    /**

     * copy from org.apache.hadoop.hbase.mapreduce.TableMapReduceUtil

     *

     * @param scan

     * @return

     * @throws IOException

     */

    String convertScanToString(Scan scan) throws IOException {

        ClientProtos.Scan proto = ProtobufUtil.toScan(scan);

        return Base64.encodeBytes(proto.toByteArray());

    }

    public void start() {

        SparkConf sparkConf = new SparkConf();

        JavaSparkContext sc = new JavaSparkContext(sparkConf);

        Configuration conf = HBaseConfiguration.create();

        Scan scan = new Scan();

        //scan.setStartRow(Bytes.toBytes("195861-1035177490"));

        //scan.setStopRow(Bytes.toBytes("195861-1072173147"));

        scan.addFamily(Bytes.toBytes("cf"));

        scan.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("col_1"));

        try {

            String tableName = "wyp";

            conf.set(TableInputFormat.INPUT_TABLE, tableName);

            conf.set(TableInputFormat.SCAN, convertScanToString(scan));

            JavaPairRDD<ImmutableBytesWritable, Result> hBaseRDD = sc.newAPIHadoopRDD(conf,

                    TableInputFormat.class, ImmutableBytesWritable.class,

                    Result.class);

            JavaPairRDD<String, Integer> levels = hBaseRDD.mapToPair(

                    new PairFunction<Tuple2<ImmutableBytesWritable, Result>, String, Integer>() {

                        @Override

                        public Tuple2<String, Integer> call(Tuple2<ImmutableBytesWritable, Result> immutableBytesWritableResultTuple2) throws Exception {

                            byte[] o = immutableBytesWritableResultTuple2._2().getValue(Bytes.toBytes("cf"), Bytes.toBytes("col_1"));

                            if (o != null) {

                                return new Tuple2<String, Integer>(new String(o), 1);

                            }

                            return null;

                        }

                    });

            JavaPairRDD<String, Integer> counts = levels.reduceByKey(

                    new Function2<Integer, Integer, Integer>() {

                        @Override

                        public Integer call(Integer i1, Integer i2) {

                            return i1 + i2;

                        }

                    });

            List<Tuple2<String, Integer>> output = counts.collect();

            for (Tuple2 tuple : output) {

                System.out.println(tuple._1() + ": " + tuple._2());

            }

            sc.stop();

        } catch (Exception e) {

            e.printStackTrace();

        }

    }

    public static void main(String[] args) throws InterruptedException {

        new SparkFromHbase().start();

        System.exit(0);

    }

}

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.NewHadoopRDD

import org.apache.hadoop.hbase.{HBaseConfiguration, HTableDescriptor}

import org.apache.hadoop.hbase.client.HBaseAdmin

import org.apache.hadoop.hbase.mapreduce.TableInputFormat

/////////////////////////////////////////////////////////////////////

User: 过往记忆

Date: 14-6-29

Time: 23:59

bolg:

本文地址：/archives/1051

过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

过往记忆博客微信公共帐号：iteblog_hadoop

/////////////////////////////////////////////////////////////////////

object 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。

package com.iteblog.spark;

	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.SparkConf;
	import org.apache.spark.api.java.JavaPairRDD;
	import org.apache.spark.api.java.JavaSparkContext;
	import org.apache.spark.api.java.function.Function2;
	import org.apache.spark.api.java.function.PairFunction;
	import scala.Serializable;
	import scala.Tuple2;

	import java.io.IOException;
	import java.util.List;

	/**
	* User: iteblog
	* Date: 14-6-27
	* Time: 下午5:18
	*blog: http://www.iteblog.com
	*
	* Usage: bin/spark-submit --master yarn-cluster --class com.iteblog.spark.SparkFromHbase
	* --jars /home/q/hbase/hbase-0.96.0-hadoop2/lib/htrace-core-2.01.jar,
	* /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-common-0.96.0-hadoop2.jar,
	* /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-client-0.96.0-hadoop2.jar,
	* /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-protocol-0.96.0-hadoop2.jar,
	* /home/q/hbase/hbase-0.96.0-hadoop2/lib/hbase-server-0.96.0-hadoop2.jar
	* ./spark_2.10-1.0.jar
	*/
	public class SparkFromHbase implements Serializable {

	/**
	* copy from org.apache.hadoop.hbase.mapreduce.TableMapReduceUtil
	*
	* @param scan
	* @return
	* @throws IOException
	*/
	String convertScanToString(Scan scan) throws IOException {
	ClientProtos.Scan proto = ProtobufUtil.toScan(scan);
	return Base64.encodeBytes(proto.toByteArray());
	}

	public void start() {
	SparkConf sparkConf = new SparkConf();
	JavaSparkContext sc = new JavaSparkContext(sparkConf);


	Configuration conf = HBaseConfiguration.create();

	Scan scan = new Scan();
	//scan.setStartRow(Bytes.toBytes("195861-1035177490"));
	//scan.setStopRow(Bytes.toBytes("195861-1072173147"));
	scan.addFamily(Bytes.toBytes("cf"));
	scan.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("col_1"));

	try {

	String tableName = "wyp";
	conf.set(TableInputFormat.INPUT_TABLE, tableName);
	conf.set(TableInputFormat.SCAN, convertScanToString(scan));


	JavaPairRDD<ImmutableBytesWritable, Result> hBaseRDD = sc.newAPIHadoopRDD(conf,
	TableInputFormat.class, ImmutableBytesWritable.class,
	Result.class);

	JavaPairRDD<String, Integer> levels = hBaseRDD.mapToPair(
	new PairFunction<Tuple2<ImmutableBytesWritable, Result>, String, Integer>() {
	@Override
	public Tuple2<String, Integer> call(Tuple2<ImmutableBytesWritable, Result> immutableBytesWritableResultTuple2) throws Exception {
	byte[] o = immutableBytesWritableResultTuple2._2().getValue(Bytes.toBytes("cf"), Bytes.toBytes("col_1"));
	if (o != null) {
	return new Tuple2<String, Integer>(new String(o), 1);
	}
	return null;
	}
	});

	JavaPairRDD<String, Integer> counts = levels.reduceByKey(
	new Function2<Integer, Integer, Integer>() {
	@Override
	public Integer call(Integer i1, Integer i2) {
	return i1 + i2;
	}
	});

	List<Tuple2<String, Integer>> output = counts.collect();
	for (Tuple2 tuple : output) {
	System.out.println(tuple._1() + ": " + tuple._2());
	}

	sc.stop();

	} catch (Exception e) {
	e.printStackTrace();
	}
	}

	public static void main(String[] args) throws InterruptedException {
	new SparkFromHbase().start();
	System.exit(0);
	}
	}

Spark读取Hbase中的数据的更多相关文章

IDEA中Spark读Hbase中的数据
import org.apache.hadoop.hbase.HBaseConfiguration import org.apache.hadoop.hbase.io.ImmutableBytesWr ...
IDEA中Spark往Hbase中写数据
import org.apache.hadoop.hbase.HBaseConfiguration import org.apache.hadoop.hbase.io.ImmutableBytesWr ...
Spark 读取HBase和SolrCloud数据
Spark1.6.2读取SolrCloud 5.5.1 //httpmime-4.4.1.jar // solr-solrj-5.5.1.jar //spark-solr-2.2.2-20161007 ...
Spark读写Hbase中的数据
def main(args: Array[String]) { val sparkConf = new SparkConf().setMaster("local").setAppN ...
用Spark向HBase中插入数据
java代码如下: package db.insert; import java.util.Iterator; import java.util.StringTokenizer; import org ...
使用Hive或Impala执行SQL语句，对存储在HBase中的数据操作
CSSDesk body { background-color: #2574b0; } /*! zybuluo */ article,aside,details,figcaption,figure,f ...
Spark读取HDFS中的Zip文件
1. 任务背景近日有个项目任务,要求读取压缩在Zip中的百科HTML文件,经分析发现,提供的Zip文件有如下特点(=>指代对应解决方案): (1) 压缩为分卷文件 => 只需将解压缩在同 ...
Python中如何读取xls中的数据
要想读取EXCEL中的数据,首先得下载xlrd包,地址:https://pypi.python.org/pypi/xlrd 安装方法:下载解压后,利用windows dos命令进入解压目录eg,c ...
编写SqlHelper使用，在将ExecuteReader方法封装进而读取数据库中的数据时会产生Additional information: 阅读器关闭时尝试调用 Read 无效问题，解决方法与解释
在自学杨中科老师的视频教学时,拓展编写SqlHelper使用,在将ExecuteReader方法封装进而读取数据库中的数据时会产生Additional information: 阅读器关闭时尝试调用 ...

随机推荐

hdu5984概率数学
转载 https://www.oyohyee.com/post/HDU/5984.html
Redis数据迁移同步工具（redis-shake）
前言最近线上一台自建redis服务的服务器频繁报警,内存使用率有点高,这是一台配置比较简陋(2C8G)的机子了,近期也打算准备抛弃它了.抛弃之前需对原先的数据进行迁移,全量数据,增量数据都需要考虑, ...
Redis学习笔记（4）
一.Redis主从复制 1. 概念为了避免服务的单点故障,会把数据复制到多个副本放在不同的服务器上,且这些拥有数据副本的服务器可以用于处理客户端的读请求,扩展整体的性能.我们把这种机制称之为主从复制 ...
eatwhatApp开发实战（十四）
之前我们就输入框EditText做了优化,而这次,我们为app添加拨打电话的功能. 首先是布局,将activity_shop_info.xml中对应的电话那一栏进行重新设计: <Relative ...
读Pyqt4教程，带你入门Pyqt4 _003
编程中的一个重要事情是布局管理,布局管理是如何在窗体上摆放窗口组件.可以有两种方式进行管理:绝对定位或使用布局类. 绝对定位程序员用像素指定每个控件的位置和尺寸.使用绝对定位时,你必须理解几件事情. ...
读Pyqt4教程，带你入门Pyqt4 _011
当我们想要改变或者增强已存在的窗口组件时,或者准备从零开始创建自定义窗口组件时,可以使用绘图.我们通过使用PyQt4工具包提供的绘图API来绘图. 绘图在 paintEvent() 方法中进行.绘制代 ...
mysql 数据类型笔记
一. varchar存储规则: 4.0版本以下,varchar(20),指的是20字节,如果存放UTF8汉字时,只能存6个(每个汉字3字节) 5.0版本以上,varchar(20),指的是20字符,无 ...
Asp.Net Mvc基于Fleck开发的多人网页版即时聊天室
一.项目的核心说明 1.Fleck这个是实现websocket一个比较简单第三方组件,它不需要安装额外的容器.本身也就几个接口可供调用. 2.项目是基于.net framework 4.7.2 ,在v ...
啪啪，打脸了！领导说：try-catch必须放在循环体外！
哈喽,亲爱的小伙伴们,技术学磊哥,进步没得说!欢迎来到新一期的性能解读系列,我是磊哥. 今天给大家带来的是关于 try-catch 应该放在循环体外,还是放在循环体内的文章,我们将从性能和业务场景分析 ...
Chisel3 - 使用chisel-iotesters进行验证
https://mp.weixin.qq.com/s/KqyklKrPLtPm38sftMYlHA 1. 使用Maven获取库 Chisel相关的库基本上都可以使用Maven获取到(https ...

Spark读取Hbase中的数据

Spark读取Hbase中的数据的更多相关文章

随机推荐

热门专题