使用结构化 Spark 流在 HBase 中批量插入数据

Question

我正在使用结构化 Spark Streaming 读取来自 Kafka（每秒 100.000 行）的数据，并且我正在尝试将所有数据插入 HBase。

我在 Cloudera Hadoop 2.6 中，我正在使用 Spark 2.3

我尝试了类似here 的方法。

eventhubs.writeStream
 .foreach(new MyHBaseWriter[Row])
 .option("checkpointLocation", checkpointDir)
 .start()
 .awaitTermination()

MyHBaseWriter 看起来像这样：

class AtomeHBaseWriter[RECORD] extends HBaseForeachWriter[Row] {
  override def toPut(record: Row): Put = {
    override val tableName: String = "hbase-table-name"

    override def toPut(record: Row): Put = {
        // Get Json
        val data = JSON.parseFull(record.getString(0)).asInstanceOf[Some[Map[String, Object]]]
        val key = data.getOrElse(Map())("key")+ ""
        val val = data.getOrElse(Map())("val")+ ""

        val p = new Put(Bytes.toBytes(key))
        //Add columns ... 
        p.addColumn(Bytes.toBytes(columnFamaliyName),Bytes.toBytes(columnName), Bytes.toBytes(val))

        p
     }
    }

HBaseForeachWriter 类看起来像这样：

trait HBaseForeachWriter[RECORD] extends ForeachWriter[RECORD] {
  val tableName: String

  def pool: Option[ExecutorService] = None

  def user: Option[User] = None

  private var hTable: Table = _
  private var connection: Connection = _


  override def open(partitionId: Long, version: Long): Boolean = {
    connection = createConnection()
    hTable = getHTable(connection)
    true
  }

  def createConnection(): Connection = {
    // I create HBase Connection Here
  }

  def getHTable(connection: Connection): Table = {
    connection.getTable(TableName.valueOf(Variables.getTableName()))
  }

  override def process(record: RECORD): Unit = {
    val put = toPut(record)
    hTable.put(put)
  }

  override def close(errorOrNull: Throwable): Unit = {
    hTable.close()
    connection.close()
  }

  def toPut(record: RECORD): Put
}

所以我在这里逐行进行放置，即使我允许 20 个执行程序和每个执行程序 4 个核心，我也没有立即将数据插入 HBase。所以我需要做的是批量加载，但我很挣扎，因为我在互联网上找到的所有东西都是用 RDD 和 Map/Reduce 来实现它。

Answer 1

据我所知，hbase 的记录摄取速度很慢。我有一些建议给你。

1) hbase.client.write.buffer .
以下属性可能会对您有所帮助。

hbase.client.write.buffer

说明 BufferedMutator 写入缓冲区的默认大小（以字节为单位）。更大的缓冲区占用更多的内存 — 在客户端和 服务器端，因为服务器将传递的写入缓冲区实例化到 处理它 — 但是更大的缓冲区大小会减少生成的 RPC 的数量。 对于服务器端内存使用的估计，评估 hbase.client.write.buffer * hbase.regionserver.handler.count

默认 2097152（大约 2 mb）

我更喜欢 foreachBatch see spark docs（它在 spark 核心中的一种 foreachPartition）而不是 foreach

还在你的 hbase 编写器中扩展 ForeachWriter

open方法初始化put的数组列表 在process 中将 put 添加到 puts 的数组列表中 在 close table.put(listofputs); 中，然后在更新表后重置数组列表...

它的作用基本上是你上面提到的缓冲区大小被填充了 2 mb 然后它将刷新到 hbase 表中。到那时，记录不会进入 hbase 表。

您可以将其增加到 10mb 等等.... 这样可以减少 RPC 的数量。并且大量数据将被刷新并存储在 hbase 表中。

当写入缓冲区被填满并触发 hbase 表中的 flushCommits 时。

示例代码：在我的answer

2) 关闭 WAL 您可以关闭 WAL（预写日志 - 危险是无法恢复）但它会加快写入速度...如果不想恢复数据。

注意：如果您在 hbase 表上使用 solr 或 cloudera 搜索，您 不应将其关闭，因为 Solr 将在 WAL 上工作。如果你切换它 然后关闭，Solr 索引将不起作用..这是许多人的常见错误 我们有。

如何关机： https://hbase.apache.org/1.1/apidocs/org/apache/hadoop/hbase/client/Put.html#setWriteToWAL(boolean)

• 基本架构和link 供进一步研究：

• http://hbase.apache.org/book.html#perf.writing

正如我提到的 puts 列表是好方法...这是在结构化流示例如下之前执行的旧方法（foreachPartition 和 puts 列表）......其中foreachPartition 对每个分区而不是每一行都进行操作。

def writeHbase(mydataframe: DataFrame) = {
      val columnFamilyName: String = "c"
      mydataframe.foreachPartition(rows => {
        val puts = new util.ArrayList[ Put ]
        rows.foreach(row => {
          val key = row.getAs[ String ]("rowKey")
          val p = new Put(Bytes.toBytes(key))
          val columnV = row.getAs[ Double ]("x")
          val columnT = row.getAs[ Long ]("y")
          p.addColumn(
            Bytes.toBytes(columnFamilyName),
            Bytes.toBytes("x"),
            Bytes.toBytes(columnX)
          )
          p.addColumn(
            Bytes.toBytes(columnFamilyName),
            Bytes.toBytes("y"),
            Bytes.toBytes(columnY)
          )
          puts.add(p)
        })
        HBaseUtil.putRows(hbaseZookeeperQuorum, hbaseTableName, puts)
      })
    }

总结一下：

我的感觉是我们需要了解 spark 和 hbase 的心理学 使然后有效的对。