如何将数据从 SparkR 插入到 hadoop 集群中的 Hbase

Question

我正在寻求将 SparkR 数据直接加载到 HBase 的帮助。 读取功能正在工作，我可以使用 SparkR (sparkR.session) 从 Hive 外部表中读取数据

执行的步骤：

• 创建了一个 HBase 表 (hbase_test1)
• 在 Hive 中创建了一个外部表以映射 Hive 中的 HBase 表 (test1)

代码：

library(SparkR)

sc <- sparkR.session(master = "local",sparkEnvir = list(spark.driver.memory="2g",enableHiveSupport=TRUE))
sqlContext <- sparkR.session(sc)

df <- sql("show tables")
collect(df)

sdf <- sql("SELECT * from test1")

这就是我的立场。

我可以直接从 SparkR 将数据直接写入 HBase 吗？ 仅供参考：我需要对某些 ​​ML 代码使用 SparkR。结果需要保存回 HBase。请注意，我使用的是所有开源工具。

Answer 1

无需额外部署即可使用Apache Spark - Apache HBase Connector。

首先你必须包含这个包。可以通过以下选项完成*

spark.jars.packages  com.hortonworks:shc-core:1.1.1-2.1-s_2.11
spark.jars.repositories http://repo.hortonworks.com/content/groups/public/

在您的spark-defaults.conf 或spark-submit / SparkR 的等效命令行参数中

--packages com.hortonworks:shc-core:1.1.1-2.1-s_2.11 \
--repositories http://repo.hortonworks.com/content/groups/public/ 

包的版本（s_2.11 以上）必须与用于构建 Spark 的 Scala 版本相匹配。

现在假设您将表定义为

create 'FooBar', 'Foo', 'Bar'

并且您希望 SparkR 插入等效于：

put 'FooBar', '1000', 'Foo:Value', 'x1'
put 'FooBar', '1000', 'Bar:Value', 'y1'
put 'FooBar', '2000', 'Foo:Value', 'x2'
put 'FooBar', '2000', 'Bar:Value', 'y2'

您必须提供目录映射：

catalog = '{
  "table":{"namespace":"default", "name":"FooBar"},
  "rowkey":"key",
  "columns":{
  "rowkey":{"cf":"rowkey", "col":"key", "type":"string"},
  "foo_value":{"cf":"Foo", "col":"Value", "type":"string"},
  "bar_value":{"cf":"Bar", "col":"Value", "type":"string"}
  }
}'

和输入表：

df <- createDataFrame(data.frame(
  rowkey = c("1000", "2000"), foo_value = c("x1", "x2"), bar_value = c("y1", "y2")
))

最后，您可以使用以下选项申请write.ml：

write.df(df, 
   source = "org.apache.spark.sql.execution.datasources.hbase", 
   mode = "append", catalog = catalog)

详情请参考official connector documantion。

如果您不介意其他依赖项，您可以部署 Apache Phoenix，映射您的 HBase 表（例如检查 PHOENIX-447），然后使用 the official connector 或 built-in JDBC source 来写入您的数据。

需要额外付费才能提供更好的用户体验。例如，如果您将 Phoenix 表定义为：

CREATE TABLE foobar (
  id VARCHAR NOT NULL PRIMARY KEY, 
  foo INTEGER, 
  bar VARCHAR
); 

你可以

SparkR:::callJStatic(
  "java.lang.Class", "forName",  
  "org.apache.phoenix.jdbc.PhoenixDriver"
)


df <- createDataFrame(data.frame(
  id = c("1000", "2000"), foo = c(1, 2), bar = c("x", "y")
))


write.df(
  dfr, source = "org.apache.phoenix.spark", 
  # Note that the only supported mode is `overwrite`, 
  # which in fact works like `UPSERT`
  mode = "overwrite",
  table = "FooBar", 
  # ZooKeeper URL
  zkUrl = "host:port"  
)

与第一个选项类似，您必须包含corresponding connector。但是，与 HBase 连接器不同，它不是自给自足的，需要在 CLASSPATH 上安装 Phoenix Core 和 Client jar。

---

* 以后别忘了调整包的版本。