将 Spark RDD 中的值放入具有默认时间戳的同一 HBase 列

Question

我正在使用 Spark 并尝试将 RDD 写入 HBase 表。

这里是示例代码：

public static void main(String[] args) {
// ... code omitted
    JavaPairRDD<ImmutableBytesWritable, Put> hBasePutsRDD = rdd
            .javaRDD()
            .flatMapToPair(new MyFunction());

    hBasePutsRDD.saveAsNewAPIHadoopDataset(job.getConfiguration());
}

private class MyFunction implements
            PairFlatMapFunction<Row, ImmutableBytesWritable, Put> {

    public Iterable<Tuple2<ImmutableBytesWritable, Put>> call(final Row row) 
            throws Exception {

        List<Tuple2<ImmutableBytesWritable, Put>> puts = new ArrayList<>();
        Put put = new Put(getRowKey(row));
        String value = row.getAs("rddFieldName");

        put.addColumn("CF".getBytes(Charset.forName("UTF-8")), 
                      "COLUMN".getBytes(Charset.forName("UTF-8")),
                      value.getBytes(Charset.forName("UTF-8")));

        return Collections.singletonList(
            new Tuple2<>(new ImmutableBytesWritable(getRowKey(row)), put));
    }
}

如果我像这样手动设置时间戳：

put.addColumn("CF".getBytes(Charset.forName("UTF-8")), 
              "COLUMN".getBytes(Charset.forName("UTF-8")),
              manualTimestamp,
              value.getBytes(Charset.forName("UTF-8")));

一切正常，我在 HBase 列“COLUMN”中的单元格版本与 RDD 中不同值的数量一样多。

但如果我不这样做，那么只有一个单元格版本。

换句话说，如果有多个Put对象具有相同列族和列，不同值和默认时间戳，唯一一个值将被插入，另一个值将被忽略（可能被覆盖）。

您能否帮助我了解它在这种情况下的工作原理（尤其是saveAsNewAPIHadoopDataset）以及如何修改代码以插入值而不是手动设置时间戳。

Answer 1

当您不使用时间戳时，它们会被覆盖。 Hbase 需要每个值的唯一键，所以每个值的真正键是

rowkey + column family + column key + timestamp => value

当您不使用时间戳并且它们作为批量插入时，它们中的许多会获得相同的时间戳，因为 hbase 可以在同一毫秒内插入多行。因此，您需要为每个相同的列键值自定义时间戳。

我不明白您为什么不想使用自定义时间戳，因为您说它已经有效。如果您认为它会在数据库中使用额外的空间，那么即使您不输入 Put 命令，hbase 也已经使用了时间戳。所以当你使用手动时间戳时没有任何变化，请使用它。