Spark On HBase

一.前言

MapReduce早已经对接了HBase，以HBase作为数据源，完成批量数据的读写。如今继MapReduce之后的Spark在大数据领域有着举足轻重的地位，无论跑批，流处理，甚至图计算等都有它的用武之地。Spark对接HBase成为不少用户的需求。

二.Spark On HBase

1.可以解决的问题

Spark和HBase无缝对接意味着我们不再需要关心安全和RDD与HBase交互的细节。更方便应用Spark带来的批处理，流处理等能力。比如以下常见的应用场景：

1. 以HBase作为存储，通过Spark对流式数据处理。
2. 以HBase作为存储，完成大规模的图或者DAG的计算。
3. 通过Spark对HBase做BulkLoad操作
4. 同Spark SQL对HBase数据做交互式分析

2.社区相关的工作

目前已经有多种Spark对接HBase的实现，这里我们选取三个有代表的工作进行分析：

2.1 华为: Spark-SQL-on-HBase

特点： 扩展了Spark SQL的parse功能来对接HBase。通过coprocessor和自定义filter来提升读写性能。

优点：

• 扩展了对应的cli功能，支持Scala shell和Python shell
• 多种性能优化方式，甚至支持sub plan到coprocessor实现partial aggregation.
• 支持Java和Python API
• 支持row key组合
• 支持常用DDL和DML（包括bulkload，但不支持update）

缺点：

• 不支持支持基于时间戳和版本的查询
• 不支持安全
• row key支持原始类型或者String，不支持复杂数据类型

使用示例：

在HBase中创建表，并写入数据

代码语言：javascript复制

$HBase_Home/bin/hbase shell
create 'hbase_numbers', 'f'for i in '1'..'100' do for j in '1'..'2' do put 'hbase_numbers', "row#{i}", "f:c#{j}", "#{i}#{j}" end end

使用Spark SQL创建表并与HBase表建立映射

代码语言：javascript复制

$SPARK_HBASE_Home/bin/hbase-sqlCREATE TABLE numbers
rowkey STRING, a STRING, b STRING, PRIMARY KEY (rowkey)
MAPPED BY hbase_numbers COLS=[a=f.c1, b=f.c2];

查询

代码语言：javascript复制

select a, b from numbers where b > "980"

2.2 Hortonworks: Apache HBase Connector

特点： 以简单的方式实现了标准的Spark Datasource API，使用Spark Catalyst引擎做查询优化。同时通过scratch来构建RDD，也实现了许多常见的查询优化。

优点：

• native avro支持
• 谓词下推和分区裁剪
• 支持row key组合
• 支持安全

缺点：

• SQL语法不够丰富，只支持spark sql原有的语法
• 只支持java原始类型
• 不支持多语言API

使用示例：

定义 HBase Catalog

代码语言：javascript复制

def catalog = s"""{
       |"table":{"namespace":"default", "name":"table1"},
       |"rowkey":"key",
       |"columns":{
         |"col0":{"cf":"rowkey", "col":"key", "type":"string"},
         |"col1":{"cf":"cf1", "col":"col1", "type":"boolean"},
         |"col2":{"cf":"cf2", "col":"col2", "type":"double"},
         |"col3":{"cf":"cf3", "col":"col3", "type":"float"},
         |"col4":{"cf":"cf4", "col":"col4", "type":"int"},
         |"col5":{"cf":"cf5", "col":"col5", "type":"bigint"},
         |"col6":{"cf":"cf6", "col":"col6", "type":"smallint"},
         |"col7":{"cf":"cf7", "col":"col7", "type":"string"},
         |"col8":{"cf":"cf8", "col":"col8", "type":"tinyint"}
       |}
     |}""".stripMargin

使用SQL查询

代码语言：javascript复制

// Load the dataframeval df = withCatalog(catalog)//SQL exampledf.createOrReplaceTempView("table")
sqlContext.sql("select count(col1) from table").show

2.3 Cloudrea: SparkOnHBase

特点： 通过简单的接口实现链接Spark与HBase， 支持常用的bulk读写。架构图如下：

优点

• 支持安全
• 通过get或者scan直接生成rdd， 并可以使用API完成更高级的功能
• 支持组合rowkey
• 支持多种bulk操作
• 为spark和 spark streaming提供相似的API
• 支持谓词下推优化

缺点

• 不支持复杂数据类型
• SQL只支持spark sql原有的语法

使用示例

直接使用scan创建一个RDD

代码语言：javascript复制

SparkConf sparkConf = new SparkConf().setAppName(  
               "Scan_RDD").set("spark.executor.memory", "2000m").setMaster(  
               "spark://xx.xx.xx.xx:7077")
                .setJars(new String[]{"/path/to/hbase.jar"});  val sc = new SparkContext(sparkConf)val conf = HBaseConfiguration.create()val hbaseContext = new HBaseContext(sc, conf)var scan = new Scan()
scan.setCaching(100)var getRdd = hbaseContext.hbaseRDD(tableName, scan)

创建一个RDD并把RDD的内容写入HBase

代码语言：javascript复制

val sc = new SparkContext(sparkConf)//This is making a RDD of//(RowKey, columnFamily, columnQualifier, value)val rdd = sc.parallelize(Array(
     (Bytes.toBytes("1"), Array((Bytes.toBytes(columnFamily), Bytes.toBytes("1"), Bytes.toBytes("1")))),
     (Bytes.toBytes("2"), Array((Bytes.toBytes(columnFamily), Bytes.toBytes("1"), Bytes.toBytes("2")))),
     (Bytes.toBytes("3"), Array((Bytes.toBytes(columnFamily), Bytes.toBytes("1"), Bytes.toBytes("3")))),
     (Bytes.toBytes("4"), Array((Bytes.toBytes(columnFamily), Bytes.toBytes("1"), Bytes.toBytes("4")))),
     (Bytes.toBytes("5"), Array((Bytes.toBytes(columnFamily), Bytes.toBytes("1"), Bytes.toBytes("5"))))
    )
   )//Create the HBase config like you normally would  then//Pass the HBase configs and SparkContext to the HBaseContextval conf = HBaseConfiguration.create();
val hbaseContext = new HBaseContext(sc, conf);//Now give the rdd, table name, and a function that will convert a RDD record to a put, and finally// A flag if you want the puts to be batchedhbaseContext.bulkPut[(Array[Byte], Array[(Array[Byte], Array[Byte], Array[Byte])])](rdd,
   tableName,    //This function is really important because it allows our source RDD to have data of any type
   // Also because puts are not serializable
   (putRecord) > {
     val put = new Put(putRecord._1)
     putRecord._2.foreach((putValue) > put.add(putValue._1, putValue._2, putValue._3))
      put
   },    true);

2.4 综合对比

产品	SQL支持优化	支持安全	接口丰富易用度	易集成到HBase	社区活跃度
华为	多	否	高	否	近两年无更新
Hortonworks	较多	是	中	是	近一个月内有更新
Cloudrea	少	是	较高	是	已集成到HBASE trunk且持续更新

3. 最后

社区中有不少Spark on HBase的工作，出发点都是为了提供更易用，更高效的接口。其中Cloudrea的SparkOnHbase更加灵活简单，在2015年8月被提交到HBase的主干(trunk)上，模块名为HBase-Spark Module，目前准备在HBASE 2.0 正式Release, 相信这个特性一定是HBase新版本的一个亮点。 于此同时云HBase也会与社区同步发展，使用包括但不限于Spark On HBase的新特性，届时欢迎大家尝鲜。如若文章中有不准确的描述，请多多指正，谢谢！

sql api spark hbase mapreduce

0 人点赞