扩展:Spark:DataFrame生成HFile 批量导入Hbase
在上一篇博文中遗留了一个问题，就是只能处理DataFrame 的一行一列,虽然给出一个折中的办法处理多个列，但是对于字段多的DataFrame却略显臃肿，经过我的研究，实现了从一个列族、一个列到一个列族、多个列扩展。
此文章再此记录实现方法
实现思路：
保存为HFile的关键是下面这个方法
saveAsNewAPIHadoopFile(save_path,
classOf[ImmutableBytesWritable],
classOf[KeyValue],
classOf[HFileOutputFormat2],
job.getConfiguration)
要使用这个方法就要保证最后的结果数据需要是RDD[(ImmutableBytesWritable, KeyValue)]类型的，所以这就是我们努力前进的方向。在这个过程中有几个问题需要解决
1. 如何一次处理DataFrame 的众多字段
val result1: RDD[(ImmutableBytesWritable, Seq[KeyValue])] = resultDataFrame
.map(row => {
var kvlist: Seq[KeyValue] = List()
var rowkey: Array[Byte] = null
var cn: Array[Byte] = null
var v: Array[Byte] = null
var kv: KeyValue = null
val cf: Array[Byte] = clounmFamily.getBytes //列族
rowkey = Bytes.toBytes(row.getAs[String]("key")) //key
for (i <- 1 to (columnsName.length - 1)) {
cn = columnsName(i).getBytes() //列的名称
v = Bytes.toBytes(row.getAs[String](columnsName(i))) //列的值
//将rdd转换成HFile需要的格式,我们上面定义了Hfile的key是ImmutableBytesWritable,那么我们定义的RDD也是要以ImmutableBytesWritable的实例为key
kv = new KeyValue(rowkey, cf, cn, v) //封装一下 rowkey, cf, clounmVale, value
//
kvlist = kvlist :+ kv //将新的kv加在kvlist后面（不能反 需要整体有序）
}
(new ImmutableBytesWritable(rowkey), kvlist)
})
- 上述代码中通过map取出每一行row，用一个for循环通过所有字段的名称（去除掉“key”这个字段）对每个字段进行封装处理，每处理完一个字段加入kvlist。
- 在此处有个地方需要注意的是，我们要保证 kvlist 里面的数据整体有序（升序），这里的有序由字段名称排序和加入 kvlist 的位置来保证，kvlist 通过 :+ 将后一个数据放在List的后面，至于字段名称排序在后面说明。
- 至于此处为什么要去除掉key，这是因为我默认DataFrame第一个字段就是key，因为需要对所有字段名称进行排序，如果不把key拿出来后续不知道key在哪里了，如果按照正常走下去，key值也会被当成value被保存一次，这显然不符合我们的要求，当然有兴趣的同学可以自己实现更全面的方法。
2. 如何对DataFrame 的所有字段名排序
var columnsName: Array[String] = resultDataFrame.columns //获取列名 第一个为key
columnsName = columnsName.drop(1).sorted //把key去掉 因为要排序
- 通过resultDataFrame.columns获取所有列名，通过drop(1)删掉“key”,(序号从1开始)
- 通过sorted 对列名进行排序，默认就是升序的
通过上面方法处理后数据类型是
RDD[(ImmutableBytesWritable, Seq[KeyValue])]
这显然不是我们需要的，但是距离
RDD[(ImmutableBytesWritable, KeyValue)]
已然不远矣
3. 如何将value的Seq[KeyValue] 穿换成 KeyValue
val result: RDD[(ImmutableBytesWritable, KeyValue)] = result1.flatMapValues(s => {
s.iterator
})
- 这点其实很简单，但是脑子当时短路还纠结很久，直接用flatMapValues这个方法即可，最后处理出来的就是我们的目标RDD[(ImmutableBytesWritable, KeyValue)]
4. 目标路径已经存在怎么办
/**
* 删除hdfs下的文件
*
* @param url 需要删除的路径
*/
def delete_hdfspath(url: String) {
val hdfs: FileSystem = FileSystem.get(new Configuration)
val path: Path = new Path(url)
if (hdfs.exists(path)) {
val filePermission = new FsPermission(FsAction.ALL, FsAction.ALL, FsAction.READ)
hdfs.delete(path, true)
}
}
- 存在就删除呗，新建个方法delete_hdfspath将路径删除即可
5. 如何生成 HFile 和 load 数据到Hbase
执行方法saveAsNewAPIHadoopFile()生成HFile
注意：此处要对key进行排序（升序）
//保存数据
result
.sortBy(x => x._1, true) //要保持 整体有序
.saveAsNewAPIHadoopFile(save_path,
classOf[ImmutableBytesWritable],
classOf[KeyValue],
classOf[HFileOutputFormat2],
job.getConfiguration)
load 数据到Hbase
hbase org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles hdfs://ns1/user/hive/warehouse/iptv.db/zzzHFile iptv:spark_test
过程中出现的问题
- DataFrame 字段名称没有排序处理
18/10/15 14:19:32 WARN scheduler.TaskSetManager: Lost task 0.1 in stage 2.0 (TID 3, iptve2e03): java.io.IOException: Added a key not lexically larger than previous.
Current cell = 200_\xE5\xB9\xBF\xE5\xB7\x9E_GD_GZ/cf_info:area_code/1539584366048/Put/vlen=5/seqid=0,
lastCell = 200_\xE5\xB9\xBF\xE5\xB7\x9E_GD_GZ/cf_info:dict_id/1539584366048/Put/vlen=2/seqid=0
上面的意思是当前列名cf_info:area_code比前一个列名cf_info:dict_id小，这就是为什么需要对列名排序的原因，同时还要把key删除掉，因为不删除会出现cf_info:key这个列
完整代码
依赖：sbt
libraryDependencies += "org.apache.spark" % "spark-core_2.10" % "1.6.0-cdh5.7.2"
libraryDependencies += "org.apache.spark" % "spark-sql_2.10" % "1.6.0-cdh5.7.2"
libraryDependencies += "org.apache.spark" % "spark-hive_2.10" % "1.6.0-cdh5.7.2"
libraryDependencies += "org.apache.hbase" % "hbase-client" % "1.2.0-cdh5.7.2"
libraryDependencies += "org.apache.hbase" % "hbase-server" % "1.2.0-cdh5.7.2"
libraryDependencies += "org.apache.hbase" % "hbase-common" % "1.2.0-cdh5.7.2"
libraryDependencies += "org.apache.hbase" % "hbase-protocol" % "1.2.0-cdh5.7.2"
libraryDependencies += "mysql" % "mysql-connector-java" % "5.1.38"
libraryDependencies += "org.apache.spark" % "spark-streaming_2.10" % "1.6.0-cdh5.7.2"
libraryDependencies += "com.yammer.metrics" % "metrics-core" % "2.2.0"
关键代码
import java.text.SimpleDateFormat
import java.util.{Calendar, Date}
import com.iptv.domain.DatePattern
import com.iptv.job.JobBase
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.hadoop.fs.permission.{FsAction, FsPermission}
import org.apache.hadoop.hbase.{HBaseConfiguration, KeyValue}
import org.apache.hadoop.hbase.io.ImmutableBytesWritable
import org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2
import org.apache.hadoop.hbase.util.Bytes
import org.apache.hadoop.mapreduce.Job
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.functions.{concat, lit}
import org.apache.spark.sql.{DataFrame, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
* 将DataFrame 保存为 HFile
*
* @param resultDataFrame 需要保存为HFile的 DataFrame，DataFrame的第一个字段必须为"key"
* @param clounmFamily 列族名称（必须在Hbase中存在，否则在load数据的时候会失败）
* @param save_path HFile的保存路径
*/
def saveASHfFile(resultDataFrame: DataFrame, clounmFamily: String, save_path: String): Unit = {
val conf: Configuration = HBaseConfiguration.create()
lazy val job = Job.getInstance(conf)
job.setMapOutputKeyClass(classOf[ImmutableBytesWritable]) //设置MapOutput Key Value 的数据类型
job.setMapOutputValueClass(classOf[KeyValue])
var columnsName: Array[String] = resultDataFrame.columns //获取列名 第一个为key
columnsName = columnsName.drop(1).sorted //把key去掉 因为要排序
val result1: RDD[(ImmutableBytesWritable, Seq[KeyValue])] = resultDataFrame
.map(row => {
var kvlist: Seq[KeyValue] = List()
var rowkey: Array[Byte] = null
var cn: Array[Byte] = null
var v: Array[Byte] = null
var kv: KeyValue = null
val cf: Array[Byte] = clounmFamily.getBytes //列族
rowkey = Bytes.toBytes(row.getAs[String]("key")) //key
for (i <- 1 to (columnsName.length - 1)) {
cn = columnsName(i).getBytes() //列的名称
v = Bytes.toBytes(row.getAs[String](columnsName(i))) //列的值
//将rdd转换成HFile需要的格式,我们上面定义了Hfile的key是ImmutableBytesWritable,那么我们定义的RDD也是要以ImmutableBytesWritable的实例为key
kv = new KeyValue(rowkey, cf, cn, v) //封装一下 rowkey, cf, clounmVale, value
//
kvlist = kvlist :+ kv //将新的kv加在kvlist后面（不能反 需要整体有序）
}
(new ImmutableBytesWritable(rowkey), kvlist)
})
delete_hdfspath(save_path) //删除save_path 原来的数据
//RDD[(ImmutableBytesWritable, Seq[KeyValue])] 转换成 RDD[(ImmutableBytesWritable, KeyValue)]
val result: RDD[(ImmutableBytesWritable, KeyValue)] = result1.flatMapValues(s => {
s.iterator
})
//保存数据
result
.sortBy(x => x._1, true) //要保持 整体有序
.saveAsNewAPIHadoopFile(save_path,
classOf[ImmutableBytesWritable],
classOf[KeyValue],
classOf[HFileOutputFormat2],
job.getConfiguration)
}
/**
* 删除hdfs下的文件
* @param url 需要删除的路径
*/
def delete_hdfspath(url: String) {
val hdfs: FileSystem = FileSystem.get(new Configuration)
val path: Path = new Path(url)
if (hdfs.exists(path)) {
val filePermission = new FsPermission(FsAction.ALL, FsAction.ALL, FsAction.READ)
hdfs.delete(path, true)
}
}
使用示例
package com.iptv.job.basedata
import com.iptv.job.JobBase
import org.apache.spark.sql.functions.{concat, lit}
import org.apache.spark.sql.{DataFrame, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
* @author 利伊奥克儿-lillcol
* 2018/10/14-11:08
*
*/
object TestHFile extends JobBase {
var hdfsPath: String = ""
var proPath: String = ""
var DATE: String = ""
val sparkConf: SparkConf = new SparkConf().setAppName(getClass.getSimpleName)
val sc: SparkContext = new SparkContext(sparkConf)
val sqlContext: SQLContext = getSQLContext(sc)
import sqlContext.implicits._
def main(args: Array[String]): Unit = {
hdfsPath = args(0)
proPath = args(1)
//HFile保存路径
val save_path: String = hdfsPath + "zzzHFile"
//获取测试DataFrame
val dim_sys_city_dict: DataFrame = readMysqlTable(sqlContext, "DIM_SYS_CITY_DICT", proPath)
val resultDataFrame: DataFrame = dim_sys_city_dict
.select(concat($"city_id", lit("_"), $"city_name", lit("_"), $"city_code").as("key"), $"*")
//注：resultDataFrame 里面的 key 要放在第一位，因为后面需要对字段名排序
saveASHfFile(resultDataFrame, "cf_info", save_path)
}
}
上述读取mysql数据为ＤataFrame的放大可以参考
Spark:读取mysql数据作为DataFrame
此为个人工作过程中的总结，转载请标出处！！！！！
