Spark On HBase

Posted HBase技术社区

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark On HBase相关的知识,希望对你有一定的参考价值。

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

$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

$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

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

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

// 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

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

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 近两年无更新
Hortonworks 较多 近一个月内有更新
Cloudrea 较高 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!

4. 参考

https://hortonworks.com/blog/spark-hbase-dataframe-based-hbase-connector/
http://blog.cloudera.com/blog/2014/12/new-in-cloudera-labs-sparkonhbase/
https://issues.apache.org/jira/browse/HBASE-13992
http://blog.madhukaraphatak.com/introduction-to-spark-two-part-6/
https://jaceklaskowski.gitbooks.io/mastering-apache-spark/spark-sql-catalyst.htmlh

Spark On HBase

长按下面的二维码加入HBase技术社区微信群

以上是关于Spark On HBase的主要内容,如果未能解决你的问题,请参考以下文章

Spark 下操作 HBase(1.0.0 新 API)

spark 2.0.0集群安装与hive on spark配置

Spark on Elasticsearch一致性问题的探索

spark集成hbase与hive数据转换与代码练习

0539-5.15.0-HBase-Spark无法在Spark2编译通过问题解决

0540-5.15.0-Spark2使用HBase-Spark访问HBase