擴(kuò)展:Spark:DataFrame生成HFile 批量導(dǎo)入Hbase
在上一篇博文中遺留了一個問題，就是只能處理DataFrame 的一行一列,雖然給出一個折中的辦法處理多個列，但是對于字段多的DataFrame卻略顯臃腫，經(jīng)過我的研究，實現(xiàn)了從一個列族、一個列到一個列族、多個列擴(kuò)展。
此文章再此記錄實現(xiàn)方法
實現(xiàn)思路：
保存為HFile的關(guān)鍵是下面這個方法
saveAsNewAPIHadoopFile(save_path,
classOf[ImmutableBytesWritable],
classOf[KeyValue],
classOf[HFileOutputFormat2],
job.getConfiguration)
要使用這個方法就要保證最后的結(jié)果數(shù)據(jù)需要是RDD[(ImmutableBytesWritable, KeyValue)]類型的，所以這就是我們努力前進(jìn)的方向。在這個過程中有幾個問題需要解決
1. 如何一次處理DataFrame 的眾多字段
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() //列的名稱
v = Bytes.toBytes(row.getAs[String](columnsName(i))) //列的值
//將rdd轉(zhuǎn)換成HFile需要的格式,我們上面定義了Hfile的key是ImmutableBytesWritable,那么我們定義的RDD也是要以ImmutableBytesWritable的實例為key
kv = new KeyValue(rowkey, cf, cn, v) //封裝一下 rowkey, cf, clounmVale, value
//
kvlist = kvlist :+ kv //將新的kv加在kvlist后面（不能反 需要整體有序）
}
(new ImmutableBytesWritable(rowkey), kvlist)
})
- 上述代碼中通過map取出每一行row，用一個for循環(huán)通過所有字段的名稱（去除掉“key”這個字段）對每個字段進(jìn)行封裝處理，每處理完一個字段加入kvlist。
- 在此處有個地方需要注意的是，我們要保證 kvlist 里面的數(shù)據(jù)整體有序（升序），這里的有序由字段名稱排序和加入 kvlist 的位置來保證，kvlist 通過 :+ 將后一個數(shù)據(jù)放在List的后面，至于字段名稱排序在后面說明。
- 至于此處為什么要去除掉key，這是因為我默認(rèn)DataFrame第一個字段就是key，因為需要對所有字段名稱進(jìn)行排序，如果不把key拿出來后續(xù)不知道key在哪里了，如果按照正常走下去，key值也會被當(dāng)成value被保存一次，這顯然不符合我們的要求，當(dāng)然有興趣的同學(xué)可以自己實現(xiàn)更全面的方法。
2. 如何對DataFrame 的所有字段名排序
var columnsName: Array[String] = resultDataFrame.columns //獲取列名 第一個為key
columnsName = columnsName.drop(1).sorted //把key去掉 因為要排序
- 通過resultDataFrame.columns獲取所有列名，通過drop(1)刪掉“key”,(序號從1開始)
- 通過sorted 對列名進(jìn)行排序，默認(rèn)就是升序的
通過上面方法處理后數(shù)據(jù)類型是
RDD[(ImmutableBytesWritable, Seq[KeyValue])]
這顯然不是我們需要的，但是距離
RDD[(ImmutableBytesWritable, KeyValue)]
已然不遠(yuǎn)矣
3. 如何將value的Seq[KeyValue] 穿換成 KeyValue
val result: RDD[(ImmutableBytesWritable, KeyValue)] = result1.flatMapValues(s => {
s.iterator
})
- 這點其實很簡單，但是腦子當(dāng)時短路還糾結(jié)很久，直接用flatMapValues這個方法即可，最后處理出來的就是我們的目標(biāo)RDD[(ImmutableBytesWritable, KeyValue)]
4. 目標(biāo)路徑已經(jīng)存在怎么辦
/**
* 刪除hdfs下的文件
*
* @param url 需要刪除的路徑
*/
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)
}
}
- 存在就刪除唄，新建個方法delete_hdfspath將路徑刪除即可
5. 如何生成 HFile 和 load 數(shù)據(jù)到Hbase
執(zhí)行方法saveAsNewAPIHadoopFile()生成HFile
注意：此處要對key進(jìn)行排序（升序）
//保存數(shù)據(jù)
result
.sortBy(x => x._1, true) //要保持 整體有序
.saveAsNewAPIHadoopFile(save_path,
classOf[ImmutableBytesWritable],
classOf[KeyValue],
classOf[HFileOutputFormat2],
job.getConfiguration)
load 數(shù)據(jù)到Hbase
hbase org.apache.hadoop.hbase.mapreduce.LoadIncrementalHFiles hdfs://ns1/user/hive/warehouse/iptv.db/zzzHFile iptv:spark_test
過程中出現(xiàn)的問題
- DataFrame 字段名稱沒有排序處理
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
上面的意思是當(dāng)前列名cf_info:area_code比前一個列名cf_info:dict_id小，這就是為什么需要對列名排序的原因，同時還要把key刪除掉，因為不刪除會出現(xiàn)cf_info:key這個列
完整代碼
依賴：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"
關(guān)鍵代碼
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}
/**
* 將DataFrame 保存為 HFile
*
* @param resultDataFrame 需要保存為HFile的 DataFrame，DataFrame的第一個字段必須為"key"
* @param clounmFamily 列族名稱（必須在Hbase中存在，否則在load數(shù)據(jù)的時候會失敗）
* @param save_path HFile的保存路徑
*/
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]) //設(shè)置MapOutput Key Value 的數(shù)據(jù)類型
job.setMapOutputValueClass(classOf[KeyValue])
var columnsName: Array[String] = resultDataFrame.columns //獲取列名 第一個為key
columnsName = columnsName.drop(1).sorted //把key去掉 因為要排序
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() //列的名稱
v = Bytes.toBytes(row.getAs[String](columnsName(i))) //列的值
//將rdd轉(zhuǎn)換成HFile需要的格式,我們上面定義了Hfile的key是ImmutableBytesWritable,那么我們定義的RDD也是要以ImmutableBytesWritable的實例為key
kv = new KeyValue(rowkey, cf, cn, v) //封裝一下 rowkey, cf, clounmVale, value
//
kvlist = kvlist :+ kv //將新的kv加在kvlist后面（不能反 需要整體有序）
}
(new ImmutableBytesWritable(rowkey), kvlist)
})
delete_hdfspath(save_path) //刪除save_path 原來的數(shù)據(jù)
//RDD[(ImmutableBytesWritable, Seq[KeyValue])] 轉(zhuǎn)換成 RDD[(ImmutableBytesWritable, KeyValue)]
val result: RDD[(ImmutableBytesWritable, KeyValue)] = result1.flatMapValues(s => {
s.iterator
})
//保存數(shù)據(jù)
result
.sortBy(x => x._1, true) //要保持 整體有序
.saveAsNewAPIHadoopFile(save_path,
classOf[ImmutableBytesWritable],
classOf[KeyValue],
classOf[HFileOutputFormat2],
job.getConfiguration)
}
/**
* 刪除hdfs下的文件
* @param url 需要刪除的路徑
*/
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 利伊奧克兒-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保存路徑
val save_path: String = hdfsPath + "zzzHFile"
//獲取測試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，因為后面需要對字段名排序
saveASHfFile(resultDataFrame, "cf_info", save_path)
}
}
上述讀取mysql數(shù)據(jù)為ＤataFrame的放大可以參考
Spark:讀取mysql數(shù)據(jù)作為DataFrame
此為個人工作過程中的總結(jié)，轉(zhuǎn)載請標(biāo)出處！！！！！
