r - 如何将数据从SparkR插入到hadoop集群中的Hbase

Question

我正在寻找有关将SparkR数据直接加载到HBase中的帮助。
读取功能在我可以使用SparkR(sparkR.session)从Hive外部表读取数据的地方工作

执行的步骤:

创建一个HBase表(hbase_test1)

在Hive中创建一个外部表以映射Hive中的HBase表(test1)

码:

library(SparkR)

sc <- sparkR.session(master = "local",sparkEnvir = list(spark.driver.memory="2g",enableHiveSupport=TRUE))
sqlContext <- sparkR.session(sc)

df <- sql("show tables")
collect(df)

sdf <- sql("SELECT * from test1")

这就是我的立场。

我可以直接从SparkR将数据直接写入HBase吗？
仅供引用:对于某些ML代码，我需要使用SparkR。结果需要保存回HBase。请注意，我正在使用所有开源工具。

Answer 1

如果没有其他部署，则可以使用Apache Spark - Apache HBase Connector。

首先，您必须包括包装。可以使用以下选项来完成*

spark.jars.packages  com.hortonworks:shc-core:1.1.1-2.1-s_2.11
spark.jars.repositories http://repo.hortonworks.com/content/groups/public/

在spark-defaults.conf或spark-submit / SparkR的等效命令行参数中

--packages com.hortonworks:shc-core:1.1.1-2.1-s_2.11 \
--repositories http://repo.hortonworks.com/content/groups/public/ 

软件包的版本(上面的s_2.11)必须与用于构建Spark的Scala版本匹配。

现在假设您将表格定义为

create 'FooBar', 'Foo', 'Bar'

并且您想要SparkR插入等效于:

put 'FooBar', '1000', 'Foo:Value', 'x1'
put 'FooBar', '1000', 'Bar:Value', 'y1'
put 'FooBar', '2000', 'Foo:Value', 'x2'
put 'FooBar', '2000', 'Bar:Value', 'y2'

您必须提供目录映射:

catalog = '{
  "table":{"namespace":"default", "name":"FooBar"},
  "rowkey":"key",
  "columns":{
  "rowkey":{"cf":"rowkey", "col":"key", "type":"string"},
  "foo_value":{"cf":"Foo", "col":"Value", "type":"string"},
  "bar_value":{"cf":"Bar", "col":"Value", "type":"string"}
  }
}'

和输入表:

df <- createDataFrame(data.frame(
  rowkey = c("1000", "2000"), foo_value = c("x1", "x2"), bar_value = c("y1", "y2")
))

最后，您可以使用以下选项来应用write.ml:

write.df(df, 
   source = "org.apache.spark.sql.execution.datasources.hbase", 
   mode = "append", catalog = catalog)

有关详细信息，请引用official connector documantion。

如果您不介意其他依赖项，则可以部署Apache Phoenix，映射HBase表(例如检查PHOENIX-447)，然后使用the official connector或built-in JDBC source写入数据。

它将收取额外的费用，从而提供更好的用户体验。例如，如果您将Phoenix表定义为:

CREATE TABLE foobar (
  id VARCHAR NOT NULL PRIMARY KEY, 
  foo INTEGER, 
  bar VARCHAR
); 

你可以

SparkR:::callJStatic(
  "java.lang.Class", "forName",  
  "org.apache.phoenix.jdbc.PhoenixDriver"
)


df <- createDataFrame(data.frame(
  id = c("1000", "2000"), foo = c(1, 2), bar = c("x", "y")
))


write.df(
  dfr, source = "org.apache.phoenix.spark", 
  # Note that the only supported mode is `overwrite`, 
  # which in fact works like `UPSERT`
  mode = "overwrite",
  table = "FooBar", 
  # ZooKeeper URL
  zkUrl = "host:port"  
)

与第一个选项类似，您必须包含corresponding connector。但是，与HBase连接器不同，它不是自给自足的，并且需要CLASSPATH上的Phoenix Core和Client jar。

*不要忘了将来调整软件包的版本。