Spark 批量写数据入HBase，spark数据入hbase

2023-04-07 05:27| 来源: 网络整理| 查看: 265

原文地址：http://www.bkjia.com/yjs/1010813.html

Spark 批量写数据入HBase，spark数据入hbase 介绍

工作中常常会遇到这种情形，需要将hdfs中的大批量数据导入HBase。本文使用Spark+HBase的方式将RDD中的数据导入HBase中。没有使用官网提供的newAPIHadoopRDD接口的方式。使用本文的方式将数据导入HBase, 7000W条数据，花费时间大概20分钟左右，本文Spark可用核数量为20。

本文使用spark版本为1.3.0，hbase版本为0.98.1

hbase表结构为：表名table，列族Family,列为qualifier。

代码如下：

val readFile = sc.textFile("/path/to/file").map(x => x.split(",")) val tableName = "table" readFile.foreachPartition{ x=> { val myConf = HBaseConfiguration.create() myConf.set("hbase.zookeeper.quorum", "web102,web101,web100") myConf.set("hbase.zookeeper.property.clientPort", "2181") myConf.set("hbase.defaults.for.version.skip", "true") val myTable = new HTable(myConf, TableName.valueOf(tableName)) myTable.setAutoFlush(false, false)//关键点1 myTable.setWriteBufferSize(3*1024*1024)//关键点2 x.foreach { y => { println(y(0) + ":::" + y(1)) val p = new Put(Bytes.toBytes(y(0))) p.add("Family".getBytes, "qualifier".getBytes, Bytes.toBytes(y(1))) myTable.put(p) } } myTable.flushCommits()//关键点3 } }

此程序是使用了RDD的foreachPartition函数，在此程序中有三个比较关键的地方。关键点1_:将自动提交关闭，如果不关闭，每写一条数据都会进行提交，是导入数据较慢的做主要因素。关键点2:设置缓存大小，当缓存大于设置值时，hbase会自动提交。此处可自己尝试大小，一般对大数据量，设置为5M即可，本文设置为3M。关键点3:每一个分片结束后都进行flushCommits()，如果不执行，当hbase最后缓存小于上面设定值时，不会进行提交，导致数据丢失。

注：此外如果想提高Spark写数据如Hbase速度，可以增加Spark可用核数量。

【本文地址】

公司简介

联系我们