使用 Pyspark 与 Hbase 交互的最佳方式是什么

Question

我正在使用 pyspark [spark2.3.1] 和 Hbase1.2.1，我想知道使用 pyspark 访问 Hbase 的最佳方式是什么？

我做了一些初步的搜索，发现几乎没有可用的选项，比如使用 shc-core:1.1.1-2.1-s_2.11.jar 这可以实现，但无论在哪里我尝试寻找一些示例，大多数地方的代码都是用 Scala 编写的，或者示例也是基于 Scala 的。我尝试在 pyspark 中实现基本代码：

from pyspark import SparkContext
from pyspark.sql import SQLContext

def main():
    sc = SparkContext()
    sqlc = SQLContext(sc)
    data_source_format = 'org.apache.spark.sql.execution.datasources.hbase'
    catalog = ''.join("""{
        "table":{"namespace":"default", "name":"firsttable"},
        "rowkey":"key",
        "columns":{
            "firstcol":{"cf":"rowkey", "col":"key", "type":"string"},
            "secondcol":{"cf":"d", "col":"colname", "type":"string"}
        }
    }""".split())
    df = sqlc.read.options(catalog=catalog).format(data_source_format).load()
    df.select("secondcol").show()

# entry point for PySpark application
if __name__ == '__main__':
    main()

和运行它使用：

spark-submit  --master yarn-client --files /opt/hbase-1.1.2/conf/hbase-site.xml --packages com.hortonworks:shc-core:1.1.1-2.1-s_2.11  --jars /home/ubuntu/hbase-spark-2.0.0-alpha4.jar HbaseMain2.py

它返回空白输出：

+---------+
|secondcol|
+---------+
+---------+

我不确定我做错了什么？也不确定这样做的最佳方法是什么？

任何参考资料将不胜感激。

此致

Answer 1

最后，使用 SHC，我能够使用 pyspark 代码通过 Spark-2.3.1 连接到 HBase-1.2.1。以下是我的作品：

我所有的 hadoop [namenode, datanode, nodemanager, resourcemanager] & hbase [Hmaster, HRegionServer, HQuorumPeer] 守护进程都已启动并且运行在我的 EC2 实例上。
我将 emp.csv 文件放在 hdfs 位置 /test/emp.csv，数据为：

key,empId,empName,empWeight
1,"E007","Bhupesh",115.10
2,"E008","Chauhan",110.23
3,"E009","Prithvi",90.0
4,"E0010","Raj",80.0
5,"E0011","Chauhan",100.0

我使用以下代码行创建了 readwriteHBase.py 文件 [用于从 HDFS 读取 emp.csv 文件，然后首先创建 tblEmployee HBase，将数据推送到 tblEmployee，然后再次从同一个 table 读取一些数据并将其显示在控制台上]:

from pyspark.sql import SparkSession

def main():
    spark = SparkSession.builder.master("yarn-client").appName("HelloSpark").getOrCreate()

    dataSourceFormat = "org.apache.spark.sql.execution.datasources.hbase"
    writeCatalog = ''.join("""{
                "table":{"namespace":"default", "name":"tblEmployee", "tableCoder":"PrimitiveType"},
                "rowkey":"key",
                "columns":{
                  "key":{"cf":"rowkey", "col":"key", "type":"int"},
                  "empId":{"cf":"personal","col":"empId","type":"string"},
                  "empName":{"cf":"personal", "col":"empName", "type":"string"},
                  "empWeight":{"cf":"personal", "col":"empWeight", "type":"double"}
                }
              }""".split())

    writeDF = spark.read.format("csv").option("header", "true").option("inferSchema", "true").load("/test/emp.csv")
    print("csv file read", writeDF.show())
    writeDF.write.options(catalog=writeCatalog, newtable=5).format(dataSourceFormat).save()
    print("csv file written to HBase")

    readCatalog = ''.join("""{
                "table":{"namespace":"default", "name":"tblEmployee"},
                "rowkey":"key",
                "columns":{
                  "key":{"cf":"rowkey", "col":"key", "type":"int"},
                  "empId":{"cf":"personal","col":"empId","type":"string"},
                  "empName":{"cf":"personal", "col":"empName", "type":"string"}
                }
              }""".split())

    print("going to read data from Hbase table")
    readDF = spark.read.options(catalog=readCatalog).format(dataSourceFormat).load()
    print("data read from HBase table")
    readDF.select("empId", "empName").show()
    readDF.show()

# entry point for PySpark application
if __name__ == '__main__':
    main()

运行 VM 控制台上的此脚本使用命令：

spark-submit --master yarn-client --packages com.hortonworks:shc-core:1.1.1-2.1-s_2.11 --repositories http://nexus-private.hortonworks.com/nexus/content/repositories/IN-QA/ readwriteHBase.py

中间结果：读取 CSV 文件后：

+---+-----+-------+---------+
|key|empId|empName|empWeight|
+---+-----+-------+---------+
|  1| E007|Bhupesh|    115.1|
|  2| E008|Chauhan|   110.23|
|  3| E009|Prithvi|     90.0|
|  4|E0010|    Raj|     80.0|
|  5|E0011|Chauhan|    100.0|
+---+-----+-------+---------+

最终输出：从 HBase 读取数据后 table:

+-----+-------+
|empId|empName|
+-----+-------+
| E007|Bhupesh|
| E008|Chauhan|
| E009|Prithvi|
|E0010|    Raj|
|E0011|Chauhan|
+-----+-------+

注意：在创建 Hbase table 并将数据插入 HBase table 时，它期望 NumberOfRegions 应该大于 3，因此我添加了 options(catalog=writeCatalog, newtable=5) 向 HBase 添加数据时

使用 Pyspark 与 Hbase 交互的最佳方式是什么

What is the best possible way of interacting with Hbase using Pyspark

hadoop

hbase

apache-spark

apache-spark-sql

pyspark