【技术前沿】Spark DataFrame便捷整合HBase

, , , , ,
阅读： 3,418

HBase的介绍及使用场景；Spark on HBase介绍；以及如何通过Spark的DataFrame访问HBase表。

一.    HBase简介

HBase的介绍在网上随处可见，借用《HBase企业应用实战》中的描述，如下：

“HBase（Hadoop Database）是一个高可靠、高性能、面向列、可伸缩的分布式数据库，利用HBase技术可在廉价PC上搭建起大规模结构化存储集群。HBase参考Google的BigTable建模，使用类似GFS的HDFS作为底层文件存储系统，在其上可以运行MapReduce批量处理数据，使用ZooKeeper作为协同服务组件。

HBase的整个项目使用Java语言实现，它是Apache基金会的Hadoop项目的一部分，既是模仿Google BigTable的开源产品，同时又是Hadoop的衍生产品。而Hadoop作为批量离线计算系统已经得到了业界的普遍认可，并经过了工业上的验证，所以HBase具备“站在巨人肩膀之上”的优势，其发展势头非常迅猛。

HBase还是一种非关系型数据库，即NoSQL数据库。在Eric Brewer的CAP理论中，HBase属于CP类型的系统，其NoSQL的特性非常明显，这些特性也决定了其独特的应用场景。接下来的内容将详细讲解HBase的发展历史、发行版本和特性”

CAP

二.    HBase的选型依据

2.1   使用场景

《HBase企业应用实战》中提到HBase较为适合如下几种使用需求，笔者加入相应自己的理解，描述如下：

  • 存储大量的数据（PB级数据）且能保证良好的随机访问性能：存储量级由HDFS的良好扩展性和容错性支撑，随机访问性能良好是由于其Rowkey根据字符串大小排列，同时有MemStore进行内存缓存加持。
  • 需要很高的写吞吐量，瞬间写入量很大，传统数据库不能支撑或需要很高成本支撑的场景：瞬间写入并发性能高得益于WAL机制（详见HBase－数据写入流程解析）。
  • 可以进行优雅的数据扩展，动态扩展整个存储系统容量：同样由HDFS支撑。
  • 数据格式无限制，支持半结构化和非结构化的数据：HBase中存储值均为Bytes类型，读写两端协商好如何转换即可支持任意类型的数据。
  • 业务场景简单，不需要全部的关系型数据库特性，例如交叉列、交叉表，事务、连接等。

具体使用场景如用户画像、实时指标计算、更新计算和增量计算，HBase都比较适合。

那么，哪些场景是不适合HBase的，主要有如下两个场景：

  • 大量读大量写：HBase的写性能由WAL机制保证，其Rowkey、MemStore和StoreFile两级缓存+存储保证了随机读性能。然而，批量读操作在HBase中对应Scan动作，每次Scan操作都都是一个RPC操作，会返回n行，此处的n由client.scanner.caching设置，默认是1。这就意味着默认100万行的数据需要100万次RPC操作。随机读和顺序读基本上两难全。（参见Hive over HBase和Hive over HDFS性能比较分析）。同时，如果默认通过Region Server去进行HBase的批量读取，HBase会需要使用大量的资源，例如WAL、合并（Compaction）和刷出（Flush）队列、服务器内存、还会触发大量的JVM垃圾回收，此时性能影响的将不仅仅是HBase，还有其余Java程序（详见Efficient bulk load of HBase using Spark 和How-to: Use HBase Bulk Loading, and Why）。HBase支持批量读写，在指定了RowKey范围下的批量读性能也尚可，但最优的场景还是大量写少量读。
  • 多表关联与复杂统计：HBase并未内置关联查询，虽可以通过客户端实现多表关联，例如当年基于HBase的图数据库Titan，实现的复杂性和机理限制导致基于HBase的关联查询并不常见。

以上两个场景，其实正是Spark+HDFS+Hive的强项。Spark+HDFS+Hive应对离线批处理和复杂统计计算场景，HBase应对准实时的并发查询和简单计算场景，也是实践中比较好的方式。

2.2   性能

网上已有许多不同的NoSql数据库之间的性能比较：

2016-11：Performance Comparison between Five NoSQL Databases

2014-09：性能测试：SequoiaDB vs. MongoDB vs. Cassandra vs. HBase

2014-08：datastax的评测

2014-02：Sergey Sverchkov的评测

评测的结果都差不多，HBase在NoSQL中属于较为中庸的，各种场景都适合，可以作为Spark+Hadoop生态系统的Key-Value数据库选择。当然，选择其他类型的KV数据库，可能可以获得某方面的极致性能，同时也要考虑学习成本和易用性。

2.3   生态系统兼容

HBase基于Hadoop系统构建，安装极为简单。Spark有多种方式操作HBase，接下来会介绍HORTONWORKS开源出来的SPARK-ON-HBASE: DATAFRAME BASED HBASE CONNECTOR。在Hive中，我们可以使用HQL语句在HBase表上进行查询、插入操作，同时可以将HBase中的数据导出至Hive进行离线批处理分析，详见HBaseIntegration和LanguageManual ImportExport。

图 HBase架构

三.    SHC：Spark on HBase简介

SHC是hortonworks给Spark做的一个HBase的Connector，其优势是可以通过用DataFrame的API直接对HBase进行读写操作，相对Spark原生的API（saveAsHadoopDataset和saveAsNewAPIHadoopDataset）而言，极大增强了易用性，Github上的地址如下shc。

详细的介绍可以看SPARK-ON-HBASE: DATAFRAME BASED HBASE CONNECTOR，想要一目十行看中文的同学可以移步相对应的译文Spark-on-HBase：通过Spark的DataFrame访问HBase表。

四.    SHC+DataFrame便捷使用

使用SHC+DataFrame非常简单，基本只需要关注HBaseTableCatalog，即定义出DataFrame的每一列应该输出到HBase中的表名、RowKey，列族、列名、类型以及命名空间与编码格式。该格式可以从JSON数据读入，具体格式如下，详细样例请移步官方基础样例：

  1. def catalog = s”””{
  2. |”table”:{“namespace”:”default”, “name”:”shcExampleTable”, “tableCoder”:”PrimitiveType”},
  3. |”rowkey”:”key1:key2″,
  4. |”columns”:{
  5. |”col00″:{“cf”:”rowkey”, “col”:”key1″, “type”:”string”, “length”:”6″},
  6. |”col01″:{“cf”:”rowkey”, “col”:”key2″, “type”:”int”},
  7. |”col1″:{“cf”:”cf1″, “col”:”col1″, “type”:”boolean”},
  8. |”col2″:{“cf”:”cf2″, “col”:”col2″, “type”:”double”},
  9. |”col3″:{“cf”:”cf3″, “col”:”col3″, “type”:”float”},
  10. |”col4″:{“cf”:”cf4″, “col”:”col4″, “type”:”int”},
  11. |”col5″:{“cf”:”cf5″, “col”:”col5″, “type”:”bigint”},
  12. |”col6″:{“cf”:”cf6″, “col”:”col6″, “type”:”smallint”},
  13. |”col7″:{“cf”:”cf7″, “col”:”col7″, “type”:”string”},
  14. |”col8″:{“cf”:”cf8″, “col”:”col8″, “type”:”tinyint”}
  15. |}
  16. |}”””.stripMargin

 

HBase中跨列族访问是非常低效的，所以在实际应用的过程中，往往需要进行存储的DataFrame中列都是一个列族的。同时有些时候DataFrame会产生不固定的列，频繁手动更改HBaseTableCatalog的Schema也是一个无趣的活。DataFrame的优势在这个时候就体现出来了，我们可以根据DataFrame的Schema自动化生成HBase的映射关系以及列值类型，其余的自己指定就好。代码如下：

  1. importapache.spark.sql.execution.datasources.HBase._
  2. importapache.spark.sql._
  3. importapache.spark.sql.types._
  4. importapache.spark.sql.functions._
  5. importapache.spark.{SparkConf, SparkContext}
  6. importalibaba.fastjson.{JSON, JSONArray, JSONObject}
  8. importcollection.JavaConversions._
  9. importcollection.JavaConverters._
  11. /**
  12. * 保存DataFrame到HBase
  13. * @param df_2_be_save 需要保存的DataFrame
  14. * @param tablename_hb 需要存入的表名，需要提前建好
  15. * @param namespace_hb default，根据需要更改，一般默认就好
  16. * @param tableCoder_hb PrimitiveType，根据需要更改，一般默认就好
  17. * @param rowkey_hb 主键名字
  18. * @param columFamily_hb 列族名，在该函数中，DataFrame的所有列都只能插入到同一个列族中，列族需要预先定义好
  19. * @param newtablecount
  20. */
  21. def DataFrame_Save_To_HBase(df_2_be_save:DataFrame)(tablename_hb:String, namespace_hb:String = “default”,tableCoder_hb:String = “PrimitiveType”,rowkey_hb:String,columFamily_hb:String,newtablecount:Int = 5): Unit ={
  22. val column_json = df_2_be_save.schema.map{
  23. stf =>{
  24. if(stf.name==rowkey_hb) {
  25. (stf.name -> JSON.toJSON(Map(“cf”-> “rowkey”,
  26. “col”-> rowkey_hb,
  27. “type”-> stf.dataType.simpleString).asJava))
  28. }else{
  29. (stf.name -> JSON.toJSON(Map(“cf”-> columFamily_hb,
  30. “col”-> stf.name,
  31. “type”-> stf.dataType.simpleString).asJava))
  32. }
  33. }
  34. }.toMap.asJava
  35. val df_HBase_schema = JSON.toJSON(Map(“table”->JSON.toJSON(Map(“name”->tablename_hb,
  36. “namespace”->namespace_hb,”tableCoder”->tableCoder_hb).asJava),
  37. “rowkey”->rowkey_hb,
  38. “columns”->column_json).asJava)
  39. //    println(df_HBase_schema)
  41. options(
  42. Map(HBaseTableCatalog.tableCatalog -> df_HBase_schema.toString, HBaseTableCatalog.newTable -> newtablecount.toString)).
  43. format(“org.apache.spark.sql.execution.datasources.HBase”).
  44. save()
  45. }

至此，诸位读者应该可以拿着SHC和Spark愉快的玩耍了。周末愉快。

点击查看更多spark内容！

 

Spread the word. Share this post!

Meet The Author

Leave Comment