通过Spark写入HBase:任务不可序列化

Question

我正在尝试使用Spark 1.0在HBase(0.96.0-hadoop2)中编写一些简单数据,但我不断遇到序列化问题.这是相关代码:

import org.apache.hadoop.hbase.client._
import org.apache.hadoop.hbase.io.ImmutableBytesWritable
import org.apache.hadoop.hbase.util.Bytes
import org.apache.spark.rdd.NewHadoopRDD
import org.apache.hadoop.hbase.HBaseConfiguration
import org.apache.hadoop.mapred.JobConf
import org.apache.spark.SparkContext
import java.util.Properties
import java.io.FileInputStream
import org.apache.hadoop.hbase.client.Put

object PutRawDataIntoHbase{
  def main(args: Array[String]): Unit = {
    var propFileName = "hbaseConfig.properties"
    if(args.size > 0){
      propFileName = args(0)
    }

    /** Load properties here **/
   val theData = sc.textFile(prop.getProperty("hbase.input.filename"))
     .map(l => l.split("\t"))
     .map(a => Array("%010d".format(a(9).toInt)+ "-" + a(0) , a(1)))

   val tableName = prop.getProperty("hbase.table.name")
   val hbaseConf = HBaseConfiguration.create()
   hbaseConf.set("hbase.rootdir", prop.getProperty("hbase.rootdir"))
   hbaseConf.addResource(prop.getProperty("hbase.site.xml"))
   val myTable = new HTable(hbaseConf, tableName)
   theData.foreach(a=>{
     var p = new Put(Bytes.toBytes(a(0)))
     p.add(Bytes.toBytes(hbaseColFamily), Bytes.toBytes("col"), Bytes.toBytes(a(1)))
      myTable.put(p)
    })
  }
}

运行代码会导致:

Failed to run foreach at putDataIntoHBase.scala:79
Exception in thread "main" org.apache.spark.SparkException: Job aborted due to stage failure: Task not serializable: java.io.NotSerializableException:org.apache.hadoop.hbase.client.HTable

用map替换foreach不会崩溃,但我也不会写.任何帮助将不胜感激.

Answer 1

该类HBaseConfiguration表示与HBase服务器的连接池.显然,它无法序列化并发送到工作节点.由于HTable使用此池与HBase服务器通信,因此无法对其进行序列化.

基本上,有三种方法可以解决这个问题:

在每个工作节点上打开连接.

注意使用foreachPartition方法:

val tableName = prop.getProperty("hbase.table.name")
<......>
theData.foreachPartition { iter =>
  val hbaseConf = HBaseConfiguration.create()
  <... configure HBase ...>
  val myTable = new HTable(hbaseConf, tableName)
  iter.foreach { a =>
   var p = new Put(Bytes.toBytes(a(0)))
   p.add(Bytes.toBytes(hbaseColFamily), Bytes.toBytes("col"), Bytes.toBytes(a(1)))
    myTable.put(p)
  }
}

请注意,每个工作节点必须能够访问HBase服务器,并且必须具有预先安装或通过提供的必需jar ADD_JARS.

另请注意,由于为每个分区打开了连接池,因此最好将分区数大致减少到工作节点数(带coalesce功能).也可以HTable在每个工作节点上共享一个实例,但这并不是那么简单.

将所有数据序列化为一个盒子并将其写入HBase

即使数据不适合内存,也可以使用单台计算机从RDD写入所有数据.详细信息在以下答案中进行了解释:Spark:从RDD检索大数据到本地计算机的最佳实践

当然,它比分布式写入慢,但它很简单,不会带来痛苦的序列化问题,如果数据大小合理,可能是最好的方法.

使用HadoopOutputFormat

可以为HBase创建自定义HadoopOutputFormat或使用现有的HadoopOutputFormat.我不确定是否存在符合您需求的内容,但Google应该在此提供帮助.

PS顺便说一下,map调用不会崩溃,因为它没有得到评估:在你调用带副作用的函数之前,不会评估RDD.例如,如果你打电话theData.map(....).persist,它也会崩溃.