PySpark写入数据到Hbase的辛酸经历

Pyspark + Hbase

环境配置：
Python:3.7.4
Spark:2.4.4
Hbase:2.2.3

---

前言：
首先，本人建议使用scala来做有关spark的开发，这是和前辈讨论他们给的建议，或者你们可以参考一下这篇文章.
这个真的折磨了我好久（中途还接到需求，断断续续弄了好久，多久就不告诉你们了，免得你们笑我菜），真的辛酸。里面我的做法肯定有很多漏洞，而且还没完全解决，我会持续更新。另外，各位大神，如果友好的建议，评论区提点一下，万分感谢。
另外，本篇可能会有点长，不喜勿喷。。。。

---

数据格式：
一天一个压缩包（ZIP），然后里面都是很多个TXT文件，分隔符是 “|” ，每个TXT文件大概是9000条数据这样。

---

前言

我不知道大家有没有这种感觉，反正我是有，就是随着版本的迭代升级，大数据的组件对Python越来越不友好，学习java和scala对于大数据开发来说真的很重要。对于我这种只会python的菜鸡还真的是刺激。。。
使用spark写入hbase有两个方法，一个是使用hortonworks的开源框架shc，另一个是使用RDD自带的方法saveAsNewAPIHadoopDataset存入到hbase中。

hortonworks的开源框架shc

先说说这个。
首先你需要下载个shc的依赖包shc-core-1.1.1-2.1-s_2.11.jar：spark hbase connect.
版本的选择自己判断把，这个链接往前翻能找到其他版本。
如果你想自行编译这个包，也可以，从这里找到源码下载自己打包：github源码网址.
我已经忘记我怎么找到的了，应该是这一个没错。
代码：

from pyspark import SparkConf
from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *

conf = SparkConf()
config = (("spark.executor.memory", "8g"),
          ("spark.executor.cores", "4"))
conf.setAll(config)
spark = SparkSession.builder.config(conf=conf).enableHiveSupport().getOrCreate()

def read_txt(sc):
    # input = sc.textFile("file:///home/data/demodata").map(lambda x: x.split('|'))
    # a_rdd = sc.textFile("file:///home/data/20200302").map(lambda x: x.split('|'))
    # df = input.toDF()
    df = spark.read.csv("file:///home/data/demodata", sep="|")
    return df

def write_to_hbase1(df):

    rename_df = df. \
        withColumnRenamed("_1", "PLA_INFO").\
        withColumnRenamed("_2", "DATE_TIME").\
        withColumnRenamed("_3", "KKJ").\
        withColumnRenamed("_4", "KKW").\
        withColumnRenamed("_5", "SPEED").\
        withColumnRenamed("_6", "SPEED_EX").\
        withColumnRenamed("_7", "ALTITUDE").\
        withColumnRenamed("_8", "STATUS").\
        withColumnRenamed("_9", "COLOUR").\
        withColumnRenamed("_10", "MILEAGE").\
        withColumnRenamed("_11", "WAY")

    id_df = rename_df.withColumn("V_ID", monotonically_increasing_id())
    id_df = id_df.withColumn("V_ID", id_df.V_ID.cast(StringType()))

    dep = "org.apache.spark.sql.execution.datasources.hbase"
    # 创建schema
    catalog = """{
                  "table":{"namespace":"default", "name":"test", "tableCoder":"PrimitiveType"},
                  "rowkey":"key",
                  "columns":{
                           "V_ID":{"cf":"rowkey", "col":"key", "type":"string"},
                           "PLATE":{"cf":"car_info", "col":"PLA_INFO", "type":"string"},
                           "DATE_TIME":{"cf":"car_info", "col":"DATE_TIME", "type":"int"},
                           "KKJD":{"cf":"car_info", "col":"KKJ","type":"int"},
                           "KKWD":{"cf":"car_info", "col":"KKW","type":"string"},
                           "SPEED":{"cf":"car_info", "col":"SPEED", "type":"string"},
                           "SPEED_EX":{"cf":"car_info", "col":"SPEED_EX","type":"string"},
                           "ALTITUDE":{"cf":"car_info", "col":"ALTITUDE","type":"string"},
                           "STATUS":{"cf":"car_info", "col":"STATUS","type":"string"},
                           "COLOUR":{"cf":"car_info", "col":"COLOUR","type":"string"},
                           "MILEAGE":{"cf":"car_info", "col":"MILEAGE","type":"string"},
                           "WAY":{"cf":"car_info", "col":"WAY","type":"string"}
                             }
                } """

    id_df.write.options(catalog=catalog).format(dep).save()
    print('***************************************************************')
    print('*******************        写 入 成 功       ******************')
    print('***************************************************************')

def main():
    sc = spark.sparkContext

    df = read_txt(sc)
    write_to_hbase1(df)
    sc.stop()
if __name__ == '__main__':
    main()

然后报错了。。。。

给个文字版吧,主要是这一句：

java.lang.NoSuchMethodError: org.json4s.jackson.JsonMethods$.parse(Lorg/json4s/JsonInput;Z)Lorg/json4s/JsonAST$JValue;

简单来说就是在保存的时候，发生了jar包冲突的错，冲突的是org.json4s.jackson.JsonMethods对应的是spark里的json4s-core_2.11-3.5.3.jar。
我用上面的网址下载源码，下载的对用的包，pom里只引用了一个包，应该是引用里面又引用了json4s这个包，我在包里搜索了一下还真的有。。我就不截图了，其实也就是说把这个包去掉重新编译就行了。于是乎，我让我同事帮忙在pom里加了个忽略json4s包的代码（因为没成功，我就删了，没能贴出来），但是打包的时候一堆错误，所以我放弃了。
网上遇到我上面这个错的都是建议把shc jar包里的剔除了再重新编译就可以了，建议大家试试，应该是可以成功的。

saveAsNewAPIHadoopDataset

这个我直接上代码吧。
代码：

from pyspark import SparkConf
from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *

conf = SparkConf()
config = (("spark.executor.memory", "8g"),
          ("spark.executor.cores", "4"))
conf.setAll(config)
spark = SparkSession.builder.config(conf=conf).enableHiveSupport().getOrCreate()

def read_txt(sc):
    # input = sc.textFile("file:///home/data/demodata").map(lambda x: x.split('|'))
    # a_rdd = sc.textFile("file:///home/data/20200302").map(lambda x: x.split('|'))
    # df = input.toDF()
    df = spark.read.csv("file:///home/data/demodata", sep="|")
    return df
    
def write_to_hbase2(df):
    """
    将Spark DataFrame 数据写入Hbase
    """
    rename_df = df. \
        withColumnRenamed("_1", "PLA_INFO").\
        withColumnRenamed("_2", "DATE_TIME").\
        withColumnRenamed("_3", "KKJ").\
        withColumnRenamed("_4", "KKW").\
        withColumnRenamed("_5", "SPEED").\
        withColumnRenamed("_6", "SPEED_EX").\
        withColumnRenamed("_7", "ALTITUDE").\
        withColumnRenamed("_8", "STATUS").\
        withColumnRenamed("_9", "COLOUR").\
        withColumnRenamed("_10", "MILEAGE").\
        withColumnRenamed("_11", "WAY")

    id_df = rename_df.withColumn("V_ID", monotonically_increasing_id())
    id_df = id_df.withColumn("V_ID", id_df.V_ID.cast(StringType()))
    host = "192.168.0.111"
    table = "test"
    keyConv = "org.apache.spark.examples.pythonconverters.StringToImmutableBytesWritableConverter"
    valueConv = "org.apache.spark.examples.pythonconverters.StringListToPutConverter"
    conf = {"hbase.zookeeper.quorum": host, "hbase.mapred.outputtable": table,
            "zookeeper.znode.parent": "/hbase-unsecure",
            "mapreduce.outputformat.class": "org.apache.hadoop.hbase.mapreduce.TableOutputFormat",
            "mapreduce.job.output.key.class": "org.apache.hadoop.hbase.io.ImmutableBytesWritable",
            "mapreduce.job.output.value.class": "org.apache.hadoop.io.Writable"}

    # DataFrame转换为rdd写入hbase
    col_list = id_df.columns
    print(col_list)
    rdd_data = id_df.rdd.map(lambda x:(x["V_ID"],((i,x[i]) for i in col_list[1:])))
    rdd_data = rdd_data.flatMapValues(lambda x:x)
    rrd2 = rdd_data.map(lambda x:(x[0],[x[0],'info',x[1][0],x[1][1]]))
    print(rrd2.take(10))
	rrd2.saveAsNewAPIHadoopDataset(conf=conf,keyConverter=keyConv,valueConverter=valueConv)

def main():
    sc = spark.sparkContext

    df = read_txt(sc)
    write_to_hbase2(df)
    sc.stop()
if __name__ == '__main__':
    main()

这个方法有个值得注意的地方，如果你在配置的代码中没有配置zookeeper.znode.parent,你就会遇到以下错误：

20/04/29 09:28:14 WARN ConnectionImplementation: Retrieve cluster id failed
java.util.concurrent.ExecutionException: org.apache.zookeeper.KeeperException$NoNodeException: KeeperErrorCode = NoNode for /hbase/hbaseid

然后你会一头雾水，因为这个问题你可能在使用hbase shell的时候应该遇到过，而且你应该已经解决了，然后再往下拉，你就又看到一句：

Caused by: java.io.IOException: org.apache.zookeeper.KeeperException$NoNodeException: KeeperErrorCode = NoNode for /hbase

如果你百度的这些错的话，你能看到的都不是说spark连接Hbase遇到这个问题。。这就很无语。。
其实这里简单来说就是，找不到hbase在zookeeper的路径（不知道我这样表述有没有问题）。所以你只要在配置里指定好zookeeper.znode.parent就可以了。
这个配置我试过，在scala的代码里不写，也是报一样的错，但是很奇怪的是网上的代码基本都不写这个配置。。可能是我环境配的有问题吧。

好的，配置完之后不报这个错了，又报另一个错：

20/05/07 15:37:18 ERROR Utils: Aborting task
java.lang.NoSuchMethodError: org.apache.hadoop.hbase.client.Put.add([B[B[B)Lorg/apache/hadoop/hbase/client/Put;

这里简单来讲就是org.apache.hadoop.hbase.client里put.add有问题。。。
那么我上网查过，反正意思就是2.0版本之后这个方法改了
解决办法看看这几篇：
https://blog.csdn.net/sinat_37992109/article/details/98735188.
https://www.cnblogs.com/cssdongl/p/7347167.html.
https://blog.csdn.net/cssdongl/article/details/77750515.

简单来讲就是要不呢，你就换版本（spark降低到2.0版本以下），要不呢，你就重新编译spark-exmaple的jar包（怎么又重新编译。。）

我觉得太过于麻烦。。所以我还是写scala吧
由于文章太长，所以我再分一篇把。。。