Python使用happybase写入HBase

HBase是一个分布式的、面向列的NoSQL数据库，可以存储大量的非结构化或半结构化的数据。tif是一种常见的影像文件格式，可以存储多波段的栅格数据。本文将介绍如何使用Python的happybase模块和gdal模块，从tif格式的影像文件中读取数据，并将其存储到HBase数据库中。

主要内容包括：

• 准备工作：安装Python环境，安装happybase模块和gdal模块，安装HBase数据库，并准备tif影像文件。
• 读取tif影像数据：使用readTif函数读取tif影像数据集，并获取其宽度、高度、波段数、数据数组、仿射变换参数和投影信息。遍历tif影像文件所在的文件夹，获取tif影像文件的日期和分块信息。
• 写入HBase数据库：创建一个happybase连接对象，并获取或创建一个happybase表对象。遍历每个分块，使用readTif函数读取每个分块的每个日期的每个波段的数据，并将其存储到一个三维的numpy数组中。遍历每个像素，将其对应的每个波段的每个日期的数据组合成一个字典，作为HBase表中的列值。使用分块编号、行号和列号拼接成一个字符串，作为HBase表中的行键。使用put方法将行键和列值写入HBase表中。关闭happybase连接对象。

一、准备工作

• 安装Python环境，本文使用的是Anaconda3。
• 安装happybase模块，可以使用pip或conda命令。例如：

pip install happybase

• 安装gdal模块，可以使用pip或conda命令。例如：

conda install gdal

• 启动分布式集群，hadoop以及hbase；启动thrift服务，可以使用hbase-daemon.sh脚本。例如：

hbase-daemon.sh start thrift

就可以使用happybase模块连接到thrift服务，并操作HBase数据库了

• 准备tif格式的影像文件，并放在一个文件夹中。本文使用的是Sentinel-2卫星的10个波段的影像数据，分为多个日期和多个分块。

二、读取tif影像数据

• 导入需要的模块，包括time、happybase、gdal、numpy、pandas、os和tqdm。例如：

import time
import happybase
from osgeo import gdal
import numpy as np
import pandas as pd
import os
from tqdm import tqdm

• 定义一个函数readTif，用于读取tif格式的影像数据集，并返回其宽度、高度、波段数、数据数组、仿射变换参数和投影信息。例如：

#  读取tif数据集
def readTif(fileName, xoff=0, yoff=0, data_width=0, data_height=0):
    dataset = gdal.Open(fileName)
    num_bands = dataset.RasterCount
    # print(num_bands)
    if dataset == None:
        print(fileName + "文件无法打开")
    #  栅格矩阵的列数
    width = dataset.RasterXSize
    #  栅格矩阵的行数
    height = dataset.RasterYSize
    #  波段数
    bands = dataset.RasterCount
    #  获取数据
    if (data_width == 0 and data_height == 0):
        data_width = width
        data_height = height
    data = dataset.ReadAsArray(xoff, yoff, data_width, data_height)
    #  获取仿射矩阵信息
    geotrans = dataset.GetGeoTransform()
    #  获取投影信息
    proj = dataset.GetProjection()
    return width, height, bands, data, geotrans, proj

• 获取tif影像文件所在的文件夹路径，并遍历该文件夹下所有以.tif为后缀名的文件。例如：

# 分块影像所在文件夹，不能有中文
tifDir = r"E:\pyimg\tif2csv\S2SR10mallband3tile"
tifs = [i for i in os.listdir(tifDir) if i.endswith(".tif")]
print("有 %s 个tif文件" % len(tifs))

•  获取tif影像文件的日期和分块信息，并去重排序。例如：

# 获取目标文件数量，前缀相同的
bandlist=['B2','B3','B4','B5','B6','B7','B8','B8A','B11','B12']
datelist1 = []
fenkuailist1 = []
for i in tifs:
    datelist1.append(i[:-26])
    fenkuailist1.append(i[-25:-4])

datelist = list(set(datelist1))
datelist.sort(key=datelist1.index)
fenkuailist = list(set(fenkuailist1))
fenkuailist.sort(key=fenkuailist1.index)
print("有 %s 个日期" % len(datelist))
print("datelist" , datelist)
print("每个日期 %s 个块" % len(fenkuailist))
print("fenkuailist" , fenkuailist)

三、写入HBase数据库

• 创建一个happybase连接对象，并指定HBase数据库的IP地址。例如：

connection = happybase.Connection('192.168.1.100')
# # before first use:
connection.open()

• 获取或创建一个happybase表对象，并指定表名和列族名。例如：

table = connection.table('rawdata')

• 遍历每个分块，使用readTif函数读取每个分块的每个日期的每个波段的数据，并将其存储到一个三维的numpy数组中。例如：

#len(fenkuailist)
for kuai in range(1):
    print("(%d/%d)块编号："%(kuai+1,len(fenkuailist)),fenkuailist[kuai])
    # 初始化立方体
    img_file = tifDir + "\\" + datelist[0] + "-" + fenkuailist[kuai] + ".tif"
    im_width, im_height, im_bands, im_data, kuai_im_geotrans, kuai_im_proj = readTif(img_file)

    tmpttt = np.empty((im_bands, im_width * im_height, len(datelist)))
    # print("波段 %s 个" % im_bands)
    # print("行列数", im_width, im_height)
#len(datelist)
    for shijian in range(len(datelist)):
        #  图像
        img_file = tifDir + "\\" + datelist[shijian] + "-" + fenkuailist[kuai] + ".tif"
        # print(img_file)
        im_width, im_height, im_bands, im_data, im_geotrans, im_proj = readTif(img_file)
        kuai_im_geotrans = im_geotrans
        kuai_im_proj=im_proj

        for j in range(im_bands):
            # print("jjjjjjjjjjjjjjjjjjjjj",im_data[j].flatten(order = 'C'))
            tmpttt[j, :, shijian] = im_data[j].flatten(order='C')

• 遍历每个像素，将其对应的每个波段的每个日期的数据组合成一个字典，作为HBase表中的列值。使用分块编号、行号和列号拼接成一个字符串，作为HBase表中的行键。使用put方法将行键和列值写入HBase表中。例如：

    print("写入中...")

    print(tmpttt[1, 1, :])

    #im_width * im_height
    for index in tqdm(range(im_width * im_height)):
        dt={}
        for ban in range(im_bands):
            d1=zip(map(lambda  x:"f1:"+x+bandlist[ban],datelist),tmpttt[ban, index, :].astype(str))
            # Converting zip object to dict using dict() contructor.
            dt.update(d1)
        # print (dict(dt)) 
        key=str(kuai%3)+fenkuailist[kuai][6:10]+fenkuailist[kuai][-4:]+str(index)
        # print(key)
        table.put(key, dt)  # 提交数据，0001代表行键，写入的数据要使用字典形式表示

• 关闭happybase连接对象。例如：

connection.close()  # 关闭传输

四、数据验证

写入的表rawdata经过预分区，所以写入后数据较为均衡的分布在各个节点 

• count命令

hbase shell中

count "rawdata"

• 调用Mapreduce

具体内容根据环境配置调整

c914@hadoop100:/usr/local/hbase/bin$ ./hbase org.apache.hadoop.hbase.mapreduce.RowCounter 'rawdata'