通过Spark写入HBase：任务不可序列化

Question

我试图使用Spark 1.0在HBase（0.96.0-hadoop2）中编写一些简单的数据，但我一直遇到序列化问题。以下是相关代码：

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。任何帮助都将不胜感激。

Answer 1

类HBaseConfiguration表示到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，有三种方法来处理这个问题：

注意foreach分区方法的使用：

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，每个工作节点都必须有权访问HBase服务器，并且必须预先安装或通过ADD_JARS提供所需的jar。

还要注意的是，如果为每个分区打开连接池，那么最好将分区的数量大致减少到工作节点的数量（使用coalesce函数）。也可以在每个工作节点上共享一个HTable实例，但这并不是那么简单。

可以使用单台计算机从RDD写入所有数据，即使数据不适合内存。详细信息在本答案中解释：Spark：将大数据从RDD检索到本地机器的最佳实践

当然，它比分布式编写要慢，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，它可能是最好的方法。

可以为HBase创建自定义HadoopOutputFormat，也可以使用现有的HadoopOutputFormat。我不确定是否有适合你需要的东西，但谷歌应该在这里提供帮助。

顺便说一句，map调用不会崩溃，因为它不会被评估：RDD不会被评估，直到你调用一个有副作用的函数。例如，如果调用了数据。地图（……）。如果继续，它也会崩溃。