如何解决Spark Streaming:通过接收到的流密钥从 HBase 读取?
将 Spark Streaming 中接收到的数据与 HBase 中的现有数据进行比较的最佳方法是什么?
我们从 kafka 接收数据作为 DStream,在将其写入 HBase 之前,我们必须根据从 kafka 接收到的键扫描 HBase 中的数据,做一些计算(基于每个键的新数据和旧数据) ) 然后写到 HBase。
因此,如果我收到记录 (key,value_new),我必须从 HBase (key,value_old) 获取,以便我可以比较 value_new 与 value_old。
所以逻辑是:
来自Kafka的Dstream -> 通过DStream键查询HBase -> 一些计算 -> 写入 HBase
我的“天真”方法是使用 Phoenix Spark Connector 读取并根据键对新数据进行左连接,以此过滤掉不在当前微批次中的键。所以我会得到一个带有 (key,value_new,value_old) 的 DF,从这里我可以比较内部分区。
JavaInputDStream<ConsumerRecord<String,String>> kafkaDStream = KafkaUtils.createDirectStream(...);
// use foreachRDD in order to use Phoenix DF API
kafkaDStream.foreachRDD((rdd,time) -> {
// Get the singleton instance of SparkSession
SparkSession spark = JavaSparkSessionSingleton.getInstance(rdd.context().getConf());
JavaPairRDD<String,String> keyValueRdd = rdd.mapToPair(record -> new Tuple2<>(record.key(),record.value()));
// TO SLOW FROM HERE
Dataset<Row> oldDataDF = spark
.read()
.format("org.apache.phoenix.spark")
.option("table",PHOENIX_TABLE)
.option("zkUrl",PHOENIX_ZK)
.load()
.withColumnRenamed("JSON","JSON_OLD")
.withColumnRenamed("KEY_ROW","KEY_OLD");
Dataset<Row> newDF = toPhoenixTableDF(spark,keyValueRdd); //just a helper method to get RDD to DF (see note bellow)
Dataset<Row> newAndOld = newDF.join(oldDataDF,oldDataDF.col("KEY_OLD").equalTo(newDF.col("KEY_ROW")),"left");
/// do some calcs based on new vs old values and then write to Hbase ...
});
问题:使用上述方法根据收到的 DStream RDD 中的键列表从 HBase 获取数据对于流式传输来说太慢了。
有什么高效的方法可以做到这一点?
旁注: 方法 toPhoenixTableDF 只是将接收到的 RDD 转化为 DF 的帮手:
private static Dataset<Row> toPhoenixTableDF(SparkSession spark,JavaPairRDD<String,String> keyValueRdd) {
JavaRDD<phoenixTableRecord> tmp = keyValueRdd.map(x -> {
phoenixTableRecord record = new phoenixTableRecord();
record.setKEY_ROW(x._1);
record.setJSON(x._2);
return record;
});
return spark.createDataFrame(tmp,phoenixTableRecord.class);
}
解决方法
解决方案是使用 spark hbase 连接器进行批量获取和放置。
您可以在此处找到带有很好示例的源代码。 https://github.com/apache/hbase-connectors/tree/master/spark 以及 HBase 文档(火花会话)。
这个库使用普通的 Java/Scala Hbase api,所以你可以控制操作,但是通过广播给执行程序的 hbaseContext 对象为你管理连接池,这真的很棒。它为 Hbase 操作提供了简单的包装器,但是,如果需要,我们可以只使用它的 foreach/mapPartition 并获得对逻辑的控制,同时可以访问托管连接。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。