Spark读取Hbase表数据并实现类似groupByKe

一、概述 
程序运行环境很重要，本次测试基于： 
hadoop-2.6.5 
spark-1.6.2 
hbase-1.2.4 
zookeeper-3.4.6 
jdk-1.8 
废话不多说了，直接上需求

专业领域包括成都做网站、成都网站制作、商城系统网站开发、微信营销、系统平台开发， 与其他网站设计及系统开发公司不同，成都创新互联公司的整合解决方案结合了帮做网络品牌建设经验和互联网整合营销的理念，并将策略和执行紧密结合，为客户提供全网互联网整合方案。

Andy column=baseINFO:age,  value=21

Andy column=baseINFO:gender,  value=0

Andy column=baseINFO:telphone_number,value=110110110

Tom  column=baseINFO:age,value=18

Tom  column=baseINFO:gender,value=1

Tom  column=baseINFO:telphone_number,value=120120120

如上表所示，将之用spark进行分组，达到这样的效果：

[Andy,(21,0,110110110)] 
[Tom,(18,1,120120120)] 
需求比较简单，主要是熟悉一下程序运行过程

二、具体代码

package com.union.bigdata.spark.hbase;import org.apache.hadoop.hbase.HBaseConfiguration;import org.apache.hadoop.hbase.mapreduce.TableSplit;import org.apache.hadoop.hbase.util.Base64;import org.apache.hadoop.hbase.util.Bytes;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.SparkConf;import org.apache.spark.api.java.function.Function;import org.apache.spark.api.java.function.Function2;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.hbase.client.Scan;import org.apache.hadoop.hbase.client.Result;import org.apache.hadoop.hbase.io.ImmutableBytesWritable;import org.apache.hadoop.hbase.mapreduce.TableInputFormat;import org.apache.spark.api.java.JavaPairRDD;import org.apache.hadoop.hbase.protobuf.ProtobufUtil;import org.apache.hadoop.hbase.protobuf.generated.ClientProtos;import org.apache.spark.api.java.function.PairFunction;import scala.Tuple10;import scala.Tuple2;import java.io.IOException;import java.util.ArrayList;import java.util.List;public class ReadHbase {

    private static String appName = "ReadTable";

    public static void main(String[] args) {
        SparkConf sparkConf = new SparkConf();

    //we can also run it at local:"local[3]"  the number 3 means 3 threads
        sparkConf.setMaster("spark://master:7077").setAppName(appName);
        JavaSparkContext jsc = new JavaSparkContext(sparkConf);

        Configuration conf = HBaseConfiguration.create();
        conf.set("hbase.zookeeper.quorum", "master"); 
        conf.set("hbase.zookeeper.property.clientPort", "2181"); 
        Scan scan = new Scan();
        scan.addFamily(Bytes.toBytes("baseINFO"));
        scan.addColumn(Bytes.toBytes("baseINFO"), Bytes.toBytes("telphone_number"));
        scan.addColumn(Bytes.toBytes("baseINFO"), Bytes.toBytes("age"));
        scan.addColumn(Bytes.toBytes("baseINFO"), Bytes.toBytes("gender"));

        String scanToString = "";
        try {
            ClientProtos.Scan proto = ProtobufUtil.toScan(scan);
            scanToString = Base64.encodeBytes(proto.toByteArray());
        } catch (IOException io) {
            System.out.println(io);
        }

        for (int i = 0; i < 2; i++) {
            try {
                String tableName = "VIPUSER";
                conf.set(TableInputFormat.INPUT_TABLE, tableName);
                conf.set(TableInputFormat.SCAN, scanToString);

                //get the Result of query from the Table of Hbase
                JavaPairRDD hBaseRDD = jsc.newAPIHadoopRDD(conf,
                        TableInputFormat.class, ImmutableBytesWritable.class,
                        Result.class);

                //group by row key like : [(Andy,110,21,0),(Tom,120,18,1)]
                JavaPairRDD> art_scores = hBaseRDD.mapToPair(
                        new PairFunction, String, List>() {
                            @Override
                            public Tuple2> call(Tuple2 results) {

                                List list = new ArrayList();

                                byte[] telphone_number = results._2().getValue(Bytes.toBytes("baseINFO"), Bytes.toBytes("telphone_number"));
                                byte[] age = results._2().getValue(Bytes.toBytes("baseINFO"), Bytes.toBytes("age"));
                                byte[] gender = results._2().getValue(Bytes.toBytes("baseINFO"), Bytes.toBytes("gender"));

                //the type of storage at Hbase is Byte Array,so we must let it be normal like Int,String and so on 
                                list.add(Integer.parseInt(Bytes.toString(telphone_number)));
                                list.add(Integer.parseInt(Bytes.toString(age)));
                                list.add(Integer.parseInt(Bytes.toString(gender)));

                                return new Tuple2>(Bytes.toString(results._1().get()), list);
                            }
                        }
                );

                //switch to Cartesian product 
                JavaPairRDD>, Tuple2>> cart = art_scores.cartesian(art_scores);

                //use Row Key to delete the repetition from the last step "Cartesian product"  
                JavaPairRDD>, Tuple2>> cart2 = cart.filter(
                        new Function>, Tuple2>>, Boolean>() {
                            public Boolean call(Tuple2>, Tuple2>> tuple2Tuple2Tuple2) throws Exception {

                                return tuple2Tuple2Tuple2._1()._1().compareTo(tuple2Tuple2Tuple2._2()._1()) < 0;
                            }
                        }
                );

                System.out.println("Create the List 'collect'...");

        //get the result we need
                 List>, Tuple2>>> collect = cart2.collect();
                 System.out.println("Done..");
                 System.out.println(collect.size() > i ? collect.get(i):"STOP");

                 if (collect.size() > i ) break;
            } catch (Exception e) {
                System.out.println(e);
            }
        }
    }
}

三、程序运行过程分析 
1、spark自检以及Driver和excutor的启动过程 
实例化一个SparkContext(若在spark2.x下，这里初始化的是一个SparkSession对象)，这时候启动SecurityManager线程去检查用户权限，OK之后创建sparkDriver线程，spark底层远程通信模块（akka框架实现）启动并监听sparkDriver,之后由sparkEnv对象来注册BlockManagerMaster线程，由它的实现类对象去监测运行资源 
2、zookeeper与Hbase的自检和启动 
第一步顺利完成之后由sparkContext对象去实例去启动程序访问Hbase的入口，触发之后zookeeper完成自己的一系列自检活动，包括用户权限、操作系统、数据目录等，一切OK之后初始化客户端连接对象，之后由Hbase的ClientCnxn对象来建立与master的完整连接 
3、spark job 的运行 
程序开始调用spark的action类方法，比如这里调用了collect，会触发job的执行，这个流程网上资料很详细，无非就是DAGScheduler搞的一大堆事情，连带着出现一大堆线程，比如TaskSetManager、TaskScheduler等等，最后完成job，返回结果集 
4、结束程序 
正确返回结果集之后，sparkContext利用反射调用stop()方法，这之后也会触发一系列的stop操作，主要线程有这些：BlockManager,ShutdownHookManager,后面还有释放actor的操作等等，最后一切结束，临时数据和目录会被删除，资源会被释放