通过Spark写入HBase：任务不可序列化

Question

我尝试使用Spark 1.0在HBase（0.96.0-hadoop2）中编写一些简单数据，但我不断遇到序列化问题。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

用地图替换foreach并没有崩溃，但我也没有写。 任何帮助将不胜感激。

Answer 1

类HBaseConfiguration表示与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，有三种方法可以解决这个问题：

在每个工作节点上打开连接。

请注意使用foreachPartition方法：

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，每个工作节点必须能够访问HBase服务器，并且必须预先安装或通过ADD_JARS提供所需的jar。

另请注意，由于为每个分区打开了连接池，因此最好将分区数大致减少到工作节点数（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。

将所有数据序列化为单个框并将其写入HBase

即使数据不适合内存，也可以使用单台计算机从RDD写入所有数据。详细信息在以下答案中进行了解释：Spark: Best practice for retrieving big data from RDD to local machine

当然，它会比分布式写入慢，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，可能是最好的方法。

使用HadoopOutputFormat

可以为HBase创建自定义HadoopOutputFormat或使用现有的HadoopOutputFormat。我不确定是否存在符合您需求的内容，但Google应该在此提供帮助。

P.S。顺便说一句，map调用没有崩溃，因为它没有得到评估：在你调用带副作用的函数之前，不会评估RDD。例如，如果您调用theData.map(....).persist，它也会崩溃。