Question

我正在使用Spark并尝试将RDD写入HBase表。

示例代码：

public static void main(String[] args) {
// ... code omitted
    JavaPairRDD<ImmutableBytesWritable, Put> hBasePutsRDD = rdd
            .javaRDD()
            .flatMapToPair(new MyFunction());

    hBasePutsRDD.saveAsNewAPIHadoopDataset(job.getConfiguration());
}

private class MyFunction implements
            PairFlatMapFunction<Row, ImmutableBytesWritable, Put> {

    public Iterable<Tuple2<ImmutableBytesWritable, Put>> call(final Row row) 
            throws Exception {

        List<Tuple2<ImmutableBytesWritable, Put>> puts = new ArrayList<>();
        Put put = new Put(getRowKey(row));
        String value = row.getAs("rddFieldName");

        put.addColumn("CF".getBytes(Charset.forName("UTF-8")), 
                      "COLUMN".getBytes(Charset.forName("UTF-8")),
                      value.getBytes(Charset.forName("UTF-8")));

        return Collections.singletonList(
            new Tuple2<>(new ImmutableBytesWritable(getRowKey(row)), put));
    }
}

如果我手动设置这样的时间戳：

put.addColumn("CF".getBytes(Charset.forName("UTF-8")), 
              "COLUMN".getBytes(Charset.forName("UTF-8")),
              manualTimestamp,
              value.getBytes(Charset.forName("UTF-8")));

一切正常，我在HBase列“COLUMN”中有尽可能多的单元版本，因为RDD中有许多不同的值。

但如果我不这样做，那么只有一个单元版本。

换句话说，如果有多个Put对象具有相同列族和列，不同值和默认时间戳，则只有将插入一个值，另一个将被省略（可能被覆盖）。

在这种情况下，请你帮我理解它的工作原理（特别是 saveAsNewAPIHadoopDataset ）以及如何修改代码以插入值而不是手动设置时间戳。

Answer 1

当您不使用时间戳时，它们会被覆盖。 Hbase需要每个值的唯一键，因此每个值的真正关键是

rowkey + column family + column key + timestamp => value

当您不使用时间戳，并且它们作为批量插入时，其中许多都获得相同的时间戳，因为hbase可以在相同的毫秒内插入多行。因此，您需要为每个相同的列键值设置自定义时间戳。

我不明白为什么你不想使用自定义时间戳，因为你已经说它已经有效了。如果您认为它将在数据库中使用额外的空间，即使您没有使用Put命令，hbase也已经使用了时间戳。因此，当您使用手动时间戳时，没有任何变化，请使用它。

将Spark RDD中的值放入具有默认时间戳的同一HBase列

1 个答案: