使用PySpark写入HBase表时出错

时间:2017-10-25 04:46:32

标签: apache-spark pyspark apache-spark-sql spark-dataframe pyspark-sql

我正在尝试使用pySpark写入hbase表。到目前为止,我能够从hbase读取数据。但在写入hbase表时会出现异常。

from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.sql.types import *

properties = {
  "instanceId" : "hbase",
  "zookeepers" : "10-x-x-x.local:2181,10-x-x-x.local:2181,10-x-x-x.local:2181",
  "hbase.columns.mapping" : "KEY_FIELD STRING :key, A STRING c:a, B STRING c:b",
  "hbase.use.hbase.context" : False,
  "hbase.config.resources" : "file:///etc/hbase/conf/hbase-site.xml",
  "hbase.table"  : "t"
}
spark = SparkSession\
        .builder\
        .appName("hbaseWrite")\
        .getOrCreate()

sc = spark.sparkContext

#I am able to read the data successfully.
#df = spark.read.format("org.apache.hadoop.hbase.spark")\
#    .options( **properties)\
#    .load()

data = [("3","DATA 3 A", "DATA 3 B")]
columns = ['KEY_FIELD','A','B']
cSchema = StructType([StructField(columnName, StringType()) for columnName in columns])
df = spark.createDataFrame(data, schema=cSchema)
df.write\
      .options( **properties)\
      .mode('overwrite').format("org.apache.hadoop.hbase.spark").save()

按以下格式执行命令:

spark2-submit --master local[*] write_to_hbase.py

Spark版本:2.2.0.cloudera1(我无法改变我的火花版本) HBase版本:1.2.0-cdh5.12.0(但我可以更改我的HBase版本)

注意:我已将hbase jar添加到spark2 jar文件夹中,并已将以下相关jar添加到spark2 jar文件夹中。

  1. spark-core_2.11-1.6.1.jar
  2. HTRACE核-3.1.0-incubating.jar
  3. 阶库-2.9.1.jar
  4. 错误:

    py4j.protocol.Py4JJavaError: An error occurred while calling o70.save.
    : java.lang.RuntimeException: org.apache.hadoop.hbase.spark.DefaultSource does not allow create table as select.
            at scala.sys.package$.error(package.scala:27)
            at org.apache.spark.sql.execution.datasources.DataSource.write(DataSource.scala:476)
    

    我尝试了多项建议,但没有任何效果。这可能是一个重复的问题,但我没有其他选择来找到答案。

2 个答案:

答案 0 :(得分:2)

如果您使用的是Cloudera distribution,那么Hard Luck没有正式的方法可以使用HBASE写信给PYSAPRK。这已由Cloudera support Team确认。

但如果您使用的是Hortonworks,如果您使用的是spark 2.0,那么以下链接应该可以让您开始使用。

Pyspark to Hbase write

答案 1 :(得分:0)

通过编译git repo https://github.com/hortonworks-spark/shc解决它并将shc jar放入spark jar文件夹中。并遵循@Aniket Kulkarni提出的link建议

最终代码看起来像这样,

from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.sql.types import *

properties = {
  "instanceId" : "hbase",
  "zookeepers" : "10-x-x-x.local:2181,10-x-x-x.local:2181,10-x-x-x.local:2181",
  "hbase.columns.mapping" : "KEY_FIELD STRING :key, A STRING c:a, B STRING c:b",
  "hbase.use.hbase.context" : False,
  "hbase.config.resources" : "file:///etc/hbase/conf/hbase-site.xml",
  "hbase.table"  : "test_table"
}
spark = SparkSession.builder\
        .appName("hbaseWrite")\
        .getOrCreate()

sc = spark.sparkContext
catalog = ''.join("""{
    "table":{"namespace":"default", "name":"test_table"}
    "rowkey":"key",
    "columns":{
        "KEY_FIELD":{"cf":"rowkey", "col":"key", "type":"string"},
        "A":{"cf":"c", "col":"a", "type":"string"},
        "B":{"cf":"c", "col":"b", "type":"string"}
    }
}""".split())


data = [("3","DATA 3 A", "DATA 3 B")]
columns = ['KEY_FIELD','A','B']
cSchema = StructType([StructField(columnName, StringType()) for columnName in columns])
df = spark.createDataFrame(data, schema=cSchema)
df.write\
      .options(catalog=catalog)\
      .options( **properties)\
      .mode('overwrite').format("org.apache.spark.sql.execution.datasources.hbase").save()