Apache spark PHOENIX SPARK-加载表作为数据帧

我已经从一个HBase表（PHOENIX）创建了一个数据帧，它有5亿行。从数据框架中，我创建了一个JavaBean的RDD，并使用它与文件中的数据连接

Map<String, String> phoenixInfoMap = new HashMap<String, String>();
phoenixInfoMap.put("table", tableName);
phoenixInfoMap.put("zkUrl", zkURL);
DataFrame df = sqlContext.read().format("org.apache.phoenix.spark").options(phoenixInfoMap).load();
JavaRDD<Row> tableRows = df.toJavaRDD();
JavaPairRDD<String, AccountModel> dbData = tableRows.mapToPair(
new PairFunction<Row, String, String>()
{
    @Override
    public Tuple2<String, String> call(Row row) throws Exception
    {
        return new Tuple2<String, String>(row.getAs("ID"), row.getAs("NAME"));
    }
});

Map phoenixInfoMap=newhashmap（）；
phoenixInfoMap.put（“表”，表名）；
phoenixInfoMap.put（“zkUrl”，zkUrl）；
DataFrame df=sqlContext.read（）.format（“org.apache.phoenix.spark”）.options（phoenixInfoMap.load（）；
JavaRDD tableRows=df.toJavaRDD（）；
javapairrddbdata=tableRows.mapToPair(
新PairFunction（）
{
@凌驾
公共Tuple2调用（行）引发异常
{
返回新的Tuple2（row.getAs（“ID”）、row.getAs（“NAME”）；
}
});

现在我的问题是，假设该文件有200万个与表匹配的唯一条目。是将整个表作为RDD加载到内存中，还是仅将表中匹配的200万条记录作为RDD加载到内存中？

您的语句

DataFrame df = sqlContext.read().format("org.apache.phoenix.spark").options(phoenixInfoMap)
.load();

将整个表加载到内存中。您还没有为phoenix提供任何过滤器，以便将其下推到hbase中，从而减少读取的行数

如果您连接到非HBase数据源（例如平面文件），则首先需要读入HBase表中的所有记录。与辅助数据源不匹配的记录将不会保存在新的数据帧中，但初始读取仍会发生

更新一种可能的方法是预处理文件，即提取您想要的id。将结果存储到新的HBase表中。然后通过Phoenix not Spark直接在HBase中执行连接

这种方法的基本原理是将计算转移到数据中。大部分数据驻留在HBase中，因此将小数据（文件中的id）移动到HBase中

---

我不太熟悉Phoenix，只是它在hbase之上提供了一个sql层。那么它大概能够进行这样的连接并将结果存储在一个单独的HBase表中。。？然后，可以将单独的表加载到Spark中，以便在后续计算中使用。

Thank you@javadba。有没有一种有效的方法来处理这种情况？我只想从HBase table.Hi@Mohan加载文件中的200万个匹配项。请告诉我

DataFrame df=sqlContext.read（）.format（“org.apache.phoenix.spark”）.options（phoenixInfoMap.load（）

方法的构建依赖关系。我也在做同样的事情，但是得到了

java.lang.NoSuchMethodError