Hadoop Spark Streaming-HBase批量加载
我目前正在使用Python将CSV数据批量加载到HBase表中,并且我目前在使用Hadoop Spark Streaming-HBase批量加载,hadoop,hbase,pyspark,Hadoop,Hbase,Pyspark,我目前正在使用Python将CSV数据批量加载到HBase表中,并且我目前在使用saveAsNewAPIHadoopFile 我的代码目前如下所示: def csv_to_key_value(row): cols = row.split(",") result = ((cols[0], [cols[0], "f1", "c1", cols[1]]), (cols[0], [cols[0], "f2", "c2", cols[2]]),
saveAsNewAPIHadoopFile
我的代码目前如下所示:
def csv_to_key_value(row):
cols = row.split(",")
result = ((cols[0], [cols[0], "f1", "c1", cols[1]]),
(cols[0], [cols[0], "f2", "c2", cols[2]]),
(cols[0], [cols[0], "f3", "c3", cols[3]]))
return result
def bulk_load(rdd):
conf = {#Ommitted to simplify}
keyConv = "org.apache.spark.examples.pythonconverters.StringToImmutableBytesWritableConverter"
valueConv = "org.apache.spark.examples.pythonconverters.StringListToPutConverter"
load_rdd = rdd.flatMap(lambda line: line.split("\n"))\
.flatMap(csv_to_key_value)
if not load_rdd.isEmpty():
load_rdd.saveAsNewAPIHadoopFile("file:///tmp/hfiles" + startTime,
"org.apache.hadoop.hbase.mapreduce.HFileOutputFormat2",
conf=conf,
keyConverter=keyConv,
valueConverter=valueConv)
else:
print("Nothing to process")
运行此代码时,出现以下错误:
java.io.IOException:添加了一个在词汇上不大于上一个的键。当前单元格=10/f1:c1/1453891407213/Minimum/vlen=1/seqid=0,lastCell=/f1:c1/1453891407212/Minimum/vlen=1/seqid=0位于org.apache.hadoop.hbase.io.hfile.AbstractHFileWriter.checkKey(AbstractHFileWriter.java:204)
由于错误表明键是问题所在,我从RDD中获取了元素,它们如下所示(为可读性而格式化)
这与我的CSV非常匹配,顺序正确。据我所知,在HBase中,键由{row,family,timestamp}定义。行和族的组合是唯一的,对于我的数据中的所有条目都是单调递增的,我无法控制时间戳(这是我能想象到的唯一问题)
有谁能建议我如何避免/防止这些问题吗?这只是我的一个愚蠢的错误,我觉得有点愚蠢。按字典顺序,顺序应该是1,10,2,3。。。8, 9. 确保装载前正确订购的最简单方法是:
rdd.sortByKey(true);
我希望我至少能挽救一个人的头痛
(u'9', [u'9', 'f1', 'c1', u'I']),
(u'9', [u'9', 'f2', 'c2', u'3C']),
(u'9', [u'9', 'f3', 'c3', u'2']),
(u'10', [u'10', 'f1', 'c1', u'J']),
(u'10', [u'10', 'f2', 'c2', u'1A']),
(u'10', [u'10', 'f3', 'c3', u'1'])]
rdd.sortByKey(true);