javaAPI 操作Hbase基础篇

【SpringBoot+HBase 】快速入门 SpringBoot+HBase保姆级入门教程前言一、HBase常用shell命令1.基础命令2. 表的基本操作3.表中数据的增删改查3.1 HBase数据模型3.20.1 Maven依赖 前言 本文是在已经搭建好的hbase数据库基础上进行的JavaAPI开发。HBASE搭建可以参考下面这篇文章,如果在自己电脑上搭建,配置不够用,只搭建一个单节点的hbase也行。 WMware上搭建基于Ubuntu18.04的Zookeeper+Hadoop+HBase集群 本文是一个单节点的hbase,搭建在2核4G的 阅读详情

实体类 (使用了lombok框架)
lombok框架(插件)
该框架会根据注解,生成对应的getter/setter访问器,以及构造方法
注解名 作用
------------------------------------------------------------
@Data 标注在类上,用于生成getter/setter访问器
@NoArgsConstructor 标注在类上,用于生成无参数的构造方法
@AllArgsConstructor 标注在类上,用于生成有参数的构造方法

package TestHbase;
import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor;
@Data
@NoArgsConstructor
@AllArgsConstructor
public class Emp {
    private String rk;
    private int id;
    private String name;
    private int age;
}

基本用法

package TestHbase;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.HColumnDescriptor;
import org.apache.hadoop.hbase.HTableDescriptor;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.util.Bytes;
import org.junit.After;
import org.junit.Before;
import org.junit.Test;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Collections;
import java.util.LinkedList;
import java.util.List;

public class DemoHbase {
	//HBase操作的入口类:Admin
   //HBase在1.x以下的版本的入口类是HBaseAdmin
    //在1.x之后的入口类Admin
    private Admin admin;
    private Connection connection;

    @Before
    public void setUp() throws IOException {
        Configuration configuration = HBaseConfiguration.create();
        connection= ConnectionFactory.createConnection(configuration);
        admin=connection.getAdmin();
    }
    @Test
    public void testEnv(){
        System.out.println("Admin的实例"+admin);
    }
    @Test
    public void createTable(){
        //步骤:
        //①TableName,封装了表名
        TableName tableName = TableName.valueOf("ns:tb_emp");
        //②HTableDescriptor,封装了表的描述
        HTableDescriptor desc =new HTableDescriptor(tableName);
        //③准备HColumnDescriptor,列簇
        HColumnDescriptor family = new HColumnDescriptor("cf");
        //④将列簇添加到表中
        desc.addFamily(family);
        //⑤建表
        try {
            admin.createTable(desc);
            System.out.println("恭喜创建tb_emp表成功");
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
    @Test
    //查看所有表
    public void listAllTables() throws IOException {
        List<TableDescriptor> tableDescriptors = admin.listTableDescriptors();
        for (TableDescriptor td:tableDescriptors){
            //表名
            String tableName = td.getTableName().getNameAsString();
            System.out.println("!!!!!"+tableName);
            ColumnFamilyDescriptor[] columnFamilies = td.getColumnFamilies();
            //每循环一次,分析的是表中当前列簇的信息
            for (ColumnFamilyDescriptor cfd:
                 columnFamilies) {
                //列簇名
                String cfn = cfd.getNameAsString();
                //版本
                int maxVersions = cfd.getMaxVersions();
                int minVersions = cfd.getMinVersions();
                System.out.printf("表名:%s,列族名:%s,maxVersion:%d,minVersion:%d%n",tableName,cfn,maxVersions,minVersions);
            }
        }
    }
    /**
     * 向创建的表中增加记录(相当于在shell中执行put操作,这是一个dml的操作,这个dml或者dql的操作的入口类是HTable) (put)
     */

    public void insertRecordsIntoTable(String tableName, Emp emp) throws IOException {
        Table table = connection.getTable(TableName.valueOf(tableName));
        //封装RowKey
        Put rk=new Put(Bytes.toBytes(emp.getRk()));
//        rk.addColumn(Bytes.toBytes("cf"),Bytes.toBytes("id"),Bytes.toBytes("1"));
        //封装id
        // @param family family name
        // @param qualifier column qualifier
        // @param value column value  ~>若值是整型,需要将其转换成字符串,然后调用.getBytes()
        Put idPut = rk.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("id"), (emp.getId() + "").getBytes());
        //封装name
        Put namePut = rk.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("name"), Bytes.toBytes(emp.getName()));
        //封装age
        Put agePut = rk.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("age"), (emp.getAge() + "").getBytes());
        List<Put> list=new LinkedList<>();
        Collections.addAll(list,rk,idPut,idPut,namePut,agePut);
        try {
            table.put(list);
            System.out.println("恭喜添加纪录成功");
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
    @Test
    //批量插入记录
    public void testInsert() throws IOException {
        String rk="rk00";
        String tableName="ns:tb_emp";
        for (int i = 1; i <101 ; i++) {
            insertRecordsIntoTable(tableName,new Emp("rk00"+i,i, "wb" + i, 19 + i));
        }
    }

    @Test
    //案例4,	查询所有(相当于执行scan命令)
    public void scanAll()throws IOException{
        //步骤:
        //①Scan
        Scan scan=new Scan();
        //②HTable
        HTable table = (HTable) connection.getTable(TableName.valueOf("ns:tb_emp"));
        //③查询HBase表,等价于:hbase shell指令之scan
        ResultScanner scanner = table.getScanner(scan);
        //④分析结果
        List<Emp> emps=new ArrayList<>();
        //每循环一次,取出一条记录,将其封装为Emp类的实例,并添加到容器中
        for (Result result:
             scanner) {
            //行键
            String rk = new String(result.getRow());
            int id = Integer.parseInt(new String(result.getValue(Bytes.toBytes("cf"), Bytes.toBytes("id"))));
            String name = new String(result.getValue(Bytes.toBytes("cf"), Bytes.toBytes("name")));
            int age = Integer.parseInt(new String(result.getValue(Bytes.toBytes("cf"), Bytes.toBytes("age"))));
            emps.add(new Emp(rk,id,name,age));
        }
        for (Emp e:
             emps) {
            System.out.println(e);
        }
    }
    @Test
//通过rowKey查询一条记录
    public void searchRecordByRk()throws  IOException{
        HTable table = (HTable) connection.getTable(TableName.valueOf("ns:tb_emp"));
       Get get=new Get(Bytes.toBytes("rk0099"));
        Result result = table.get(get);
        String rk = new String(result.getRow());
        int id = Integer.parseInt(new String(result.getValue(Bytes.toBytes("cf"), Bytes.toBytes("id"))));
        String name = new String(result.getValue(Bytes.toBytes("cf"), Bytes.toBytes("name")));
        int age = Integer.parseInt(new String(result.getValue(Bytes.toBytes("cf"), Bytes.toBytes("age"))));
        System.out.println(new Emp(rk,id,name,age));
    }
    @Test
    //得到特定单元格的值
    public void serachSpecialRecordByRk()throws  IOException{
        HTable table = (HTable) connection.getTable(TableName.valueOf("ns:tb_emp"));
        Get get=new Get(Bytes.toBytes("rk0099"));
    // get.addColumn(Bytes.toBytes("cf"),Bytes.toBytes("name"));
        Result result = table.get(get);
        System.out.println(new String(result.getValue(Bytes.toBytes("cf"),Bytes.toBytes("name"))));
    }
    @After
    public void releaseResource() throws IOException {
        if (admin!=null){
            admin.close();
        }
        if (connection!=null){
            connection.close();
        }
    }
}

大数据HBase(五):HBase的相关操作JavaAPI方式 全网最详细的大数据HBase文章系列,强烈建议收藏加关注! 新文章都已经列出历史文章目录,帮助大家回顾前面的知识重点。 目录 系列历史文章 前言 HBase的相关操作-JavaAPI方式 一、需求说明 二、准备工作 1、创建IDEA Maven 项目 2、导入相关pom依赖 3、创建包结构和类 系列历史文章 2021年大数据HBase(四):HBase的相关操作-客户端命令式!【建议收藏】 2021年大数据HBase(三):HBase数据模型 2021年大数据HBase(二). 阅读详情

相关推荐

人工势场法三大致命缺陷?我用ROS+Gazebo做了组对比实验

本文通过ROS与Gazebo仿真实验,深入剖析了人工势场法(APF)在机器人路径规划中的三大经典问题:局部最小值、目标不可达和路径震荡。文章不仅复现了这些缺陷,还对比测试了虚拟目标点法、改进斥力场及运动平滑等主流改进方案,为工程选型提供了基于数据的实用建议。

dapp9builder的博客 219

Java 操作HBase

1.创建一个学生信息表,用来存储学生的姓名(姓名作为行键,且假设姓名不会重复)以及考试成绩,其中考试成绩(score)是一个列族,存储了各个科目的考试成绩。HTableDescriptor包含了HBase中的表格的详细信息(例如表中的列族、表的类型、表是否只读、MemoStore的最大空间、Region分裂时机等)管理HBase数据库信息(包括创建、删除表、列出表项、使表有效/无效、添加/删除表的列族成员、检查HBase运行状态等)2.针对表的操作(创建表、删除表、判断表是否存在、使用/禁用表、列出表)

qq_42260493的博客 8482

VASP+Multiwfn+VMD静电势计算与可视化全流程解析

静电势是表征分子与材料表面电荷分布的关键物理量,它通过求解泊松方程,将电子密度与原子核电荷在空间中的贡献结合起来,直观揭示体系的电子富集与缺失区域。这一性质在理解化学反应活性、分子间相互作用(如氢键、卤键)以及材料表面性质方面具有重要价值。在计算材料科学与量子化学领域,基于第一性原理计算获得高精度电子结构数据后,如何将其转化为可直观分析的静电势图,是连接理论计算与物理解释的关键技术环节。本文聚焦于构建一条高效、可控的端到端工作流,详细解析如何利用VASP进行高精度电子密度计算,通过专业波函数分析软件Mult

weixin_33733810的博客 431

使用Java对HBase进行操作(一)

这里不再使用HBase命令行对表进行操作,而是通过Java API接口对HBase进行处理,包括对表的增删改查操作 一、判断表是否存在 设置配置信息 Configuration cfg = HBaseConfiguration.create(); cfg.set("hbase.zookeeper.quorum", "centos01"); cfg.set("hbase.zookeeper.property.clientPort", "2181"); 根据配置信息取得与数据库的连接 Conne...

YKQCC的博客 7223

光猫改桥接后,一根网线搞定IPTV和上网的保姆级教程(附VLAN配置避坑点)

本文详细介绍了光猫改桥接后如何通过单线复用技术实现IPTV和上网功能共存。从VLAN配置原理到具体操作步骤,包括光猫超级管理员权限获取、VLAN绑定设置及路由器IPTV功能配置,提供了全面的保姆级教程。特别针对常见问题如IPTV信号丢失、网速下降等给出了实用解决方案,帮助用户轻松避坑。

weixin_29927965的博客 1792

PX4飞控CAN总线通信深度配置:从menuconfig到驱动加载的完整指南

本文详细解析了PX4飞控中CAN总线通信的深度配置流程,从menuconfig选项设置到驱动加载的完整指南。涵盖硬件抽象层、驱动层和应用层的配置细节,提供实际验证方法和故障排查技巧,帮助开发者高效实现CAN通信,特别适用于无人机和机器人底盘运动控制等场景。

weixin_30374009的博客 501

使用Java操作Hbase

使用Java操作Hbase

qq_57151931的博客 2116

【船舶】风浪流模型水面船舶三自由度运动仿真【含Matlab源码 4379期】

风浪流模型水面船舶三自由度运动仿真 完整的代码,包运行;运行操作视频见优快云资源!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 695

头歌——HBase 开发:使用Java操作HBase

头歌——HBase 开发:使用Java操作HBase

Changersh 1万+

倾斜摄影与地面激光点云融合高精度建模研究

本文研究了倾斜摄影与地面激光点云融合精细化建模技术,并通过相应的源代码实现了建模过程。该方法将倾斜摄影和激光扫描相结合,能够获得高精度的三维建模结果,为相关领域的研究和应用提供了有力支持。近年来,倾斜摄影和激光扫描技术的快速发展为高精度三维建模提供了新的机遇和挑战。本文针对倾斜摄影与地面激光点云融合建模这一前沿领域展开研究,旨在通过相应的源代码实现精细化的建模过程。同时,使用激光扫描仪进行地面激光扫描,获取地面的点云数据。经过数据融合和精细化建模处理后,我们获得了高精度的三维建模结果。

LpmShell的博客 1248

Agisoft Metashape 基于RTK技术的无人机航测免像控技术流程

利用无人机进行航空摄影测量,其使用方便、快速获得成果,已经是测绘行业外业生产的主要方式。RTK定位系统的出现,其厘米级的定位系统,使得航测无人机在作业时,能够准确获取拍照时的GPS位置,能够大量减少像控点,即使不使用像控点也能满足规范对精度的要求。可以有效解决特殊地形(如山川、峡谷、河流、沼泽、水库等)外业人员很难布设像控点的情况。

penglu366366的博客 2189

Java API对HBase中数据库表进行操作

client-facing-thirdparty文件夹下所有,lib页面中文件夹以外所有外部包。

m0_74972727的博客 696

【2025年华为秋招(AI)-11月19日-第一题(100分)- 选择题】(题目+思路+Java&C++&Python解析+在线测试)

本文摘要: 本文包含15道单选题和5道多选题,涵盖机器学习、深度学习、概率统计和数值计算等多个领域。单选题涉及Transformer的Softmax层作用、最小二乘法拟合、概率密度计算、注意力机制、反向传播问题、ROC曲线用途、截断误差来源等知识点。多选题考察大模型训练技术、BERT/GPT比较、强化学习对齐方法、CNN常见层以及PCA特性等内容。题目设计注重理论与实践结合,既包含数学推导,又关注前沿技术应用,全面检验读者对机器学习核心概念的理解能力。正确答案均附有详细解析,帮助理解相关技术原理。

m0_73659489的博客 147

HBase高手之路5—HBase的JavaAPI编程

关闭所有的项目,在Idea的启动页。

W_chuanqi的博客 4005

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Hbase之一月速成:Hbase的JavaAPI操作

HBase+JavaAPI

weixin_46490924的博客 4486

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

HBase的JavaAPI使用--基础篇

        本篇博客小菌为大家带来的是关于HBase的JavaAPI使用。 创建项目,导入pom <repositories> <repository> <id>cloudera</id> <ur...

大数据梦想家 4528

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Maven 构建Java项目 通过JavaApi 操作 Hbase

博客内容在windows环境下使用Maven工具构建Java项目,通过JavaApi操作Hbase构建前提已经搭建好hadoop大数据平台(我的hadoop基本配置为:3台主机,主机名称为master,slave1,slave2)hbase-site.xml配置为: &lt;configuration&gt; &lt;property&gt; &lt;name&gt;hbas...

swnjut的专栏 3208

HBase常用Shell与JavaAPI操作

1、常用shell 名称 命令 创建表 create ‘表名’,‘列簇名1’,‘列簇名2’ 获取数据 get ‘表名’,‘行键’ ,‘列簇名:列名’ 添加数据 put ‘表名’,‘行键’ ,‘列簇名:列名’,‘值’ 查看所有表 list 查看表结构 desc ‘表名’ 删除列 delete ‘表名’, ‘行键’,‘列簇名:列名’ 删除一行数据 delete ‘表名’, ‘行键’ 删除表 drop ‘表名’ 删除表前需禁用表 清空表数据 truncate ‘

m0_51691291的博客 455

Hbase 操作命令

Hbase的操作命令,包括基础命令,数据读取,和API操作

m0_72168501的博客 1万+

Hbase的JavaAPI

Hbase的JavaAPI一、java操作Hbase步骤二、添加依赖三、获取连接四、新增、删除命名空间五、新增表五、修改表六、删除表七、DML操作1、增加一行或多行数据2、删除一行或多行或一个单元格或多个单元格3、获取一行或多行数据或一行的列族或单元格4、获取整张表数据5、利用缓存批量写入6、使用importTsv工具上传数据 一、java操作Hbase步骤 java操作Hbase步骤: 1、添加依赖 2、获取HbaseConfiguration对象 3、设置zookeeper地址 4、获取连接对象 5、

weixin_52189442的博客 1173

Hbase javaAPI基础操作

首先,main函数如下: public static void main(String[] arg) throws Exception { Configuration conf = new Configuration(); //给conf设置地址与操作用户 conf.set("hbase地址","用户名user"); HBas...

人生是一场修行 520

Hbase的javaAPI实现建表、增、删、查等操作

1.建一个maven项目:(在idea中不需要,只需要建一个java项目-&gt;再右键项目-&gt;add framework support-&gt;找到maven勾上) 2.在pom.xml导入: &lt;dependency&gt; &lt;groupId&gt;org.apache.hbase&lt;/groupId&gt; ...

qq_735311015的博客 3271

通过JavaAPI连接并操作HBase

版本信息: Hadoop2.7.7+HBase2.1.3 maven引入相关依赖: <!-- hadoop相关 --> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-hdfs</a...

小夜丶凝眸的博客 2375

HBase之JavaAPI

package com.czxy.demo01; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.hbase.*; import org.apache.hadoop.hbase.client.*; import org.apache.hadoop.hbase.filter.*; import org.ap...

wzc8961661的博客 2199

HBase的JavaAPI使用--进阶篇--过滤器的使用

        本篇博客,小菌为大家带来HBase的进阶使用,关于基础入门操作大家可以去阅览小菌之前的博客《HBase的JavaAPI使用–基础篇》。         在展示代码之前先为大家介绍一下过滤器,同时它也是我们这篇博客介绍的主角。...

大数据梦想家 5193

JavaAPI如何操作HBase完成CRUD

精选30+云产品,助力企业轻松上云!>>> 1.只需...

3918
上一篇: HDFS面试篇2
下一篇: HBase持续学习
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值