Hive数据导入到HBase

Hive数据导入到HBase

1. 背景

1. 作为一个数据处理框架，hive本身并不计算和存储数据，计算引擎一般是mapreduce，tez，spark，数据存储则是在hdfs中，元数据一般在mysql中。
2. hive将数据计算处理之后，如果数据结果需要对外提供并且有秒或亚秒级别的访问速度，并且跟hadoop生态有较好的兼容性，则hbase是一个很好的选择。当然实际上只是数据存储，mysql，elasticsearch，clickhouse都可以胜任亚秒级别的数据访问性能。
3. 当业务需要，将hive数据导入hbase时，一般有2种场景。一种是数据流入hbase，也就是数据来一条，导入一条到hbase；另外一种就是一次性批量导入到habse；
4. 上述2种在实际开发中都有应用，看业务场景不同做选择。
5. hbase本身支持逐条导入，可以使用shell命令，jdbc方式将数据导入；也可以使用bulkload方式，使用shell或者代码方式，直接将数据批量导入。

2. 案例1

1. 使用hive的api，逐条put插入即可

3. 案例2

1. 使用hive自带的工具做buldkload，但对源数据文件格式有要求，必须是csv文件格式。
2. 这样一来，要么先将数据转为这种格式，要么使用案例3的方式，一切自定义控制。
3. 使用hive自带导入hbase工具

• 有一个csv文件
• 生成hfile文件

hadoop jar ${HBASE_HOME}/lib/hbase-mapreduce-2.0.6.jar \
importtsv -Dimporttsv.columns=HBASE_ROW_KEY,f:c1,f:c2 \
-Dimporttsv.bulk.output=hdfs://hfilefile/output   <tablename>  hdfs://input/file/path 

-Dimporttsv.bulk.output=/path/for/output 输出目录
-Dimporttsv.skip.bad.lines=false 是否跳过脏数据行
‘-Dimporttsv.separator=|’ 指定分隔符
-Dimporttsv.timestamp=currentTimeAsLong 是否指定时间戳
-Dimporttsv.mapper.class=my.Mapper 替换默认的Mapper类

4. 将hfile导入hbase

bin/hbase org.apache.hadoop.hbase.tool.LoadIncrementalHFiles  <hdfs://hfilefile/output>  <tablename>

4. 案例3

object ImportSessionAgr2Hbase {
   
   

  def main(args: Array[String]): Unit = {
   
   

    Logger.getLogger("org").setLevel(Level.WARN)

    val spark = SparkSession.builder()
      .appName("hive表 流量会话聚合表 导入  HBASE")
      .master("local")
      .enableHiveSupport()
      .getOrCreate()

    // 用spark去加载hive表
    val agrTable = spark.read.table("dws.app_trf_agr_session").where("dt='2020-10-07'")

    // guid|session_id|start_ts|end_ts|first_page_id|last_page_id|pv_cnt|isnew|hour_itv|country|province|city|region|device_type

    // 整理成hbase的KV结构
    val argTableFlat: RDD[(String, String, String, String)] = agrTable.rdd
      .flatMap(row => {
   
   
        val guid = row.getAs[String]("guid") + ""
        val session_id = row.getAs[String]("session_id") + ""
        val start_ts = row.getAs[Long]("start_ts") + ""
        val