当使用 hbase 作为数据源时，Spark 是否利用 hbase 键的排序顺序

Question

我将time-series数据存储在HBase中。rowkey 由 user_id 和 timestamp 组成，如下所示：

{
    "userid1-1428364800" : {
        "columnFamily1" : {
            "val" : "1"
            }
        }
    }
    "userid1-1428364803" : {
        "columnFamily1" : {
            "val" : "2"
            }
        }
    }
    "userid2-1428364812" : {
        "columnFamily1" : {
            "val" : "abc"
            }
        }
    }
}

现在，我需要执行每用户分析。这是hbase_rdd的初始化(从这里开始(

sc = SparkContext(appName="HBaseInputFormat")
conf = {"hbase.zookeeper.quorum": host, "hbase.mapreduce.inputtable": table}
keyConv = "org.apache.spark.examples.pythonconverters.ImmutableBytesWritableToStringConverter"
valueConv = "org.apache.spark.examples.pythonconverters.HBaseResultToStringConverter"
hbase_rdd = sc.newAPIHadoopRDD(
        "org.apache.hadoop.hbase.mapreduce.TableInputFormat",
        "org.apache.hadoop.hbase.io.ImmutableBytesWritable",
        "org.apache.hadoop.hbase.client.Result",
        keyConverter=keyConv,
        valueConverter=valueConv,
        conf=conf)

自然的mapreduce式处理方式是：

hbase_rdd
   .map(lambda row: (row[0].split('-')[0], (row[0].split('-')[1], row[1])))  # shift timestamp from key to value
   .groupByKey()
   .map(processUserData)  # process user's data

在执行第一个映射(将时间戳从键移动到值(时，了解当前用户的时间序列数据何时完成至关重要，因此可以启动 groupByKey 转换。因此，我们不需要映射所有表并存储所有临时数据。这是可能的，因为 hbase 按排序顺序存储行键。

使用Hadoop流，可以通过以下方式完成：

import sys
current_user_data = []
last_userid = None
for line in sys.stdin:
    k, v = line.split('t')
    userid, timestamp = k.split('-')
    if userid != last_userid and current_user_data:
        print processUserData(last_userid, current_user_data)
        last_userid = userid
        current_user_data = [(timestamp, v)]
    else:
        current_user_data.append((timestamp, v))

问题是：如何在Spark中利用hbase键的排序顺序？

Answer 1

我不太熟悉从 HBase 中提取数据的方式所获得的保证，但如果我理解正确，我可以用普通的旧 Spark 回答。

你有一些RDD[X]. 据Spark所知，该RDD中的X是完全无序的。 但是您有一些外部知识，您可以保证数据实际上是按某个X字段分组的(甚至可能按另一个字段排序(。

在这种情况下，您可以使用mapPartitions执行与Hadoop流几乎相同的操作。 这使您可以遍历一个分区中的所有记录，因此您可以查找具有相同键的记录块。

val myRDD: RDD[X] = ...
val groupedData: RDD[Seq[X]] = myRdd.mapPartitions { itr =>
  var currentUserData = new scala.collection.mutable.ArrayBuffer[X]()
  var currentUser: X = null
  //itr is an iterator over *all* the records in one partition
  itr.flatMap { x => 
    if (currentUser != null && x.userId == currentUser.userId) {
      // same user as before -- add the data to our list
      currentUserData += x
      None
    } else {
      // its a new user -- return all the data for the old user, and make
      // another buffer for the new user
      val userDataGrouped = currentUserData
      currentUserData = new scala.collection.mutable.ArrayBuffer[X]()
      currentUserData += x
      currentUser = x
      Some(userDataGrouped)
    }
  }
}
// now groupedRDD has all the data for one user grouped together, and we didn't
// need to do an expensive shuffle.  Also, the above transformation is lazy, so
// we don't necessarily even store all that data in memory -- we could still
// do more filtering on the fly, eg:
val usersWithLotsOfData = groupedRDD.filter{ userData => userData.size > 10 }

我知道你想使用 python - 对不起，我想如果我用 Scala 编写，我更有可能得到正确的示例。 我认为类型注释使含义更清晰，但这可能是 Scala 偏见...... :)。 无论如何，希望您能理解正在发生的事情并翻译它。 (不要太担心flatMap&Some&None，如果你理解这个想法，可能并不重要......