Spark On HBase

一.前言

MapReduce早已经对接了HBase，以HBase作为数据源，完成批量数据的读写。如今继MapReduce之后的Spark在大数据领域有着举足轻重的地位，无论跑批，流处理，甚至图计算等都有它的用武之地。Spark对接HBase成为不少用户的需求。

二.Spark On HBase

1.可以解决的问题

Spark和HBase无缝对接意味着我们不再需要关心安全和RDD与HBase交互的细节。更方便应用Spark带来的批处理，流处理等能力。比如以下常见的应用场景：

以HBase作为存储，通过Spark对流式数据处理。

以HBase作为存储，完成大规模的图或者DAG的计算。

通过Spark对HBase做BulkLoad操作

同Spark SQL对HBase数据做交互式分析

2.社区相关的工作

目前已经有多种Spark对接HBase的实现，这里我们选取三个有代表的工作进行分析：

2.1 华为: Spark-SQL-on-HBase

特点：

扩展了Spark SQL的parse功能来对接HBase。通过coprocessor和自定义filter来提升读写性能。

优点：

扩展了对应的cli功能，支持Scala shell和Python shell

多种性能优化方式，甚至支持sub plan到coprocessor实现partial aggregation.

支持Java和Python API

支持row key组合

支持常用DDL和DML（包括bulkload，但不支持update）

缺点：

不支持支持基于时间戳和版本的查询

不支持安全

row key支持原始类型或者String，不支持复杂数据类型

使用示例：

在HBase中创建表，并写入数据

使用Spark SQL创建表并与HBase表建立映射

查询

2.2 Hortonworks: Apache HBase Connector

特点：

以简单的方式实现了标准的Spark Datasource API，使用Spark Catalyst引擎做查询优化。同时通过scratch来构建RDD，也实现了许多常见的查询优化。

优点：

native avro支持

谓词下推和分区裁剪

支持row key组合

支持安全

缺点：

SQL语法不够丰富，只支持spark sql原有的语法

只支持java原始类型

不支持多语言API

使用示例：

定义 HBase Catalog

使用SQL查询

2.3 Cloudrea: SparkOnHBase

特点：

通过简单的接口实现链接Spark与HBase， 支持常用的bulk读写。架构图如下：

优点

支持安全

通过get或者scan直接生成rdd， 并可以使用API完成更高级的功能

支持组合rowkey

支持多种bulk操作

为spark和 spark streaming提供相似的API

支持谓词下推优化

缺点

不支持复杂数据类型

SQL只支持spark sql原有的语法

使用示例

直接使用scan创建一个RDD

创建一个RDD并把RDD的内容写入HBase

2.4 综合对比

3. 最后

社区中有不少Spark on HBase的工作，出发点都是为了提供更易用，更高效的接口。其中Cloudrea的SparkOnHbase更加灵活简单，在2015年8月被提交到HBase的主干(trunk)上，模块名为HBase-Spark Module，目前准备在HBASE 2.0 正式Release, 相信这个特性一定是HBase新版本的一个亮点。 于此同时云HBase也会与社区同步发展，使用包括但不限于Spark On HBase的新特性，届时欢迎大家尝鲜。如若文章中有不准确的描述，请多多指正，谢谢！

4. 参考

https://hortonworks.com/blog/spark-hbase-dataframe-based-hbase-connector/

http://blog.cloudera.com/blog/2014/12/new-in-cloudera-labs-sparkonhbase/

https://issues.apache.org/jira/browse/HBASE-13992

http://blog.madhukaraphatak.com/introduction-to-spark-two-part-6/

https://jaceklaskowski.gitbooks.io/mastering-apache-spark/spark-sql-catalyst.htmlh

大家工作学习遇到HBase技术问题，把问题发布到HBase技术社区论坛http://hbase.group，欢迎大家论坛上面提问留言讨论。想了解更多HBase技术关注HBase技术社区公众号(微信号:hbasegroup)，非常欢迎大家积极投稿。