Spark同步HBase数据到CarbonData开发思路

场景说明

数据实时写入HBase，用于点查业务，数据每隔一段时间批量同步到CarbonData表中，用于分析型查询业务。

数据规划

运行样例程序前，需要在Spark客户端的“spark-defaults.conf”配置文件中将配置项“spark.yarn.security.credentials.hbase.enabled”设置为“true”（该参数值默认为“false”，改为“true”后对已有业务没有影响。如果要卸载HBase服务，卸载前请将此参数值改回“false”）。

1. 创建HBase表，构造数据，列需要包含key，modify_time，valid。其中每条数据key值全表唯一，modify_time代表修改时间，valid代表是否为有效数据（该样例中'1'为有效，'0'为无效数据）。

   示例：进入hbase shell，执行如下命令：

   create 'hbase_table','key','info'

   put 'hbase_table','1','info:modify_time','2019-11-22 23:28:39'

   put 'hbase_table','1','info:valid','1'

   put 'hbase_table','2','info:modify_time','2019-11-22 23:28:39'

   put 'hbase_table','2','info:valid','1'

   put 'hbase_table','3','info:modify_time','2019-11-22 23:28:39'

   put 'hbase_table','3','info:valid','0'

   put 'hbase_table','4','info:modify_time','2019-11-22 23:28:39'

   put 'hbase_table','4','info:valid','1'

   

   上述数据的modify_time列可设置为当前时间之前的值。

   put 'hbase_table','5','info:modify_time','2021-03-03 15:20:39'

   put 'hbase_table','5','info:valid','1'

   put 'hbase_table','6','info:modify_time','2021-03-03 15:20:39'

   put 'hbase_table','6','info:valid','1'

   put 'hbase_table','7','info:modify_time','2021-03-03 15:20:39'

   put 'hbase_table','7','info:valid','0'

   put 'hbase_table','8','info:modify_time','2021-03-03 15:20:39'

   put 'hbase_table','8','info:valid','1'

   put 'hbase_table','4','info:valid','0'

   put 'hbase_table','4','info:modify_time','2021-03-03 15:20:39'

   

   上述数据的modify_time列可设置为样例程序启动后30分钟内的时间值（此处的30分钟为样例程序默认的同步间隔时间，可修改）。

   put 'hbase_table','9','info:modify_time','2021-03-03 15:32:39'

   put 'hbase_table','9','info:valid','1'

   put 'hbase_table','10','info:modify_time','2021-03-03 15:32:39'

   put 'hbase_table','10','info:valid','1'

   put 'hbase_table','11','info:modify_time','2021-03-03 15:32:39'

   put 'hbase_table','11','info:valid','0'

   put 'hbase_table','12','info:modify_time','2021-03-03 15:32:39'

   put 'hbase_table','12','info:valid','1'

   

   上述数据的modify_time列可设置为样例程序启动后30分钟到60分钟内的时间值，即第二次同步周期。

2. 在sparksql中创建HBase的hive外表，命令如下：

   create table external_hbase_table(key string ,modify_time STRING, valid STRING)

   using org.apache.spark.sql.hbase.HBaseSource

   options(hbaseTableName "hbase_table", keyCols "key", colsMapping "modify_time=info.modify_time,valid=info.valid");

3. 在sparksql中创建CarbonData表：

   create table carbon01(key string,modify_time STRING, valid STRING) stored as carbondata;

4. 初始化加载当前hbase表中所有数据到CarbonData表；

   insert into table carbon01 select * from external_hbase_table where valid='1';

5. 用spark-submit提交命令：

   spark-submit --master yarn --deploy-mode client --class com.huawei.bigdata.spark.examples.HBaseExternalHivetoCarbon /opt/example/HBaseExternalHivetoCarbon-1.0.jar