scala - 读取保存在 HBase 列中的 AVRO 结构

Question

我是 Spark 和 HBase 的新手。我正在处理 HBase 表的备份。这些备份位于 S3 存储桶中。我正在使用 newAPIHadoopFile 通过 spark(scala) 阅读它们，如下所示:

conf.set("io.serializations", "org.apache.hadoop.io.serializer.WritableSerialization,org.apache.hadoop.hbase.mapreduce.ResultSerialization")
val data = sc.newAPIHadoopFile(path,classOf[SequenceFileInputFormat[ImmutableBytesWritable, Result]], classOf[ImmutableBytesWritable], classOf[Result], conf)

有问题的表称为 Emps。 Emps 的模式是:

key: empid {COMPRESSION => 'gz' }
  family: data
    dob - date of birth of this employee.
    e_info - avro structure for storing emp info.
    e_dept- avro structure for storing info about dept.

  family: extra - Extra Metadata {NAME => 'extra', BLOOMFILTER => 'ROW', VERSIONS => '1', IN_MEMORY => 'false', KEEP_DELETED_CELLS => 'FALSE', DATA_BLOCK_ENCODING => 'NONE', TTL => 'FOREVER', COMPRESSION => 'SNAPPY', MIN_VERSIONS => '0', BLOCKCACHE => 'true', BLOCKSIZE => '65536', REPLICATION_SCOPE => '0'}
    e_region - emp region
    e_status - some data about his achievements
    .
    .
    some more meta data

该表有一些列中包含简单的字符串数据，还有一些列中包含 AVRO 结构。

我试图直接从 S3 中的 HBase 备份文件中读取这些数据。我不想在我的本地机器上重新创建这个 HBase 表，因为该表非常非常大。

这就是我试图阅读的方式:

data.keys.map{k=>(new String(k.get()))}.take(1)
res1: Array[String] = Array(111111111100011010102462)

data.values.map{ v =>{ for(cell <- v.rawCells()) yield{
                        val family = CellUtil.cloneFamily(cell);
                        val  column = CellUtil.cloneQualifier(cell);
                        val  value = CellUtil.cloneValue(cell);
                            new String(family) +"->"+ new String(column)+ "->"+ new String(value)
                         }
                      }  
}.take(1)
res2: Array[Array[String]] = Array(Array(info->dob->01/01/1996,  info->e_info->?ж�?�ո� ?�� ???̶�?�ո� ?�� ????, info->e_dept->?ж�??�ո� ?̶�??�ո� �ո� ??, extra->e_region-> CA, extra->e_status->, .....))

正如预期的那样，我可以正确地看到简单的字符串数据，但 AVRO 数据是垃圾。

我尝试使用 GenericDatumReader 读取 AVRO 结构:

data.values.map{ v =>{ for(cell <- v.rawCells()) yield{
                        val family = new String(CellUtil.cloneFamily(cell));
                        val  column = new String(CellUtil.cloneQualifier(cell));
                        val  value = CellUtil.cloneValue(cell);
                        if(column=="e_info"){
                          var schema_obj =  new Schema.Parser
                          //schema_e_info contains the AVRO schema for e_info
                          var schema = schema_obj.parse(schema_e_info)
                          var READER2 = new GenericDatumReader[GenericRecord](schema)
                          var datum= READER2.read(null, DecoderFactory.defaultFactory.createBinaryDecoder(value,null))
                          var result=datum.get("type").toString()
                                family +"->"+column+ "->"+ new String(result) + "\n"
                            }
                        else
                           family +"->"+column+ "->"+ new String(value)+"\n"
                        }
                }        

}

但这给了我以下错误:

org.apache.spark.SparkException: Task not serializable
  at org.apache.spark.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:298)
  at org.apache.spark.util.ClosureCleaner$.org$apache$spark$util$ClosureCleaner$$clean(ClosureCleaner.scala:288)
  at org.apache.spark.util.ClosureCleaner$.clean(ClosureCleaner.scala:108)
  at org.apache.spark.SparkContext.clean(SparkContext.scala:2101)
  at org.apache.spark.rdd.RDD$$anonfun$map$1.apply(RDD.scala:370)
  at org.apache.spark.rdd.RDD$$anonfun$map$1.apply(RDD.scala:369)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)
  at org.apache.spark.rdd.RDD.withScope(RDD.scala:362)
  at org.apache.spark.rdd.RDD.map(RDD.scala:369)
  ... 74 elided
Caused by: java.io.NotSerializableException: org.apache.avro.Schema$RecordSchema
Serialization stack:
    - object not serializable (class: org.apache.avro.Schema$RecordSchema, value: .....

所以我想问:

1. 有什么方法可以使不可序列化类 RecordSchema 与 map 函数一起工作？
2. 到目前为止，我的方法是否正确？我很高兴知道处理此类数据的更好方法。
3. 我读到在 Dataframe 中处理它会容易得多。我试图将如此形成的 Hadoop RDD 转换为 Dataframe，但我又在那里盲目地运行。

Answer 1

如异常所述 - 该架构是不可序列化的。你能在映射器函数中初始化它吗？这样它就不需要从驱动程序发送到执行程序。

或者，您也可以创建一个包含模式的 Scala 单例对象。您会在每个执行程序上初始化一个 Scala 单例，因此当您从单例访问任何成员时，它不需要序列化并通过网络发送。这避免了为数据中的每一行重新创建架构的不必要开销。

只是为了检查您是否可以正常读取数据 - 您还可以在执行程序上将其转换为字节数组，在驱动程序上收集它并在驱动程序代码中进行反序列化(解析 AVRO 数据)。但这显然不会扩展，它只是为了确保您的数据看起来不错，并在您编写原型(prototype)代码以提取数据时避免与 spark 相关的并发症。