云数据库HBase是面向大数据领域的一站式NoSQL服务，适用于GB至PB级的大规模吞吐、检索、分析工作负载，是为淘宝推荐、支付宝账单、花呗风控等众多阿里巴巴核心服务提供支撑的数据库。本文主要介绍如何通过DLA Serverless Spark 对接云数据库HBase标准版2.0版本的HBase SQL服务Phoenix。

前提条件

  • 已开通HBase SQL服务。具体操作请参见HBase SQL(Phoenix) 5.x 使用说明。
  • 已经开通对象存储OSS（Object Storage Service）服务。具体操作请参见开通OSS服务。
  • 准备DLA Spark访问HBase集群SQL服务所需的安全组ID和交换机ID。具体操作请参见配置数据源网络。
  • 前往HBase管理控制台，把要访问的HBase集群VPC网段加入到访问控制白名单中。具体操作请参见设置白名单和安全组。
  • 在HBase SQL服务中已创建表并插入数据。假设本文档创建的表名为us_population。参考命令样例如下：
    #建表语句：
CREATE TABLE IF NOT EXISTS us_population (
state CHAR(2) NOT NULL,
city VARCHAR NOT NULL,
population BIGINT
CONSTRAINT my_pk PRIMARY KEY (state, city));
#插入数据语句：
UPSERT INTO us_population VALUES('NY','New York',8143197);
UPSERT INTO us_population VALUES('CA','Los Angeles',3844829);
UPSERT INTO us_population VALUES('IL','Chicago',2842518);
UPSERT INTO us_population VALUES('TX','Houston',2016582);
UPSERT INTO us_population VALUES('PA','Philadelphia',1463281);
UPSERT INTO us_population VALUES('AZ','Phoenix',1461575);
UPSERT INTO us_population VALUES('TX','San Antonio',1256509);
UPSERT INTO us_population VALUES('CA','San Diego',1255540);
UPSERT INTO us_population VALUES('TX','Dallas',1213825);
UPSERT INTO us_population VALUES('CA','San Jose',912332);

操作步骤

  1. 准备以下测试代码和依赖包来访问HBase SQL，并将此测试代码和依赖包分别编译打包生成jar包上传至您的OSS。
    测试代码示例：
    package com.aliyun.spark

import org.apache.spark.sql.SparkSession

object SparkOnHBase2xForPhoenix {

  def main(args: Array[String]): Unit = {
    //queryServerAddress为HBase集群SQL服务访问地址，格式为：http://xxx:8765
    val queryServerAddress = args(0)
    //Phoenix侧的表名，需要在Phoenix侧提前创建。
    val phoenixTableName = args(1)
    //Spark侧的表名。
    val sparkTableName = args(2)

    val sparkSession = SparkSession
      .builder()
      .appName("scala spark on Phoenix5.x test")
      .getOrCreate()

    //如果存在的话就删除表
    sparkSession.sql(s"drop table if exists $sparkTableName")

    val driver = "org.apache.phoenix.queryserver.client.Driver"
    val url = "jdbc:phoenix:thin:url=" + queryServerAddress + ";serialization=PROTOBUF"
    val createCmd = "CREATE TABLE " +
      sparkTableName +
      " USING org.apache.spark.sql.jdbc\n" +
      "OPTIONS (\n" +
      "  'driver' '" + driver + "',\n" +
      "  'url' '" + url + "',\n" +
      "  'dbtable' '" + phoenixTableName + "',\n" +
      "  'fetchsize' '" + 100 + "'\n" +
      ")"
    println(" createCmd: \n" + createCmd)
    sparkSession.sql(createCmd)
    val querySql = "select * from " + sparkTableName + " limit 1"
    sparkSession.sql(querySql).show
    sparkSession.stop()
  }
}
    HBase SQL依赖的pom文件：
            <dependency>
            <groupId>com.aliyun.phoenix</groupId>
            <artifactId>ali-phoenix-shaded-thin-client</artifactId>
            <version>5.2.2-HBase-2.x-SNAPSHOT</version>
        </dependency>
  2. 登录Data Lake Analytics管理控制台。
  3. 在页面左上角，选择HBase集群HBase SQL服务所在的地域。
  4. 单击左侧导航栏中的Serverless Spark > 作业管理。
  5. 在作业编辑页面，单击创建作业。
  6. 在创建作业模板页面，按照页面提示进行参数配置后，单击确定创建Spark作业。
    3
  7. 单击Spark作业名，在Spark作业编辑框中输入以下作业内容，并按照以下参数说明进行参数值替换。保存并提交Spark作业。
    {
    "args": [
        "http://hb-xxx-proxy-phoenix.hbase.rds.aliyuncs.com:8765",  #HBase SQL服务的客户端访问地址，可以是“负载均衡连接”或者“单点 QueryServer连”。
        "us_population",  #Phoenix的表名。
        "spark_on_hbase2x_phoenix"  #Spark中创建映射Phoenix表的表名。
    ],
    "file": "oss://spark_test/jars/hbase2x/spark-examples-0.0.1-SNAPSHOT.jar",  #测试代码的OSS路径。
    "name": "hbase2x-for-phoenix-test",
    "jars": [
        "oss://spark_test/jars/hbase2x/ali-phoenix-shaded-thin-client-5.2.2-HBase-2.x-SNAPSHOT.jar"  #测试代码依赖包的OSS路径。
    ],
    "className": "com.aliyun.spark.SparkOnHBase2xForPhoenix",
    "conf": {
        "spark.driver.resourceSpec": "small",  #表示driver的规格，有small、medium、large、xlarge之分。
        "spark.executor.instances": 2,  #表示executor的个数。
        "spark.executor.resourceSpec": "small",  #表示executor的规格，有small、medium、large、xlarge之分。
        "spark.dla.eni.enable": "true",  #开启访问用户VPC网络的权限。当您需要访问用户VPC网络内的数据时，需要开启此选项。
        "spark.dla.eni.vswitch.id": "vsw-xxx",  #可访问HBase 的交换机id。
        "spark.dla.eni.security.group.id": "sg-xxx"  #可访问HBase的安全组id。
    }
}

执行结果

作业运行成功后，在任务列表中单击操作 > 日志，查看作业日志。出现如下日志说明作业运行成功：作业日志