使用 HBaseStorage 通过 Dataproc 上的 Pig 从 Bigtable 加载

Question

有没有人有使用 HBaseStorage 在 Dataproc 上通过 Pig 从 Bigtable 加载数据的经验或成功？

这是我正在尝试运行的一个非常简单的 Pig 脚本。它失败并显示一个错误，表明它找不到 BigtableConnection 类，我想知道我可能缺少什么设置才能成功从 Bigtable 加载数据。

raw = LOAD 'hbase://my_hbase_table'
       USING org.apache.pig.backend.hadoop.hbase.HBaseStorage(
       'cf:*', '-minTimestamp 1490104800000 -maxTimestamp 1490105100000 -loadKey true -limit 5')
       AS (key:chararray, data);

DUMP raw;

我设置集群的步骤：

1. 已启动 Bigtable 集群 (my_bt)；创建并填充 my_hbase_table
2. 通过 cloud.google.com Cloud Dataproc 控制台启动了 Dataproc 集群 (my_dp)
3. 按照https://cloud.google.com/bigtable/docs/installing-hbase-shell 上的说明在 Dataproc 主服务器 (/opt/hbase-1.2.1) 上安装了 HBase shell
4. 为 hbase-site.xml 添加了 my_bt 和 BigtableConnection 类的属性
5. 创建的文件t.pig 包含上面列出的内容
6. 通过命令调用 Pig：gcloud beta dataproc jobs submit pig --cluster my_dp --file t.pig --jars /opt/hbase-1.2.1/lib/bigtable/bigtable-hbase-1.2-0.9.5.1.jar
7. 出现以下错误，提示找不到 BigtableConnection 类：

2017-03-21 15:30:48,029 [JobControl] 错误 org.apache.hadoop.hbase.mapreduce.TableInputFormat - java.io.IOException: java.lang.ClassNotFoundException: com.google.cloud.bigtable.hbase1_2 .BigtableConnection

Answer 1

诀窍是让所有依赖项都依赖于 pig 的类路径。使用 Solomon 指向的 jar，我创建了以下 initialization action，它下载了两个 jar，bigtable mapreduce jar 和 netty-tcnative-boringssl，并设置了 pig 类路径。

#!/bin/bash
# Initialization action to set up pig for use with cloud bigtable
mkdir -p /opt/pig/lib/

curl http://repo1.maven.org/maven2/io/netty/netty-tcnative-boringssl-static/1.1.33.Fork19/netty-tcnative-boringssl-static-1.1.33.Fork19.jar \
    -f -o /opt/pig/lib/netty-tcnative-boringssl-static-1.1.33.Fork19.jar

curl http://repo1.maven.org/maven2/com/google/cloud/bigtable/bigtable-hbase-mapreduce/0.9.5.1/bigtable-hbase-mapreduce-0.9.5.1-shaded.jar \
    -f -o /opt/pig/lib/bigtable-hbase-mapreduce-0.9.5.1-shaded.jar

cat >>/etc/pig/conf/pig-env.sh <<EOF
#!/bin/bash

for f in /opt/pig/lib/*.jar; do
  if [ -z "\${PIG_CLASSPATH}" ]; then
    export PIG_CLASSPATH="\${f}"
  else
    export PIG_CLASSPATH="\${PIG_CLASSPATH}:\${f}"
  fi  
done
EOF

然后您可以通过通常的方式传入 bigtable 配置：

• 通过 hbase-site.xml

• 提交作业时指定属性：

  PROPERTIES='hbase.client.connection.impl='
  PROPERTIES+='com.google.cloud.bigtable.hbase1_2.BigtableConnection'
  PROPERTIES+=',google.bigtable.instance.id=MY_INSTANCE'
  PROPERTIES+=',google.bigtable.project.id=MY_PROJECT'
  
  gcloud dataproc jobs submit pig --cluster MY_DATAPROC_CLUSTER \
      --properties="${PROPERTIES}"  \
      -e "f =  LOAD 'hbase://MY_TABLE' 
           USING org.apache.pig.backend.hadoop.hbase.HBaseStorage('cf:*','-loadKey true') 
           AS (key:chararray, data); 
      DUMP f;"