使用 HBaseStorage 通过 Pig on Dataproc 从 Bigtable 加载

Question

是否有人有使用 HBaseStorage 通过 Pig on Dataproc 从 Bigtable 加载数据的经验或成功？

这是我正在尝试的一个非常简单的 Pig 脚本运行。它失败并出现错误，表明它找不到 BigtableConnection class，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：

推出 Bigtable 集群 (my_bt)；创建并填充 my_hbase_table
通过 cloud.google.com Cloud Dataproc 控制台
已按照 https://cloud.google.com/bigtable/docs/installing-hbase-shell
为 my_bt 和 BigtableConnection class

hbase-site.xml

已创建文件t.pig，内容如上
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
收到以下错误指示未找到 BigtableConnection class：

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

诀窍是让所有依赖于 pig 的类路径。使用 Solomon 指向的 jar，我创建了以下 initialization action 下载两个 jar，bigtable mapreduce jar 和 netty-tcnative-boringssl，并设置 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

然后您可以按照通常的方式传入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;"

使用 HBaseStorage 通过 Pig on Dataproc 从 Bigtable 加载

Use HBaseStorage to load from Bigtable via Pig on Dataproc

bigtable

apache-pig

hbasestorage

google-cloud-bigtable

google-cloud-dataproc