python實現Hbase

1. 下載thrift

　　作用：翻譯python語言為hbase語言的工具

2. 運行時先啟動hbase 再啟動thrift，最后在pycharm中通過happybase包連接hbase

　　在hbase目錄下分別運行下面命令行:

　　start-hbase.sh
　　hbase thrift -p 9090 start

3.hbase操作

1）建立連接

import happybase

connection = happybase.Connection('10.1.13.111')

當connection被創建的時候，默認自動與Hbase建立socket連接的。

若不想自動與Hbase建立socket連接，可以將autoconnect參數設置為False

connection = happybase.Connection('10.1.13.111', autoconnect=False)

然后手動與Hbase建立socket連接

connection.open()

 

（2）連接建立好之后查看可以使用的table

print connection.tables()

 因為還沒有創建table，所以返回結果是 []

 

（3）創建一個table

connection.create_table(
    'my_table',
    {
        'cf1': dict(max_versions=10),
        'cf2': dict(max_versions=1, block_cache_enabled=False),
        'cf3': dict(),  # use defaults
    }
)

此時，我們再通過connection.tables()查看可以使用的table，結果為['my_table']

創建的table即my_table包含3個列族：cf1、cf2、cf3

 

（4）獲取一個table實例

一個table被創建好之后，要想對其進行操作，首先要獲取這個table實例

table = connection.table('my_table')

 

（5）使用table的命名空間

        因為一個Hbase會被多個項目共同使用，所以就會導致table的命名沖突，為了解決這個問題，可以在創建table的時候，手動加上項目的名字作為table名字的前綴，例如myproject_xyz。

        但是這樣做比較麻煩，happybase幫我們做好了工作，我們可以在與Hbase建立連接的時候，通過設置table_prefix參數來實現這個功能

connection = happybase.Connection('10.1.13.111', table_prefix='myproject')

    此時connection.tables()只會返回包含在該命名空間里的tables，且返回的tables的名字會以簡單的形式顯示，即不包含前綴。

 

（6）存儲數據：Hbase里 存儲的數據都是原始的字節字符串

cloth_data = {'cf1:content': u'牛仔褲', 'cf1:price': '299', 'cf1:rating': '98%'}
hat_data = {'cf1:content': u'鴨舌帽', 'cf1:price': '88', 'cf1:rating': '99%'}
shoe_data = {'cf1:content': u'耐克', 'cf1:price': '988', 'cf1:rating': '100%'}
author_data = {'cf2:name': u'LiuLin', 'cf2:date': '2017-03-09'}

table.put(row='www.test1.com', data=cloth_data)
table.put(row='www.test2.com', data=hat_data)
table.put(row='www.test3.com', data=shoe_data)
table.put(row='www.test4.com', data=author_data)

使用put一次只能存儲一行數據

如果row key已經存在，則變成了修改數據

 

（7）更好的存儲數據

table.put()方法會立即給Hbase Thrift server發送一條命令。其實這種方法的效率並不高，我們可以使用更高效的table.batch()方法。

# 使用batch一次插入多行數據
bat = table.batch()
bat.put('www.test5.com', {'cf1:price': 999, 'cf2:title': 'Hello Python', 'cf2:length': 34, 'cf3:code': 'A43'})
bat.put('www.test6.com', {'cf1:content': u'剃須刀', 'cf1:price': 168, 'cf1:rating': '97%'})
bat.put('www.test7.com', {'cf3:function': 'print'})
bat.send()

更有用的方法是使用上下文管理器來管理batch，這樣就不用手動發送數據了，即不再需要bat.send()

# 使用with來管理batch
with table.batch() as bat:
    bat.put('www.test5.com', {'cf1:price': '999', 'cf2:title': 'Hello Python', 'cf2:length': '34', 'cf3:code': 'A43'})
    bat.put('www.test6.com', {'cf1:content': u'剃須刀', 'cf1:price': '168', 'cf1:rating': '97%'})
    bat.put('www.test7.com', {'cf3:function': 'print'})

還可以刪除數據

# 在batch中刪除數據
with table.batch() as bat:
    bat.put('www.test5.com', {'cf1:price': '999', 'cf2:title': 'Hello Python', 'cf2:length': '34', 'cf3:code': 'A43'})
    bat.put('www.test6.com', {'cf1:content': u'剃須刀', 'cf1:price': '168', 'cf1:rating': '97%'})
    bat.put('www.test7.com', {'cf3:function': 'print'})
    bat.delete('www.test1.com')

 batch將數據保存在內存中，知道數據被send，第一種send數據的方法是顯示地發送，即bat.send()，第二種send數據的方法是到達with上下文管理器的結尾自動發送。這樣就存在一個問題，萬一數據量很大，就會占用太多的內存。所以我們在使用table.batch()的時候要通過batch_size參數來設置batch的大小

# 通過batch_size參數來設置batch的大小
with table.batch(batch_size=10) as bat:
    for i in range(16):
        bat.put('www.test{}.com'.format(i), {'cf1:price': '{}'.format(i)})

 

（8）掃描一個table里的數據

# 全局掃描一個table
for key, value in table.scan():
    print key, value

結果如下：

這種全局掃描一個表格其實代價是很大的，尤其是當數據量很大的時候。我們可以通過設置開始的row key 或結束的row key或者同時設置開始和結束的row key來進行局部查詢

# 通過row_start參數來設置開始掃描的row key
for key, value in table.scan(row_start='www.test2.com'):
    print key, value

# 通過row_stop參數來設置結束掃描的row key
for key, value in table.scan(row_stop='www.test3.com'):
    print key, value

# 通過row_start和row_stop參數來設置開始和結束掃描的row key
for key, value in table.scan(row_start='www.test2.com', row_stop='www.test3.com'):
    print key, value

另外，還可以通過設置row key的前綴來進行局部掃描

# 通過row_prefix參數來設置需要掃描的row key
for key, value in table.scan(row_prefix='www.test'):
    print key, value

 

（9）檢索數據

# 檢索一行數據
row = table.row('www.test4.com')
print row

直接返回該row key的值（以字典的形式），結果為：

{'cf2:name': 'LiuLin', 'cf2:date': '2017-03-09'}

# 檢索多行數據
rows = table.rows(['www.test1.com', 'www.test4.com'])
print rows

返回的是一個list，list的一個元素是一個tuple，tuple的第一個元素是row key，第二個元素是row key的值

如果想使檢索多行數據即table.rows()返回的結果是一個字典，可以這樣處理

# 檢索多行數據，返回字典
rows_dict = dict(table.rows(['www.test1.com', 'www.test4.com']))
print rows_dict

如果想使table.rows()返回的結果是一個有序字典，即OrderedDict，可以這樣處理

# 檢索多行數據，返回有序字典
from collection import OrderedDict
rows_ordered_dict = OrderedDict(table.rows(['www.test1.com', 'www.test4.com']))
print rows_ordered_dict

 

（10）更好地檢索數據

# 通過指定列族來檢索數據
row = table.row('www.test1.com', columns=['cf1'])
print row

# 通過指定列族中的列來檢索數據
row = table.row('www.test1.com', columns=['cf1:price', 'cf1:rating'])
print row
print row['cf1:price']

在Hbase里，每一個cell都有一個時間戳timestamp，可以通過時間戳來檢索數據

# 通過指定時間戳來檢索數據，時間戳必須是整數
row = table.row('www.test1.com', timestamp=1489070666)
print row

默認情況下，返回的數據並不會包含時間戳，如果你想獲取時間戳，這樣就可以了

# 在返回的數據里面包含時間戳
row = table.row(row='www.test1.com', columns=['cf1:rating', 'cf1:price'], include_timestamp=True)
print row

對於同一個單元的值，Hbase存儲了多個版本，在創建表的時候可以通過max_versions參數來設置一個列族的最大版本號，如果想檢索某一cell所有的版本，可以這樣

# 檢索某一個cell所有的版本
cells = table.cells(b'www.test1.com', column='cf1:price')
print cells

也可以通過version參數來指定需要檢索的前n個版本，如下

# 通過設置version參數來檢索前n個版本
cells = table.cells(b'www.test1.com', column='cf1:price', versions=3)
print cells

（11）刪除數據

# 刪除一整行數據
table.delete('www.test4.com')

# 刪除一個列族的數據
table.delete('www.test2.com', columns=['cf1'])

# 刪除一個列族中幾個列的數據
table.delete('www.test2.com', columns=['cf1：name', 'cf1:price'])

 

（12）使用連接池

Hbase自帶有線程安全的連接池，踏允許多個線程共享和重用已經打開的連接。這對於多線程的應用是非常有用的。當一個線程申請一個連接，它將獲得一個租賃憑證，在此期間，這個線程單獨享有這個連接。當這個線程使用完該連接之后，它將該連接歸還給連接池以便其他的線程可以使用

# 創建連接，通過參數size來設置連接池中連接的個數
pool = happybase.ConnectionPool(size=3, host='10.1.13.111', table_prefix='myProject')

# 獲取連接
with pool.connection() as connection:
    print connection.tables()