Apache Spark集成

最新推荐文章于 2024-10-12 13:17:25 发布

原创最新推荐文章于 2024-10-12 13:17:25 发布 · 236 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍如何使用Apache Spark与Elasticsearch进行数据交互，包括写入和读取数据的具体步骤及代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Apache Spark集成

本文档在ES与 Hadoop集群安装成功条件下，参照：

https://www.elastic.co/guide/en/elasticsearch/hadoop/master/spark.html

版本信息：
HDP version : HDP-2.6.1.0

ES version : 5.6.0

Spark version : 2.2.0

maven version:3.5

Scala version 2.10.6

1. write data to elasticsearch

1.1. 方式一步骤解析

RDD先定义Map/JavaBean/Scala case class将其内容翻译成文件，利用elasticsearch Hadoop将保存到Elasticsearch中
在Scala中只需要以下几步：

1.Spark Scala imports

2.Elasticsearch-hadoop Scala imports

3.Start Spark through its Scala API

4.makeRDD

5.index content(内容索引) index ES under spark/docs

1.2. 代码如下：

import org.apache.spark.{SparkConf, SparkContext}
import org.elasticsearch.spark.rdd.EsSpark

/**
  * Created by hand on 2018/1/9.
  */
object Es_spark {
  def main(args: Array[String]): Unit = {

    case class Job(jobName: String, jobUrl: String, companyName: String, salary: String)
    var conf = new SparkConf()
    conf.setAppName("S2EExample")
    conf.setMaster("local[*]")
    conf.set("es.index.auto.create", "true")
    conf.set("es.nodes", "hdfs01.edcs.org:9200")
    val sc = new SparkContext(conf)

    val job1 = Job("C开发工程师", "http://job.c.com", "c公司", "10000")
    val job2 = Job("C++开发工程师", "http://job.c++.com", "c++公司", "10000")
    val job3 = Job("C#开发工程师", "http://job.c#.com", "c#公司", "10000")
    val job4 = Job("Java开发工程师", "http://job.java.com", "java公司", "10000")
    val job5 = Job("Scala开发工程师", "http://job.scala.com", "java公司", "10000")

    val rdd = sc.makeRDD(Seq(job1, job2, job3, job4, job5))
    EsSpark.saveToEs(rdd, "data/job01")

  }
}

1.3. 方式二步骤解析：

Scala用户可能会使用SEQ和→符号声明根对象（即JSON文件）而不是使用Map。而类似的，第一个符号的结果略有不同，不能相匹配的一个JSON文件：序列是一阶序列（换句话说，一个列表），←会创建一个Tuple(元组)，或多或少是一个有序的，元素的定数。例如，一个列表的列表不能作为一个文件，因为它不能被映射到一个JSON对象；但是它可以在一个自由的使用。因此在上面的例子Map（K→V）代替SEQ（K→V）
作为一种替代上面的隐式导入，elasticsearch-hadoop支持spark的Scala用户通过org.elasticsearch.spark.rdd包作为实用类允许显式方法调用EsSpark。

步骤如下：

1.Spark Scala imports

2.Elasticsearch-hadoop Scala imports

3.Define a case class named Trip

4.Create an RDD around the Trip instances

5.Index the RDD explicitly through EsSpark

对于指定documents的id(或者其他类似于TTL或时间戳的元数据),可以设置名字为es.mapping.id的映射。下面以前的实例，Elasticsearch利用filed的id作为documents的id.更新RDD的配置configuration(也可以在SparkConf上设置全局的属性，不建议这样做)

注意：设置es.mapping.id属性，参数不可以设置包含”_id”（与ES中数据默认字段冲突）

1.4. 代码如下：

import org.apache.spark.{SparkConf, SparkContext}
import org.elasticsearch.spark.rdd.EsSpark

/**
  * Created by hand on 2018/1/9.
  */
object Es_spark {
  def main(args: Array[String]): Unit = {

    case class Trip(jobName: String, jobUrl: String, companyName: String, salary: String)
    var conf = new SparkConf()
    conf.setAppName("S2EExample")
    conf.setMaster("local[*]")
    conf.set("es.index.auto.create", "true")
    conf.set("es.nodes", "hdfs01.edcs.org:9200")
    val sc = new SparkContext(conf)

    val trip1 = Trip("C开发工程师", "http://job.c.com", "c公司", "10000")
    val trip2 = Trip("C++开发工程师", "http://job.c++.com", "c++公司", "10000")
    val trip3 = Trip("C#开发工程师", "http://job.c#.com", "c#公司", "10000")
    val trip4 = Trip("Java开发工程师", "http://job.java.com", "java公司", "10000")
    val trip5 = Trip("Scala开发工程师", "http://job.scala.com", "java公司", "10000")

    val rdd = sc.makeRDD(Seq(trip1, trip2, trip3, trip4, trip5))
    EsSpark.saveToEs(rdd, "data/job01")

  }
}