关于spark读取elasticsearch中数据,但是无法实现过滤数据的问题

本文探讨了Spark在读取Elasticsearch数据时遇到的问题:特定条件下数据被错误地过滤掉。通过对比不同读取方式的效果,发现指定Type能有效解决此问题。

最近出现了一个问题,就是spark读取elasticsearch中的数据的时候,明明elasticsearch中有数据,但是spark读取数据,然后进行过滤的时候会把相关的数据都给过滤掉了,

找来找去是因为写index的时候出现的问题

当我使用这种方式读取es中的数据的时候,会出现的问题是

sc.esRDD("logstash-2016.11.24").values

这样读取的数据我使用filter过滤的时候没有任何的效果,都会过滤掉,但是

sc.esRDD("logstash-2016.11.24/syslog").values

写上Type的时候,情况发生了改变,它过滤出来了我想要的数据,

这是为毛呢?因为我从开始用的时候就是以index来过滤的,没有写type,也可以,但是现在不行了


我又进行了测试,数据如下但是我按照原来的方式进行读取过滤的时候却可以正常进行过滤,这是为毛,不知道了


又要重新修改程序,麻烦啊

### 回答1: 使用Spark Streaming可以实时读取HDFS数据,并将其写入Elasticsearch中。 具体步骤如下: 1. 创建Spark Streaming应用程序,并设置批处理间隔时间。 2. 创建一个DStream,从HDFS读取数据。 3. 对DStream进行处理,例如过滤、转换等操作。 4. 将处理后的数据写入Elasticsearch中。 代码示例: ```python from pyspark import SparkContext from pyspark.streaming import StreamingContext from pyspark.streaming.kafka import KafkaUtils from elasticsearch import Elasticsearch # 创建SparkContext和StreamingContext sc = SparkContext(appName="HDFS to Elasticsearch") ssc = StreamingContext(sc, 10) # 从HDFS读取数据 lines = ssc.textFileStream("hdfs://localhost:900/data") # 对数据进行处理 words = lines.flatMap(lambda line: line.split(" ")) filtered_words = words.filter(lambda word: len(word) > 3) # 将数据写入Elasticsearch es = Elasticsearch() def send_to_es(rdd): for record in rdd.collect(): es.index(index="myindex", doc_type="mytype", body=record) filtered_words.foreachRDD(send_to_es) # 启动StreamingContext ssc.start() ssc.awaitTermination() ``` 这段代码从HDFS读取数据,对数据进行过滤,然后将处理后的数据写入Elasticsearch中。其中,send_to_es函数用于将RDD中的数据写入Elasticsearch。在实际使用中,需要根据具体的需求进行修改。 ### 回答2: Spark Streaming是Apache Spark生态系统中的一种强大的流处理框架。它提供了实时流数据处理的能力,并且可以无缝地与Hadoop生态系统集成。同时,Elasticsearch是一种分布式搜索引擎,它能够快速准确地处理大规模文本数据。 使用Spark Streaming实时读取HDFS数据并将其写入Elasticsearch中,可以实现数据的实时处理和导入到搜索引擎进行快速准确的查询和分析。具体实现步骤如下: 1. 创建一个Spark Streaming应用程序,并定义接收数据的源。在本例中,可以使用Hadoop FileSystem API来读取HDFS文件系统中特定路径下的文件。 2. 将Spark Streaming应用程序与Elasticsearch连接。这可以通过使用Elasticsearch-Hadoop库来实现。这个库提供了一些Spark RDD的API,可以让你从Spark RDD导入数据Elasticsearch中。 3. 实现对于数据的转换,以便可以将数据写入到Elasticsearch中。这个过程可能需要一些数据清洗和转换。在本例中,可以使用Spark SQL来处理数据的转换。 4. 实现数据的写入到Elasticsearch中。在这个过程中,可以使用Hadoop API从Spark上下文中读取数据,并将其写入到Elasticsearch中。可以将数据写入到一个新的Elasticsearch索引或直接添加到现有的索引中。 5. 启动Spark Streaming应用程序,并监视其处理实时流数据和写入Elasticsearch的性能和表现。 总的来说,用Spark Streaming实时读取HDFS数据并写入Elasticsearch中是一种非常有效的处理流数据的方式。这种方法需要一定的技术知识和经验,但可以为企业和组织提供实时数据处理和搜索分析的能力,从而做出更明智的业务决策。 ### 回答3: Spark Streaming是通过流形式处理数据的一种框架,在不断增长的数据中,它可以实时读取数据,同时进行实时分析和存储。HDFS是一个基于Hadoop的分布式文件系统,用于存储和处理大量数据Elasticsearch是一个实时分布式搜索与分析引擎,它可以快速处理大量数据。 我们可以通过使用Spark Streaming来实时读取HDFS数据并将其写入Elasticsearch中。这个过程可以分为以下步骤: 1.创建Spark Streaming对象 在程序开始之前,需要定义一个Spark Streaming对象,它由StreamingContext来创建,通过指定时间间隔(batch interval)来控制进行实时处理的数据块大小。这里我们根据需求设置数据块大小为1秒,创建一个StreamingContext对象: val conf= new SparkConf() val ssc = new StreamingContext(conf, Seconds(1)) 2. 读取HDFS数据 通过Spark的FileInputDStream对象传递数据从HDFS中读取数据, 我们通过DStream对象来表示一连串的RDDs,从而使数据可以在流处理中被处理。例子中是读取Hadoop文件系统当中的某个文件夹 hdfs://localhost:9000/data val inputRDD = ssc.fileStream[LongWritable, Text, TextInputFormat](“hdfs://localhost:9000/data") 3. 对数据进行实时处理 我们需要继续对数据进行处理,以便将数据传递到Elasticsearch中,这里开发者可以根据自己的需求定义数据处理的逻辑。处理完后,我们需要将数据打包成Elasticsearch所接受的JSON格式,例如: input.flatMap(x ⇒ x._2.toString.split(”\n”)).map(callYourProcessingLogicFunction).map(toJson).saveJsonToEs(“index/type”); 4. 将处理好的数据写入Elasticsearch 通过SparkElasticsearch的支持,可以利用DStream类中的foreachRDD方法将数据写入到Elasticsearch中。以下为代码示例: input.foreachRDD((rdd,time) => rdd.saveToEs(“index/type”) ) 这就是使用Spark Streaming实时读取HDFS数据并将其写入Elasticsearch中的过程。需要注意的是,我们在处理大规模数据时,一定要注意数据的处理速度,否则我们将无法及时,准确地完成相关的处理。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值