本文将详细介绍利用 ES-Hadoop 将 Spark 处理的数据写入到 ES 中。
一、开发环境
1、组件版本
- CDH 集群版本:6.0.1
- Spark 版本:2.2.0
- Kafka 版本:1.0.1
- ES 版本:6.5.1
2、Maven 依赖
<dependency><groupId>org.scala-langgroupId><artifactId>scala-libraryartifactId><version>2.11.8version>
dependency>
<dependency><groupId>org.apache.sparkgroupId><artifactId>spark-core_2.11artifactId><version>2.2.0version>
dependency>
<dependency><groupId>org.apache.sparkgroupId><artifactId>spark-streaming_2.11artifactId><version>2.2.0version>
dependency>
<dependency><groupId>org.apache.sparkgroupId><artifactId>spark-streaming-kafka-0-10_2.11artifactId><version>2.2.0version>
dependency>
<dependency><groupId>org.apache.zookeepergroupId><artifactId>zookeeperartifactId><version>3.4.5-cdh6.0.1version>
dependency>
<dependency><groupId>org.elasticsearchgroupId><artifactId>elasticsearch-spark-20_2.11artifactId><version>6.5.4version>
dependency>
<dependency><groupId>commons-httpclientgroupId><artifactId>commons-httpclientartifactId><version>3.1version>
dependency>
3、注意事项
如果使用 CDH 版本的 Spark&#xff0c;则在调试及实际部署运行的时候会出现下面的错误&#xff1a;
java.lang.ClassNotFoundException: org.apache.commons.httpclient.protocol.Protocol
很显然是缺少 httpclient 相关依赖造成的&#xff0c;对比开源版本与 CDH 版本的 Spark&#xff0c;发现开源版本多出了 commons-httpclient-3.1.jar
&#xff0c;因此上述 Maven 的 pom 文件添加上对其依赖即可。
二、ES-Hadoop
1、简介
ES-Hadoop 实现了 Hadoop 生态&#xff08;Hive、Spark、Pig、Storm 等&#xff09;与 ElasticSearch 之间的数据交互&#xff0c;借助该组件可以将 Hadoop 生态的数据写入到 ES 中&#xff0c;然后借助 ES 对数据快速进行搜索、过滤、聚合等分析&#xff0c;进一步可以通过 Kibana 来实现数据的可视化。
同时&#xff0c;也可以借助 ES 作为数据存储层&#xff08;类似数仓的 Stage 层或者 ODS 层&#xff09;&#xff0c;然后借助 Hadoop 生态的数据处理工具&#xff08;Hive、MR、Spark 等&#xff09;将处理后的数据写入到 HDFS 中。
使用 ES 做为原始数据的存储层&#xff0c;可以很好的进行数据去重、数据质量分析&#xff0c;还可以提供一些即时的数据服务&#xff0c;例如趋势展示、汇总分析等。
2、组成
ES-Hadoop 是一个整合性质的组件&#xff0c;它封装了 Hadoop 生态的多种组件与 ES 交互的 API&#xff0c;如果你只需要部分功能&#xff0c;可以使用细分的组件&#xff1a;
- elasticsearch-hadoop-mr
- elasticsearch-hadoop-hive
- elasticsearch-hadoop-pig
- elasticsearch-spark-20_2.10
- elasticsearch-hadoop-cascading
- elasticsearch-storm
三、elasticsearch-spark
1、配置
es-hadoop 核心是通过 es 提供的 restful 接口来进行数据交互&#xff0c;下面是几个重要配置项&#xff0c;更多配置信息请参阅官方说明&#xff1a;
es.nodes
&#xff1a;需要连接的 es 节点&#xff08;不需要配置全部节点&#xff0c;默认会自动发现其他可用节点&#xff09;&#xff1b;es.port
&#xff1a;节点 http 通讯端口&#xff1b;es.nodes.discovery
&#xff1a;默认为 true&#xff0c;表示自动发现集群可用节点&#xff1b;es.nodes.wan.only
&#xff1a;默认为 false&#xff0c;设置为 true 之后&#xff0c;会关闭节点的自动 discovery&#xff0c;只使用es.nodes
声明的节点进行数据读写操作&#xff1b;如果你需要通过域名进行数据访问&#xff0c;则设置该选项为 true&#xff0c;否则请务必设置为 false&#xff1b;es.index.auto.create
&#xff1a;是否自动创建不存在的索引&#xff0c;默认为 true&#xff1b;es.net.http.auth.user
&#xff1a;Basic 认证的用户名&#xff1b;es.net.http.auth.pass
&#xff1a;Basic 认证的密码。
val conf &#61; new SparkConf().setIfMissing("spark.app.name","rt-data-loader").setIfMissing("spark.master", "local[5]")
conf.set(ConfigurationOptions.ES_NODES, esNodes)
conf.set(ConfigurationOptions.ES_PORT, esPort)
conf.set(ConfigurationOptions.ES_NODES_WAN_ONLY, "true")
conf.set(ConfigurationOptions.ES_INDEX_AUTO_CREATE, "true")
conf.set(ConfigurationOptions.ES_NODES_DISCOVERY, "false")
conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_USER, esUser)
conf.set(ConfigurationOptions.ES_NET_HTTP_AUTH_PASS, esPwd)
conf.set("es.write.rest.error.handlers", "ignoreConflict")
conf.set("es.write.rest.error.handler.ignoreConflict", "com.jointsky.bigdata.handler.IgnoreConflictsHandler")
特别需要注意的配置项为 es.nodes.wan.only
&#xff0c;由于在云服务器环境中&#xff0c;配置文件使用的一般为内网地址&#xff0c;而本地调试的时候一般使用外网地址&#xff0c;这样将 es.nodes
配置为外网地址后&#xff0c;最后会出现节点找不到的问题&#xff08;由于会使用节点配置的内网地址去进行连接&#xff09;&#xff1a;
org.elasticsearch.hadoop.EsHadoopIllegalArgumentException: No data nodes with HTTP-enabled available;
node discovery is disabled and none of nodes specified fit the criterion [xxx.xx.x.xx:9200]
此时将 es.nodes.wan.only
设置为 true 即可。推荐开发测试时使用域名&#xff0c;集群部署的时候将该选项置为 false。
2、屏蔽写入冲突
如果数据存在重复&#xff0c;写入 ES 时往往会出现数据写入冲突的错误&#xff0c;此时有两种解决方法。
方法一&#xff1a;设置 es.write.operation
为 upsert&#xff0c;这样达到的效果为如果存在则更新&#xff0c;不存在则进行插入&#xff0c;该配置项默认值为 index。
方法二&#xff1a;自定义冲突处理类&#xff0c;类似上述配置中设置了自定义的 error.handlers
&#xff0c;通过自定义类来处理相关错误&#xff0c;例如忽略冲突等&#xff1a;
public class IgnoreConflictsHandler extends BulkWriteErrorHandler {public HandlerResult onError(BulkWriteFailure entry, DelayableErrorCollector<byte[]> collector) throws Exception {if (entry.getResponseCode() &#61;&#61; 409) {StaticLog.warn("Encountered conflict response. Ignoring old data.");return HandlerResult.HANDLED;}return collector.pass("Not a conflict response code.");}
}
方法二可以屏蔽写入版本比预期的小之类的版本冲突问题。
3、RDD 写入 ES
EsSpark 提供了两种主要方法来实现数据写入&#xff1a;
saveToEs
&#xff1a;RDD 内容为Seq[Map]
&#xff0c;即一个 Map 对象集合&#xff0c;每个 Map 对应一个文档&#xff1b;saveJsonToEs
&#xff1a;RDD 内容为Seq[String]
&#xff0c;即一个 String 集合&#xff0c;每个 String 是一个 JSON 字符串&#xff0c;代表一条记录&#xff08;对应 ES 的 _source&#xff09;。
数据写入可以指定很多配置信息&#xff0c;例如&#xff1a;
es.resource
&#xff1a;设置写入的索引和类型&#xff0c;索引和类型名均支持动态变量&#xff1b;es.mapping.id
&#xff1a;设置文档 _id 对应的字段名&#xff1b;es.mapping.exclude
&#xff1a;设置写入时忽略的字段&#xff0c;支持通配符。
val itemRdd &#61; rdd.flatMap(line &#61;> {val topic &#61; line.topic()println("正在处理&#xff1a;" &#43; topic &#43; " - " &#43; line.partition() &#43; " : " &#43; line.offset())val jsonArray &#61; JSON.parseArray(line.value()).toJavaList(classOf[JSONObject]).asScalaval resultMap &#61; jsonArray.map(jsonObj &#61;>{var tmpId &#61; "xxx"var tmpIndex &#61; "xxxxxx"jsonObj.put("myTmpId", tmpId)jsonObj.put("myTmpIndex", tmpIndex)jsonObj.getInnerMap})resultMap
})
val mapConf &#61; Map(("es.resource" , "{myTmpIndex}/doc"),("es.write.operation" , "upsert"),("es.mapping.id" , "myTmpId"),("es.mapping.exclude" , "myTmp*")
)
EsSpark.saveToEs(itemRdd, mapConf)
es.mapping.exclude
只支持 RDD 为 Map 集合&#xff08;saveToEs&#xff09;&#xff0c;当为 Json 字符串集合时&#xff08;saveJsonToEs&#xff09;会提示不支持的错误信息&#xff1b;这个配置项非常有用&#xff0c;例如 myTmpId 作为文档 id&#xff0c;因此没有必要重复存储到 _source 里面了&#xff0c;可以配置到这个配置项&#xff0c;将其从 _source 中排除。
Any Code&#xff0c;Code Any&#xff01;
扫码关注『AnyCode』&#xff0c;编程路上&#xff0c;一起前行。