spark处理mongodb数据（python版）

mongodb是一种文档型数据库，作为一个适用于敏捷开发的数据库，mongodb的数据模式可以随着应用程序的发展而灵活地更新。但是mongodb适合一次查询的需求，对于统计、分析（尤其是在需要跨表、跨库的情况下）并不是太方便，我们可以用spark来处理mongodb数据。架构图如下：

我使用的spark版本是spark-1.6.2，mongodb版本是3.2。我主要接触了以下两种连接器：

1、mongodb官方连接器

github地址：https://github.com/mongodb/mongo-spark

mongodb官方文档：https://docs.mongodb.com/spark-connector/

api文档（java版）：https://www.javadoc.io/doc/org.mongodb.spark/mongo-spark-connector_2.11/2.0.0

加载mongodb数据的方式如下：

from pyspark import SparkConf, SparkContext
from pyspark.sql import SQLContext
from pyspark.sql.types import *
sc = SparkContext()
ctx = SQLContext(sc)
test_collection = ctx.read.format("com.mongodb.spark.sql").options(uri="mongodb://192.168.0.1:27017", database="test_db", collection="test_collection").load()

这样就把指定的mongodb实例中的test_db库中的test_collection表加载到了spark中。可以使用以下代码查看表的格式，查看第一行数据：

test_collection.printSchema()
test_collection.first()

上面的这种方式加载时间较长，因为spark需要判断各个字段的类型，需要抽取部分数据判断（或者扫描整个表，我没有具体的研究过，总之比较慢）。而且这种方式会将所有的数据加载进来，有些字段我并不需要获取到。可以用下面的代码改进：

fields_list = "name age sex grade exp"
fields = [StructField(field_name, StringType(), True) for field_name in fields_list.split()]
schema = StructType(fields)
test_collection = job_ctx.read.schema(schema).format("com.mongodb.spark.sql").options(uri="mongodb://192.168.0.1:27017", database="test_db", collection="test_collection").load()

首先选择了需要加载的字段（字段的顺序可以随意排列，也可以加上mongodb中不存在的字段），然后指定这些字段的类型，上面代码都指定为了spark中的stringtype类型。

test_collection变量是spark中的dataframe类型数据，就可以使用spark  sql处理数据：

test_collection.registerTempTable("Account")
sql ＝ "select * from Account where age > '18'"
result = ctx.sql(sql)

result也是dataframe类型数据，也可以继续像上面这样的处理方式处理。
如果有的需求不能通过spark sql实现，也可以使用下面代码转化成rdd格式数据，然后用map、reduce等函数处理。

test_rdd = test_collection.rdd

在数据通过sql或者自己写map、reduce函数处理完之后需要将数据保存到mongodb中。如果数据是dataframe格式：

result.write.format("com.mongodb.spark.sql").mode("overwrite").options(uri="mongodb://192.168.0.1:27017", database="test_db", collection="test_collection_out").load()

其中的mode中填写写数据的模式，官方的连接器提供了四种模式：overwrite ignore  errorifexists append，本来以为这些模式是针对行级别的，后来看了源代码发现是针对collection级别的，官方代码如下：

override def createRelation(sqlContext: SQLContext, mode: SaveMode, parameters: Map[String, String], data: DataFrame): BaseRelation = {
    val writeConfig = WriteConfig(sqlContext.sparkContext.getConf, parameters)
    val mongoConnector = MongoConnector(writeConfig.asOptions)
    lazy val collectionExists: Boolean = mongoConnector.withDatabaseDo(
      writeConfig, { db => db.listCollectionNames().asScala.toList.contains(writeConfig.collectionName) }
    )
    mode match {
      case Append => MongoSpark.save(data, writeConfig)
      case Overwrite =>
        mongoConnector.withCollectionDo(writeConfig, { collection: MongoCollection[Document] => collection.drop() })
        MongoSpark.save(data, writeConfig)
      case ErrorIfExists =>
        if (collectionExists) {
          throw new UnsupportedOperationException("MongoCollection already exists")
        } else {
          MongoSpark.save(data, writeConfig)
        }
      case Ignore =>
        if (!collectionExists) {
          MongoSpark.save(data, writeConfig)
        }
    }
    createRelation(sqlContext, parameters ++ writeConfig.asOptions, Some(data.schema))
  }

代码链接：https://github.com/mongodb/mongo-spark/blob/7c76ed1821f70ef2259f8822d812b9c53b6f2b98/src/main/scala/com/mongodb/spark/sql/DefaultSource.scala

从代码中可以看出，overwrite就是先删除mongodb中指定的表，然后把数据写到这个表中；ignore就是如果mongodb中有这个表，就不写数据了，且不会报错；errorifexists就是如果mongodb中存在这个表就报错，如果不存在就正常写入；append就是不管mongodb中这个表存不存在直接往里写数据。分这么多模式其实没啥大用，如果不看代码容易理解出现偏差。

如果是rdd类型的数据就需要先转化成dataframe格式再保存到mongodb中，例如：

fields_list = "name age sex grade exp"
fields = [StructField(field_name, StringType(), True) for field_name in fields_list]
schema = StructType(fields)
df = ctx.createDataFrame(result, schema=schema)
df.write.format("com.mongodb.spark.sql").mode("overwrite").options(uri="mongodb://192.168.0.1:27017", database="test_db", collection="test_collection_out").load()

2、第三方连接器

github地址：https://github.com/Stratio/Spark-MongoDB

这个连接器的使用方式基本上和官方连接器一样，获取数据的代码如下：

test_collection = ctx.read.schema(schema).format("com.stratio.datasource.mongodb").options(host="192.168.0.1:27017", database="test", collection="test_collection").load()

可以看出，只是format做了改变，options中的uri改成了host。

写数据到mongodb的方法和官方连接器也差不多：

result.write.format("com.stratio.datasource.mongodb").mode("append").options(host="192.168.0.1:27017", database="test", collection="test_collection_out", updateFields='name').save()

这个第三方连接器再写入数据到mongodb时的功能比官方连接器要好很多，它也提供了overwrite ignore  errorifexists append这四种模式，可以通过下面这些连接器的源代码看出它的处理方式：

mode match{
      case Append         => mongodbRelation.insert(data, overwrite = false)
      case Overwrite      => mongodbRelation.insert(data, overwrite = true)
      case ErrorIfExists  => if(mongodbRelation.isEmptyCollection) mongodbRelation.insert(data, overwrite = false)
      else throw new UnsupportedOperationException("Writing in a non-empty collection.")
      case Ignore         => if(mongodbRelation.isEmptyCollection) mongodbRelation.insert(data, overwrite = false)
    }

def insert(data: DataFrame, overwrite: Boolean): Unit = {
    if (overwrite) {
      usingMongoClient(MongodbClientFactory.getClient(config.hosts, config.credentials, config.sslOptions, config.clientOptions).clientConnection) { mongoClient =>
        dbCollection(mongoClient).dropCollection()
      }
    }

    data.saveToMongodb(config)
  }

def saveToMongodb(config: Config, batch: Boolean = true): Unit = {
    val schema = dataFrame.schema
    dataFrame.foreachPartition(it => {
      val writer =
        if (batch) new MongodbBatchWriter(config)
        else new MongodbSimpleWriter(config)

      writer.saveWithPk(
        it.map(row => MongodbRowConverter.rowAsDBObject(row, schema)))

    })
  }

private[mongodb] class MongodbBatchWriter(config: Config) extends MongodbWriter(config) {

  private val IdKey = "_id"

  private val bulkBatchSize = config.getOrElse[Int](MongodbConfig.BulkBatchSize, MongodbConfig.DefaultBulkBatchSize)

  private val pkConfig: Option[Array[String]] = config.get[Array[String]](MongodbConfig.UpdateFields)

  override def save(it: Iterator[DBObject], mongoClient: MongoClient): Unit = {
    it.grouped(bulkBatchSize).foreach { group =>
      val bulkOperation = dbCollection(mongoClient).initializeUnorderedBulkOperation
      group.foreach { element =>
        val query = getUpdateQuery(element)
        if (query.isEmpty) bulkOperation.insert(element)
        else bulkOperation.find(query).upsert().replaceOne(element)
      }

      bulkOperation.execute(writeConcern)
    }
  }

可以看出，这四种模式的功能总体上是和官方连接器一致的，但是在写入mongodb时处理方式不同。在这里可以使用一个updateFields参数，这个参数表示以这个参数的值为key，如果查询到mongodb的表中已经有相同key的数据，会替换掉这行数据，如果没有则直接写入。在很多业务场景下，只需要在原表的基础上更新一部分数据，用这个第三方连接器就非常方便。

3、连接器的选择

在获取数据时，官方连接器的性能似乎比第三方连接器的好一点，官方连接器有一个条件下推的原则。我们知道spark的算子分为两种：Transformation和Action，只有遇到Action算子才会触发作业的提交。比如在后续的一些Transformation算子中对数据有一定的数据过滤条件，官方连接器会把过滤条件下推到MongoDB去执行，这样可以保证从MongoDB取出来、经过网络传输到Spark计算节点的数据确实都是用得着的。第三方连接器似乎会把所有数据加载到spark后再过滤（没有仔细求证）。

在写数据到mongodb时，通过上面贴出来的代码可以看出，第三方连接器的功能比官方连接器的要好一点，支持在原有表的基础上做更新。

4、连接器的使用

首先要安装spark（如果不需要把数据保存到hdfs、不需要使用yarn，可以不安装hadoop），在spark目录下的bin目录下会有一个spark-submit可执行文件。

例如把代码保存在test.py中，如果使用官方连接器，运行：

spark-submit --packages org.mongodb.spark:mongo-spark-connector_2.10:1.1.0 test.py

如果使用的是第三方连接器，运行：

spark-submit --packages com.stratio.datasource:spark-mongodb_2.10:0.11.2   test.py

第一次执行时会下载相应的工具包，国内网络可能下载不下来，我上传到了csdn，可以到下面连接下载：

官方：http://download.csdn.net/detail/hellousb2010/9698375

第三方：http://download.csdn.net/detail/hellousb2010/9698372

解压后将cache、jar目录拷贝到~/.ivy2目录下即可。

参考文档：http://www.mongoing.com/tj/mongodb_shanghai_spark

文章中出现错误欢迎指正。