Spark SQL读写 ES7.x 及问题总结

本文主要介绍 spark SQL 读写 ES，参数的配置以及问题总结。

ES官方提供了对spark的支持，可以直接通过spark读写es，具体可以参考ES Spark Support文档

以下是pom依赖，具体版本可以根据自己的es和spark版本进行选择：

      
        org.elasticsearch
        elasticsearch-spark-20_2.11
        7.3.1
      

Spark SQL to ES

主要提供了两种读写方式：

• 一种是通过DataFrameReader/Writer传入ES Source实现；
• 另一种是直接读写DataFrame实现。

在实现前，还要列一些相关的配置：

参数	描述
es.nodes.wan.only	true or false，在此模式下，连接器禁用发现，并且所有操作通过声明的es.nodes连接
es.nodes	ES节点
es.port	ES端口
es.index.auto.create	true or false，是否自动创建index
es.resource	资源路径
es.mapping.id	es会为每个文档分配一个全局id。如果不指定此参数将随机生成；如果指定的话按指定的来
es.batch.size.bytes	es批量API的批量写入的大小（以字节为单位）
es.batch.write.refresh	批量更新完成后是否调用索引刷新
es.read.field.as.array.include	读es的时候，指定将哪些字段作为数组类型

列了一些常用的配置，更多配置查看ES Spark Configuration文档

DataFrameReader 读 ES

import org.elasticsearch.spark.sql._
val options = Map(
  "es.nodes.wan.only" -> "true",
  "es.nodes" -> "29.29.29.29:10008,29.29.29.29:10009",
  "es.port" -> "9200",
  "es.read.field.as.array.include" -> "arr1, arr2"
)
val df = spark
    .read
    .format("es")
    .options(options)
    .load("index1/info")
df.show()

DataFrameWriter 写 ES

import org.elasticsearch.spark.sql._
val options = Map(
  "es.index.auto.create" -> "true",
  "es.nodes.wan.only" -> "true",
  "es.nodes" -> "29.29.29.29:10008,29.29.29.29:10009",
  "es.port" -> "9200",
  "es.mapping.id" -> "id"
)

val sourceDF = spark.table("hive_table")
sourceDF
  .write
  .format("org.elasticsearch.spark.sql")
  .options(options)
  .mode(SaveMode.Append)
  .save("hive_table/docs")

读DataFrame

jar包中提供了 esDF() 方法可以直接读es数据为DataFrame，以下是源码截图。

参数说明：

• resource：资源路径，例如index和tpye: hive_table/docs
• cfg：一些es的配置，和上面代码中的options差不多
• query：指定DSL查询语句来过滤要读的数据，例如"?q=user_group_id:3"表示读user_group_id为3的数据

val options = Map(
  "pushdown" -> "true",
  "es.nodes.wan.only" -> "true",
  "es.nodes" -> "29.29.29.29:10008,29.29.29.29:10009",
  "es.port" -> "9200"
)

val df = spark.esDF("hive_table/docs", "?q=user_group_id:3", options)
df.show()

写 DataFrame

jar包中提供了 saveToEs() 方法可以将DataFrame写入ES，以下是源码截图。

resource：资源路径，例如index和tpye: hive_table/docs
cfg：一些es的配置，和上面代码中的options差不多

示例：

val brandDF = sparkSession.sql(""" SELECT
              |   categoryname AS id
              | , concat_ws(',', collect_set(targetword)) AS targetWords
              | , get_utc_time() as `@timestamp`
              | FROM  t1
              | GROUP BY
              | categoryname
              """.stripMargin)

 // 手动指定ES _id值
 val map = Map("es.mapping.id" -> "id")
 EsSparkSQL.saveToEs(brandDF, "mkt_noresult_brand/mkt_noresult_brand", map)

Spark RDD to ES

SparkRDD方式写 ES，以下是源码截图。

示例：

    val numbers = Map("one" -> 1, "two" -> 2, "three" -> 3)
    val airports = Map("OTP" -> "Otopeni", "SFO" -> "San Fran")
    val rdd = sparkSession.sparkContext.makeRDD(Seq(numbers, airports))
    EsSpark.saveToEs(rdd, "mkt_noresult_brand/mkt_noresult_brand", map)

问题总结

手动指定ES _id值

EsSparkSQL.saveToEs 报错org.elasticsearch.hadoop.EsHadoopIllegalArgumentException: [DataFrameFieldExtractor for field [[...]]] cannot extract value from entity

原因："es.mapping.id"参数指定文档的id，这个参数必须配置成DataFrame中已有的字段，不能随意指定。配置成 val map = Map("es.mapping.id" -> "id"), 数据导入成功。