Spark——Spark读Elasticsearch Index索引报错存在重复列名

问题背景

在通过Spark读取Elasticsearch的索引并映射成结构化的表，写入到Hive的时候，报错存在同名的列名/字段名。查看Elasticsearch对应index发现，index存在字段名相同但其中某些字母大小写不同的字段（例如，同一个index存在gmtCreate和gmtcreate）。

因为Elasticsearch index中字段默认是大小写敏感的，也就是说，可以存在我们刚才描述的那种情况。而Hive中表列名是大小写不敏感的，Spark读Elasticsearch index转成Dataframe之后，会将index中的字段名全都转成小写，那么在写入Hive的时候，就会报错说存在重名的列。

此处也给出，Spark整合Elasticsearch的Maven依赖：

<dependency>
    <groupId>org.elasticsearch</groupId>
    <artifactId>elasticsearch-spark_2.11</artifactId>
    <version>2.4.1</version>
</dependency>

解决方法

那么，如果想要把ES index索引存入Hive，我们需要对重名列进行重命名。

1. 当通过Spark将Elasticsearch index转成DataFrame的时候，我们需要保持列名的大小写敏感，而Spark SQL默认情况下对列名是大小写不敏感的，所以我们需要配置参数spark.sql.caseSensitive来开启列名的大小写敏感；

   val spark = SparkSession
                  .builder()
                  .appName("es index")
                  .config("es.nodes", "node-1,node-2,node-3,node-4,node-5")
                  .config("es.port", "9200")
                  .config("pushdown", "true")
                  .config("spark.sql.caseSensitive", "true") //列名大小写敏感
                  .enableHiveSupport()
                  .getOrCreate()
   

2. 找出重名的列，并进行相应的处理

   import org.elasticsearch.spark._ 
   
   def process(spark: SparkSession): Unit = {
       import spark.implicits._
       //读取Elasticsearch索引加载为Spark RDD
       val rdd: RDD[(String, String)] = spark.sparkContext.esJsonRDD(index)
                   .map(m => (m._1.toString, m._2.toString))
       
       //将Tuple类型的RDD转成Dataset
       val ds = spark.createDataset(rdd)
       			.toDF("doc_id", "source")
                   .mapPartitions(iterator => {
                       iterator.map(m => {
                           JSON.parseObject(m.getAs("source").toString).toString
                       })
                   })
           var df = spark.read.json(ds)
   		//获取Dataframe中所有列名
           val columns = df.columns
           //将所有列名都转成小写
           val columnsDistinct = columns.map(_.toLowerCase()).distinct
   
           //是否有重复列
           if (columns.length != columnsDistinct) {
               val set = new mutable.HashSet[String]()
               //保存重复列
               val duplicatedCols = mutable.ArrayBuffer[String]()
               for (col <- columns) {
                   if (set.contains(col.toLowerCase)) {
                       duplicatedCols.append(col)
                   } else {
                       set.add(col.toLowerCase)
                   }
               }
               //对重复列进行重命名
               for (col <- duplicatedCols) {
                   df = df.withColumnRenamed(col, col + "_1")
               }
           }
   
           df
                       .repartition(3)
                       .write
                       .mode("overwrite")
                       .format("parquet")
                       .saveAsTable(s"db.table")
   }
   

参考

• https://www.elastic.co/guide/en/elasticsearch/hadoop/current/spark.html
• https://spark.apache.org/docs/3.1.2/sql-migration-guide.html#upgrading-from-spark-sql-23-to-24