Spark处理远程mongodb数据记录

原文连接：http://blog.csdn.net/oMrApollo/article/details/69566846

错误原因分析

报错如下：

Exception in thread "main" java.io.IOException: com.mongodb.hadoop.splitter.SplitFailedException: Unable to calculate input splits: not authorized on certificate to execute command { splitVector: "certificate.certificate.access_log_test", keyPattern: { _id: 1 }, min: {}, max: {}, force: false, maxChunkSize: 8 }
    at com.mongodb.hadoop.MongoInputFormat.getSplits(MongoInputFormat.java:62)
    at org.apache.spark.rdd.NewHadoopRDD.getPartitions(NewHadoopRDD.scala:113)
    at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:239)
	at org.apache.spark.rdd.RDD$$anonfun$partitions$2.apply(RDD.scala:237)
    at scala.Option.getOrElse(Option.scala:120)
    at org.apache.spark.rdd.RDD.partitions(RDD.scala:237)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1929)
    at org.apache.spark.rdd.RDD.count(RDD.scala:1143)
    at AccessLogTest$.main(AccessLogTest.scala:53)
    at AccessLogTest.main(AccessLogTest.scala)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at com.intellij.rt.execution.application.AppMain.main(AppMain.java:147)
Caused by: com.mongodb.hadoop.splitter.SplitFailedException: Unable to calculate input splits: not authorized on certificate to execute command { splitVector: "certificate.certificate.access_log_test", keyPattern: { _id: 1 }, min: {}, max: {}, force: false, maxChunkSize: 8 }
    at com.mongodb.hadoop.splitter.StandaloneMongoSplitter.calculateSplits(StandaloneMongoSplitter.java:165)
    at com.mongodb.hadoop.MongoInputFormat.getSplits(MongoInputFormat.java:60)
    ... 14 more

错误原因剖析

not authorized on certificate to execute command { splitVector: "certificate.certificate.access_log_test", keyPattern: { _id: 1 }, min: {}, max: {}, force: false, maxChunkSize: 8 }

可以看出是splitVector权限的问题，因为Spark在拆分非分片集合时需要splitVector命令的，该命令仅限于管理员用户。mongo.input.split.create_input_splits的默认设置是true，也就是会对数据进行拆分，根据集群数，cpu核数然后将数据进行拆分成多个InputSplits,以允许Hadoop并行处理，也就是说，Hadoop为每个映射器分配一个InputSplits。

解决方法

一、

如果数据量不大的情况下可以舍弃spark的优势，将mongo.input.split.create_input_splits设置为false

config.set("mongo.input.split.create_input_splits", "false")

这种做法虽然会解决，但是舍弃了并行的优势，因为设为false时将只有一个InputSplit，他会将整个集合分配给Hadoop，这将严重的减少并行映射。

二、

没有splitVector权限,则加上该权限。

具体方法如下：

./mongo [ip]]:[port]] --authenticationDatabase admin -u[username] -p[password]

对应ip地址，port端口号，username用户名，password密码

连接上该用户数据库后

增加新权限

db.createRole({role: "hadoopSplitVector",privileges: [{resource: {db: "[dbname]",collection: "[collectionName]"},actions: ["splitVector"]}],roles:[]})

dbname:数据库名称
collectionName:表名

如若报错：

Error: Roles on the 'test' database cannot be granted privileges that target other databases or the cluster :
_getErrorWithCode@src/mongo/shell/utils.js:25:13
DB.prototype.createRole@src/mongo/shell/db.js:1553:1
@(shell):1:1

说明你登录的用户名不能授予其他数据库权限，意思就是你登录错了。换一个你想改权限的数据库所对应的用户重新登陆。

成功的话则显示

{
    "role" : "hadoopSplitVector",
    "privileges" : [
        {
            "resource" : {
                "db" : "[dbname]",
                "collection" : "[collectionName]"
            },
            "actions" : [
                "splitVector"
            ]
        }
    ],
    "roles" : [ ]
}

说明新建权限成功，然后我们只需把该权限赋给对应的用户就行

db.updateUser("[username]",{roles: [{role:"readWrite",db:"[dbname]"},{role:"hadoopSplitVector", db:"[dbname]"}]})

配置成功后就可以解决该问题

scala连接方法：

val config = new Configuration()
config.set("mongo.input.uri", "mongodb://[username]:[password]@[ip1]:[port1],[ip2]:[port2]/[dbname].[collectionName]?readPreference=secondary")

部署到服务器报错

ERROR SparkContext: Error initializing SparkContext.
java.net.UnknownHostException: 服务器名: 服务器名: 未知的名称或服务
······
Caused by: java.net.UnknownHostException: 服务器名: 未知的名称或服务

修改hosts映射地址即可

vim /etc/hosts

127.0.0.1 服务器名 localhost

如有疑问或错误建议请留言，谢谢。